<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Leticia Martins on Medium]]></title>
        <description><![CDATA[Stories by Leticia Martins on Medium]]></description>
        <link>https://medium.com/@leticiamartinsbandeira?source=rss-de8786f63f3a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*d9S_6DY-moF0snl8-3IAuQ.jpeg</url>
            <title>Stories by Leticia Martins on Medium</title>
            <link>https://medium.com/@leticiamartinsbandeira?source=rss-de8786f63f3a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 09:40:34 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@leticiamartinsbandeira/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Perguntas e repostas sobre Redes de Computadores]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/perguntas-e-repostas-sobre-redes-de-computadores-4dc83ce3ea01?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/4dc83ce3ea01</guid>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Fri, 14 Mar 2025 01:21:39 GMT</pubDate>
            <atom:updated>2025-03-14T01:21:39.409Z</atom:updated>
            <content:encoded><![CDATA[<ol><li><strong>Explique o que é o modelo OSI e qual a importância de sua padronização nas redes de computadores</strong></li></ol><p>O modelo OSI (Open Systems Interconnection) é um modelo conceitual que padroniza a comunicação entre dispositivos em uma rede. Ele é dividido em 7 camadas: Física, Enlace de Dados, Rede, Transporte, Sessão, Apresentação e Aplicação.</p><p>A padronização do modelo OSI permite que diferentes tecnologias e fabricantes sigam um mesmo padrão, garantindo a interoperabilidade entre sistemas. Isso facilita o desenvolvimento e manutenção de redes, além de permitir que protocolos e dispositivos de diferentes empresas funcionem juntos sem problemas.</p><p>O modelo OSI foi criado para organizar e padronizar as funções da comunicação de dados. Cada camada tem uma função específica, como:</p><ul><li><strong>Física</strong>: Transmissão de bits pelo meio físico.</li><li><strong>Enlace</strong>: Controle de erros e acesso ao meio.</li><li><strong>Rede</strong>: Roteamento dos pacotes.</li><li><strong>Transporte</strong>: Garantia de entrega confiável (TCP) ou rápida (UDP).</li><li><strong>Sessão</strong>: Gerenciamento da conexão entre dispositivos.</li><li><strong>Apresentação</strong>: Codificação e criptografia dos dados.</li><li><strong>Aplicação</strong>: Interface final com o usuário (HTTP, FTP, etc.).</li></ul><p><strong>2. Defina o que é um endereço IP e a diferença entre IPv4 e IPv6</strong></p><p>Um endereço IP (Internet Protocol) é um identificador único atribuído a cada dispositivo conectado a uma rede que utiliza o protocolo IP. Ele permite que os dados sejam roteados corretamente entre remetente e destinatário.</p><ul><li>IPv4: Possui um formato de 32 bits, geralmente representado por 4 números separados por pontos (ex: 192.168.1.1). Suporta cerca de 4,3 bilhões de endereços, o que se tornou insuficiente devido ao crescimento da internet.</li><li>IPv6: Possui um formato de 128 bits, representado por 8 grupos de números hexadecimais separados por dois pontos (ex: 2001:0db8:85a3::8a2e:0370:7334). Ele foi criado para expandir a capacidade de endereçamento e inclui melhorias como melhor suporte para segurança e mobilidade.</li></ul><p><strong>3. Compare os protocolos TCP e UDP, destacando suas principais diferenças e casos de uso</strong></p><p>TCP (Transmission Control Protocol)</p><ul><li>É confiável, garante a entrega dos pacotes na ordem correta</li><li>Usa controle de congestionamento e retransmissão de pacotes perdidos</li><li>Indicado para aplicações que exigem integridade dos dados, como web (HTTP/HTTPS), email (SMTP) e transferência de arquivos (FTP)</li></ul><p>UDP (User Datagram Protocol)</p><ul><li>Não é confiável, os pacotes podem chegar fora de ordem ou não chegar</li><li>Mais rápido, pois não tem controle de congestionamento ou retransmissão</li><li>Indicado para aplicações que precisam de baixa latência, como chamadas VoIP, streaming de vídeo e jogos online</li></ul><p>O TCP é ideal quando a confiabilidade é mais importante que a velocidade, pois ele realiza <strong>handshake</strong> e confirma a entrega dos dados. Já o UDP é melhor para aplicações em tempo real, pois a retransmissão de pacotes pode causar atrasos desnecessários.</p><p><strong>4. Explique o funcionamento do protocolo ARP e sua importância na comunicação em redes</strong></p><p>O ARP ( Address Resolution Protocol) é um protocolo usado para mapear endereços IP para endereços MAC dentro de uma rede local</p><p>Quando um dispositivo precisa se comunicar com outro dentro da mesma rede, ele envia uma solicitação ARP para descobrir o endereço MAC do destino. O dispositivo de destino responde com seu endereço MAC, premitindo a comunicação.</p><p>Sem o ARP, os dispositivos não conseguiriam se comunicar dentro de uma rede local (LAN), pois os pacotes precisam ser entregues ao endereço MAC correto.</p><p><strong>5. Compare redes comutadas por circuitos e redes comutadas por pacotes, destacando vantagens e desvantagens de cada abordagem.</strong></p><p>Redes comutadas por circuitos</p><ul><li>Criam um caminho fixo para toda a comunicação entre dois dispositivos.</li><li>Garantem qualidade de serviço (QoS) porque o canal é exclusivo.</li><li>Exemplo: Telefonia tradicional (PSTN).</li><li><strong>Vantagem:</strong> Conexão estável e previsível.</li><li><strong>Desvantagem:</strong> Ineficiente para tráfego variável, pois mantém o canal reservado mesmo quando não há dados sendo enviados.</li></ul><p>Redes comutadas por pacotes</p><ul><li>Os dados são divididos em pacotes, que são enviados independentemente pela rede.</li><li>Não há um caminho fixo: os pacotes podem seguir rotas diferentes e chegar fora de ordem.</li><li>Exemplo: Internet (TCP/IP).</li><li><strong>Vantagem:</strong> Melhor aproveitamento dos recursos da rede.</li><li><strong>Desvantagem:</strong> Possibilidade de atraso ou perda de pacotes, exigindo retransmissões e controle de erros.</li></ul><p>A comutação por circuitos foi muito utilizada em telefonia fixa, onde era necessário garantir qualidade contínua. Já a comutação por pacotes é a base da internet moderna, pois permite comunicação eficiente mesmo em redes congestionadas.</p><ol><li><strong>Explique o que é DNS e como ele funciona na resolução de nomes de domínio</strong></li></ol><p>O DNS (Domain Name System) é um sistema que traduz nome de domínio legívei spor humanos ( como goolge.com) em endereços IP (como 142.250.217.14).</p><p>O processo de resolução de nomes degue estes passos:</p><ol><li>O dispositivo consulta o <strong>DNS Resolver</strong> (geralmente fornecido pelo provedor de internet).</li><li>Se o Resolver não souber a resposta, ele pergunta a um <strong>Servidor Raiz</strong>.</li><li>O Servidor Raiz encaminha a solicitação para um <strong>Servidor TLD</strong> (como .com, .org).</li><li>O TLD encaminha para o <strong>Servidor Autoritativo</strong>, que contém o IP do domínio desejado.</li><li>O Resolver armazena a resposta em cache para futuras consultas.</li></ol><p>O DNS evita que os usuários precisem decorar endereços IP, tornando a navegação mais prática. Ele também melhora a eficiência da rede, pois os resultados podem ser armazenados temporariamente (caching) para agilizar acessos futuros.</p><p><strong>2. Defina o que é um firewall e quais são seus principais tipos</strong></p><p>Um firewall é um sistema de segurança que controla o tráfego de entrada e saída de uma rede, baseado em regras predefinidas. Ele protege sistemas contra acessos não autorizados e ataques cibernéticos.</p><p>Os principais tipos de firewall são:</p><ul><li>Firewall de Filtro de pacotes: Analisa os pacotes de dados com base em regras de IP, porta e protocolo</li><li>Firewall de Estado (Stateful Inspection): Monitora o estado das conexões para tomar decisões mais inteligentes</li><li>Firewall Proxy: Atua como intermediário entre o usuário e a internet, analisando e filtrando solicitações</li><li>Firewall de Próxima geração (NGFW): Integra funções avançadas, como inspeção profunda de pacotes (DPI) e prevenção contra intrusões (IPS)</li></ul><p>O firewall é essencial para a segurança de redes corporativas e pessoais, pois impede invasões e ataques como <strong>DDoS e acessos maliciosos</strong>.</p><p><strong>3. Compare os conceitos de LAN, WAN e MAN, destacando suas diferenças</strong></p><p>LAN (Local Area Network)</p><p>Rede local que cobre uma área pequena, como uma casa ou escritório, alta velocidade e baixa latência</p><p>MAN (Metropolitan Area Network)</p><p>Rede que cobre uma cidade ou uma região metropolitana, conecta múltiplas LANs e pode ser usada por empresas ou governos</p><p>WAN (Wide Area Network)</p><p>Rede de longa distância que cobre países ou continentes, normalmente conecta múltiplas LANs e MANs através da internet</p><p><strong>4. Explique como funciona o protocolo DHCP e sua importância nas redes</strong></p><p>O DHCP (Dynamic Host Configuration Protocol) é um protocolo que automatiza a atribuição de endereços IP aos dispositivos de uma rede.</p><p>O processo funciona assim:</p><ol><li>O Dispositivo enviar uma solicitação DHCP Discover para encontrar um servidor DHCP</li><li>O servidor responde com uma oferta DHCP Offer, sugerindo um IP disponível</li><li>O dispositivo aceita e envia um pedido DHCP Request para confirmar o uso do IP</li><li>O servidor finaliza o processo com um DHCP Acknowledgment (ACK)</li></ol><p>O DHCP elimina a necessidade de configurar manualmente os endereços IP de cada dispositivo na rede. Ele também permite a reutilização eficiente dos IPs disponíveis, evitando conflitos de endereços.]</p><p><strong>5. Compare as topologias de rede estrela, anel e barramento, destacando vantagens e desvantagens</strong></p><p>Topologia estrela</p><p>Todos os dispositivos se conectam a um ponto central (switch ou roteador), fácil manutenção, isolamento de falhas, mas se o ponto central falhar, toda a rede para.</p><p>Topologia Anel</p><p>Cada dispositivo é conectado ao próximo, formando um circuito fechado. Ordem na transmissão, bom para tráfego controlado, mas se um nó falhar, toda a rede pode ser interrompida.</p><p>Topologia Barramento</p><p>Todos os dipositivos compartilham um único cabo principal. Baixo custo e fácil instalação, se o cabo principal falhar, a rede para.</p><p>Cada topologia tem aplicações específicas. A topologia estrela é a mais usada atualmente por sua <strong>facilidade de manutenção e escalabilidade</strong>. A topologia anel já foi popular em redes antigas, mas caiu em desuso devido à falta de flexibilidade. A topologia barramento também é menos comum devido à sua vulnerabilidade a falhas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4dc83ce3ea01" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estudos Redes de Computadores]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/estudos-redes-de-computadores-141bd4901c7e?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/141bd4901c7e</guid>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Fri, 14 Mar 2025 01:20:56 GMT</pubDate>
            <atom:updated>2025-03-14T01:20:56.231Z</atom:updated>
            <content:encoded><![CDATA[<p>Definição: Coleção de computadores autônomos interconectados por uma única tecnologia</p><p>Dois computadores são ditos interconectados se podem trocar informação entre si.</p><h3>Classificação das redes</h3><h4>Difusão</h4><p>Enlaces de difusão</p><ul><li>Um canal de comunicação, que é compartilhado por todas as máquinas da rede.</li><li>Mensagens curtas enviadas por qualquer máquina são recebidas por todas as outras.</li></ul><p>Enlaces ponto a ponto</p><ul><li>Uma conexão para cada par de máquinas individuais.</li><li>Para ir da orgiem ao destino, uma mensagem nesse tipo de rede pode passar por uma ou mais máquinas intermediárias.</li></ul><h4>Escala</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*xeIuRKE8nFE18FK6n8rSag.png" /><figcaption>Distância como métrica de classificação</figcaption></figure><h4>Redes locais (LAN)</h4><p>São redes privadas de tamanho restrito, com alguns poucos kms, no máximo.</p><ul><li>Barramento</li><li>Anel</li></ul><h4>Redes metropolitadas (MAN)</h4><p>Rede que abrange uma cidade</p><ul><li>Rede de TV a cabo.</li></ul><h4>Rede geograficamente distribuída (WAN)</h4><p>Abrange uma grande área geográfica, com frequência um país ou continente</p><p>Hosts são conectados por uma sub-rede de comunicação (linhas de transmissão + elementos de comutação)</p><ul><li>Separação dos aspectos de comunicação (sub-rede) dos aspectos da aplicação (hosts)</li></ul><p><strong>Comutação de pacotes</strong></p><p>Quando um host tem que enviar uma mensagem para outroo, a mensagem é dividida em pacotes e injetados na rede. os pacotes são transportados individualmente na rede até o receptor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*vdzsJjQb2IpTlO1Q4DJDnA.png" /></figure><h4>Redes sem fio</h4><p>Três categorias principais:</p><ul><li>Interconexão de sistemas</li><li>LANs sem fio</li><li>WANs sem fio</li></ul><h4>Redes de controladores (CAN)</h4><p>É uma rede que permite a comunicação de micro-controladores e dispositivos sem a necessidade de hosts</p><p>Possibilita estabelecer uma rede de baixo custo para conectar sensores, atuadores e controladores</p><p>É uma rede de difusão, implementado usando um barramento serial</p><h4>Redes corporais (BAN)</h4><p>É uma rede que interconecta um conjunto de sensores, que podem ser implantados ou não no corpo, para o monitoramento de sinais vitais ou de movimentos.</p><p>Normalmente, esses dispositivos usam tecnologias sem fio</p><p>É uma tecnologia em estágio inicial de desenvolvimento, mas com grandes perspectivas de oferecer melhorias no sistema de saúde</p><h4>Redes pessoais (PAN)</h4><p>É uma rede que interconecta dispositivos que estejam localizados perto de uma pessoa, sem ficar restrita aos equipamentos que pertençam a ela</p><p>Essas redes podem usar tecnologia sem fio.</p><ul><li>Piconet com Bluetooth, para conectar telefones celulares, PDA (Personal Digital Assistant), etc.</li><li>Skinplex: tecnologia que usa o efeito capacitivo da pele humana para transmissão de dados.</li></ul><h4>Redes domésticas (HAN)</h4><p>O lar configurado para rede, de forma que os dispositivos domésticos sejam capazes de comunicar entre si e estejam acessíveis pela internet</p><h3>Software de rede</h3><h4>Hierarquia</h4><p>Para reduzir a complexidade do projeto, a maioria das redes é organizada como uma pilha de camadas ou níveis, colocadas uma sobre as outras</p><ul><li>O objetivo de cada camada é oferecer determinados serviços as camdas superiores, isolando essas camadas dos detalhes de implementação</li><li>A n-ésima camada de uma máquina com a n-ésima camada de outra máquina. As regras e convenççoes usadas nesse diálogo são conhecidas como protocolo</li></ul><p>O protocolo é um acordo entre as partes que se comunicam, estabelecendo como se dará essa comunicação</p><ul><li>Pares (peers) são as entidades que se comunicam usando o protocolo</li></ul><h4>Camadas, protocolos e interfaces</h4><p>A interface define as operações os serviços que a camada inferior tem que oferecer a camada que se encontra acima dela.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/539/1*ZXzsRK-MYDPW1zdTf88KCw.png" /></figure><h4>Arquitetura de rede</h4><p>Um conjunto de camadas e protocolos é chamado de arquitetura de rede</p><ul><li>Detalhes de implementação e da especificação das interfaces não pertencem a arquitetura, pois tudo fica oculto nas máquinas, não sendo visível do exterior</li></ul><p>A lista de protocolos usados por determiandos sistemas é a pilha de protocolos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*vcs3NL9RCaspeqh61gLSbg.png" /><figcaption>Exemplo 1 de arquitetura de rede</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/744/1*gBpYfbNvkrn4ttRYEmn75Q.png" /><figcaption>Exemplo 2 de arquitetura de rede</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=141bd4901c7e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Genetic algorithms]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/genetic-algorithms-1b0ff30e2bcc?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1b0ff30e2bcc</guid>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[genetic-algorithm]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Fri, 08 Nov 2024 21:29:11 GMT</pubDate>
            <atom:updated>2024-11-08T21:29:11.617Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*TSzBmeY-Wd5CX3LJ.png" /><figcaption>Izidoro et al. (2014). <em>Catalytic site of known function (A) — Protein of unknown function (B)</em>.</figcaption></figure><p>Genetic algorithms (GAs) are optimization methods inspired by Charles Darwin’s theory of natural selection, designed to solve complex problems through processes analogous to natural selection mechanisms. Drawing inspiration from genetics and the adaptation of living organisms, these algorithms create an initial population of solutions and subject them to genetic operators such as mutation, crossover, and selection. Each solution, represented as an individual, is evaluated based on a fitness function that determines its quality. Over generations, the best solutions are preserved and combined, leading to a population that is increasingly adapted to the proposed problem. This process is repeated until a stopping condition is met, which could be a defined number of generations, convergence detection, or the algorithm’s execution time. Due to their effectiveness in finding good solutions in large and irregular search spaces, genetic algorithms have been applied in fields such as artificial intelligence, economics, engineering, and data science.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*JfIdqcbhppqdnK_7.png" /><figcaption>Flow Chart of Genetic Algorithm with all steps involved from beginning until termination conditions</figcaption></figure><h4>Resuming the Evolutionary Metaheuristics…</h4><ul><li><strong>Genetic Algorithms</strong>: Proposed by Holland, these algorithms aim to study adaptation phenomena, using evolutionary processes to solve complex problems.</li><li><strong>Evolution Strategies</strong>: Introduced by Rechenberg, these strategies aim to optimize parameters of nonlinear functions, employing an evolution process similar to natural organisms.</li><li><strong>Evolutionary Programming</strong>: Created by Fogel and colleagues, this approach proposes representing a solution as a finite state machine, seeking to evolve solutions over multiple generations.</li><li><strong>Genetic Programming</strong>: Proposed by Koza, its focus is the evolution of computer programs, utilizing principles of selection and recombination to generate programs that solve specific problems.</li></ul><h4><strong>Individual Representation</strong></h4><p>The representation of an individual is the first step in modeling a genetic algorithm. It involves creating a simplified structure that symbolizes a possible solution to the problem being addressed. This individual is an abstracted version of something from the real world, designed in such a way that it can be evaluated, selected, and modified by genetic operators.</p><p>There are various ways to structure an individual. The binary representation is the most basic, where the individual is formed by a sequence of bits, each with a specific meaning. However, a small change in one bit can cause significant variations in the solution, requiring caution when applying this approach.</p><p>Another possible format is the integer representation, where genes are mapped to integer values, ideal for problems that require a direct relationship between each gene and elements of a set.</p><p>For problems that demand precision with continuous values, the real representation, using floating-point numbers, is more suitable. It allows for describing variables with high precision and is used to represent continuous characteristics, such as distance or weight.</p><p>The permutation representation is used for ordering problems, such as the traveling salesman problem. In this case, the individual is organized as a sequence of numbers that define the order of steps or locations to reach the desired solution. This approach is essential for optimization and ordering problems.</p><h4>Essential Characteristics for a Population</h4><blockquote>Self-replication — Reproduction / Recombination</blockquote><blockquote>Blueprint — Genotype vs. Phenotype</blockquote><blockquote>Inherit blueprint</blockquote><blockquote>Mutation</blockquote><blockquote>Selection — Based on Fitness</blockquote><p>The population consists of a set of individuals, each representing a possible solution to the problem at hand. The formation of this initial population can occur randomly or through the use of seeds, which provide a more directed basis for the solutions. When generating a random initial population, it’s crucial to consider factors such as the search space, the fitness function, diversity among individuals, the difficulty of the problem, the selection method, and the number of individuals.</p><p>When the initial population is built using seeds, there is typically a preprocessing step with randomly generated individuals. During this process, these individuals are evaluated based on their fitness scores. Only those with the best scores are selected to form the initial population, favoring a foundation with promising solutions that can accelerate the convergence of the genetic algorithm to a satisfactory solution.</p><h4>Evaluation Function (Fitness)</h4><p>The evaluation function, or fitness function, is crucial in a genetic algorithm, as it guides the population’s adaptation by indicating which individuals are more fit to advance to the next generations. In each generation, all individuals are assessed using this function, which measures the quality of each solution in relation to the problem.</p><p>For the evolutionary process to be effective, the fitness function must be precise and capable of clearly distinguishing between high-quality solutions and less promising ones. A poorly calibrated function may discard solutions that could potentially improve the genetic algorithm’s performance or prioritize individuals that contribute little to the algorithm’s progress, resulting in wasted computational resources.</p><p>Some problems require a multi-objective evaluation function, which considers multiple criteria to assess each individual. In such cases, each criterion may carry equal weight or be assigned a different weight depending on its relevance to solving the problem.</p><h4><strong>Genetic Operators</strong></h4><p>After selecting the individuals, genetic algorithms use two main operators, crossover and mutation, to form the next generation and maintain the diversity of the population. The goal of crossover is to combine characteristics from two individuals, called parents, to create new offspring, blending the genetic information from both. This refines the search process by favoring the combination of favorable traits into a single individual.</p><p><strong>Crossover</strong></p><p><strong>Simple point crossover</strong> involves selecting two parents and randomly choosing a point of division on the individual. From this point, the offspring are generated by combining the parts of the parents according to the chosen division.</p><p>In <strong>multipoint crossover</strong>, the process is similar, but more than one division point is chosen randomly. This allows various parts of the parents to be combined to form the offspring, with the number of points determined by a random value of K.</p><p>The <strong>uniform crossover</strong> works differently, as it uses a random mask of 0s and 1s to determine the contribution of each parent at the gene level. The proportion of genes inherited from each parent depends on the crossover rate defined.</p><p><strong>Mutation</strong></p><p>Mutation is responsible for randomly altering certain genetic characteristics of individuals selected based on a probabilistic criterion. It modifies the parent individual to generate an offspring by applying random modifications to its representation.</p><p>In <strong>insertion mutation</strong>, two random genes from the individual are selected, and the first gene is moved to the position of the second, shifting the other genes accordingly. This type of mutation is more common in permutation problems because it does not significantly alter the order of the genes, only their relative positions.</p><p>In <strong>inversion mutation</strong>, two random genes are selected, and all the genes between them are reversed. This preserves the adjacency between the genes but loses their original order. This type of mutation is also used in permutation problems, allowing the exploration of different combinations without altering the relative sequence of genes.</p><p><strong>Uniform mutation</strong> alters a random gene according to a specific value it can assume. The selected gene is given a value from the set of possible values for that gene. This type of mutation is primarily used in representations of individuals with real or integer values, allowing for greater flexibility in gene variation.</p><h4><strong>Selection of Individuals (Chromosomes)</strong></h4><p>Several strategies can be used to determine which solutions will advance to the next generation. One common technique is <strong>roulette wheel selection</strong>, where the chance of an individual being selected is proportional to its fitness value. In this method, each individual occupies an area of the roulette wheel corresponding to its fitness, and the wheel is spun repeatedly, selecting one individual for the new generation with each spin. This way, individuals with higher fitness have a greater chance of being chosen, while those with lower fitness are selected less frequently.</p><p>Another selection method is <strong>tournament selection</strong>, which involves randomly choosing a few individuals from the population. Their fitness values are then compared, and the fittest individual is generally chosen to move on to the next generation. This process depends on a parameter (such as a 0.75 value) that determines the probability of the fittest individual being selected, allowing for adjustments in the selective pressure applied to the population.</p><p><strong>Fitness proportionate selection</strong> is another alternative, where fitter individuals quickly dominate the population. While this accelerates the convergence of the genetic algorithm, it may lead to a phenomenon called <strong>premature convergence</strong>, where the GA focuses on a single region of the search space, reducing diversity and making it harder to find varied solutions.</p><p>Lastly, <strong>elitism</strong> is a selection technique where the individuals with the highest fitness are automatically preserved in the new generation. This approach ensures that the best solutions are not discarded, maintaining the quality of the population across generations and preventing the loss of potentially valuable solutions.</p><h4><strong>Parameters</strong></h4><p>Genetic algorithms are configured with several parameters that influence their performance. The <strong>number of generations</strong> is an important stopping criterion, where too few generations may result in an unsatisfactory solution, while too many can increase computational time. The <strong>population size</strong>, in turn, affects the solution diversity: larger populations consume more time, while smaller populations may not adequately explore the search space.</p><p>The <strong>crossover probability</strong> defines the chance of genetic material exchange between individuals, helping to refine the search. High rates can promote innovation but also carry the risk of losing good solutions. The <strong>mutation probability</strong>, usually lower, is used to prevent the algorithm from getting stuck in local minima, maintaining the genetic diversity of the population. The <strong>tournament size</strong>, related to tournament selection, controls the selective pressure to avoid premature convergence.</p><p>Each of these parameters can be adjusted based on the problem context, with default values often suggested. However, the ideal configuration depends on the specific application of the genetic algorithm.</p><h4><strong>Stopping Criteria</strong></h4><p>There are two main criteria for terminating a genetic algorithm. The first is based on the characteristics of the individuals in the population. When an optimal pattern is observed among these individuals, there is no longer a need to continue the execution process. The second stopping criterion occurs when no clear optimal pattern is found, and the algorithm may be stopped based on other conditions, such as the maximum runtime, the number of generations reached, or the total number of fitness evaluations performed.</p><p>Additionally, execution can be halted when the improvements in the individuals, resulting from genetic operators and selection, reach a limit, with no significant changes occurring. Generally, the genetic algorithm halts when an optimal or satisfactory value is achieved, or when one of the stopping conditions described is met.</p><p><strong>Interesting application example:</strong></p><p><a href="https://bioinfo.com.br/genetic-active-site-search-gass/?source=post_page-----787b0f2b8587--------------------------------">Genetic active site search (GASS)</a></p><p>Anyway, that’s all for now. Our next study will focus on evolutionary strategies. See you then!</p><p><strong><em>Hi, I’m Leticia ♥︎̤̮</em></strong></p><p><em>I’m a Computer Science student at the Federal University of ABC and a Software Developer!</em></p><p><em>To follow more about my academic journey and other technologies, follow me on </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><strong><em> </em></strong><em>and </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. I look forward to sharing more discoveries with you!</em></p><p><em>If you have any experiences or insights to share on the topic, I’d love to hear them! </em><strong><em>Feel free to drop your thoughts in the comments below.</em></strong></p><p><em>Did you enjoy the read? Click the applause button! 👏</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1b0ff30e2bcc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Algoritmos Genéticos]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/algoritmos-gen%C3%A9ticos-787b0f2b8587?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/787b0f2b8587</guid>
            <category><![CDATA[computação]]></category>
            <category><![CDATA[cromossomo]]></category>
            <category><![CDATA[algoritmos-genéticos]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Fri, 08 Nov 2024 21:06:18 GMT</pubDate>
            <atom:updated>2024-11-08T21:52:08.129Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/756/0*HcP-BP_gZBxUh7x6.png" /><figcaption>Sítio catalítico de função conhecida (A) — Proteína de função desconhecida (B). Fonte: Izidoro et al. (2014)</figcaption></figure><p>Algoritmos genéticos (AGs) são métodos de otimização baseados na teoria de seleção natural de Charles Darwin, projetados para resolver problemas complexos através de processos análogos aos mecanismos da seleção natural. Inspirados na genética e nas adaptações dos seres vivos, esses algoritmos criam uma população inicial de soluções e as submetem a operadores genéticos, como mutação, cruzamento e seleção. Cada solução, representada como um indivíduo, é avaliada com base em uma função de aptidão, que determina sua qualidade. Com o passar das gerações, as melhores soluções são preservadas e combinadas, levando a uma população cada vez mais adaptada ao problema proposto. Esse processo é repetido até que uma condição de parada seja satisfeita, podendo ser um número definido de gerações, uma detecção de convergência ou tempo de execução do AG. Por serem eficazes em encontrar boas soluções em espaços de busca amplos e irregulares, algoritmos genéticos têm sido aplicados em áreas como inteligência artificial, economia, engenharia e ciência de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/594/0*jBu8FQn-wsfl_DGc.png" /><figcaption>Funcionamento de um Algoritmos Genético padrão. Fonte: Izidoro et al. (2014).</figcaption></figure><h4>Retomando as Meta-heurísticas evolucionárias…</h4><ul><li><strong>Algoritmos Genéticos</strong>: Propostos por Holland, esses algoritmos visam estudar os fenômenos de adaptação, utilizando processos evolutivos para resolver problemas complexos.</li><li><strong>Estratégias Evolutivas</strong>: Introduzidas por Rechenberg, têm como objetivo otimizar parâmetros de funções não-lineares, utilizando um processo de evolução semelhante ao de organismos naturais.</li><li><strong>Programação Evolutiva</strong>: Criada por Fogel e colegas, propõe a representação de uma solução como uma máquina de estados finitos, buscando a evolução de soluções ao longo de várias gerações.</li><li><strong>Programação Genética</strong>: Proposta por Koza, seu foco é a evolução de programas de computador, utilizando princípios de seleção e recombinação para gerar programas que resolvam problemas específicos.</li></ul><h4>Representação do indivíduo</h4><p>A representação de um indivíduo é o primeiro passo na modelagem de um algoritmo genético, e consiste em criar uma estrutura simplificada que simbolize uma possível solução para o problema abordado. Esse indivíduo é uma versão abstraída de algo do mundo real, desenhado de forma que seja viável sua avaliação, seleção e modificação pelos operadores genéticos.</p><p>Existem diversas formas de estruturar um indivíduo. A representação binária é a mais básica, onde o indivíduo é formado por uma sequência de bits, cada um com um significado específico. Contudo, uma pequena mudança em um bit pode gerar grandes variações na solução, o que demanda cuidado na aplicação dessa abordagem.</p><p>Outro formato possível é a representação inteira, onde os genes são mapeados para valores inteiros, ideal para problemas que pedem uma relação direta entre cada gene e elementos de um conjunto.</p><p>Para problemas que exigem precisão em valores contínuos, a representação real, com números de ponto flutuante, é mais adequada. Ela permite descrever variáveis com alta precisão e é utilizada para representar características contínuas, como distância ou peso.</p><p>Já a representação por permutação é utilizada em problemas de ordenação, como o problema do caixeiro viajante. Nesse caso, o indivíduo é organizado como uma sequência de números que define a ordem de etapas ou locais para chegar à solução desejada, sendo uma abordagem fundamental para problemas de otimização e ordenação.</p><h4>Características necessárias para uma população</h4><blockquote>Autorreplicação (Self-replication) — Reprodução / Recombinação</blockquote><blockquote>Plano interno (Blueprint) — Genótipo vs Fenótipo</blockquote><blockquote>Herança (Inherit blueprint)</blockquote><blockquote>Mutação (Mutation)</blockquote><blockquote>Seleção (Selection) — Baseada em Fitness</blockquote><p>A população é composta por um conjunto de indivíduos, cada um representando uma possível solução para o problema em questão. A formação dessa população inicial pode ocorrer de maneira aleatória ou através do uso de sementes (seeds), que garantem uma base mais direcionada para as soluções. Ao gerar uma população inicial aleatória, é essencial considerar fatores como o espaço de busca, a função fitness, a diversidade entre os indivíduos, a dificuldade do problema, o método de seleção e a quantidade de indivíduos.</p><p>Quando a população inicial é construída usando sementes, há geralmente uma etapa de pré-processamento com indivíduos gerados aleatoriamente. Nesse processo, esses indivíduos são avaliados de acordo com sua pontuação de fitness. Apenas os que obtêm as melhores pontuações são selecionados para compor a população inicial, favorecendo uma base com soluções promissoras que podem acelerar a convergência do AG para uma solução satisfatória.</p><h4>Função de avaliação (fitness)</h4><p>A função de avaliação, ou fitness, é fundamental em um algoritmo genético, pois orienta a adaptação da população ao indicar quais indivíduos estão mais aptos a avançar para as próximas gerações. Em cada geração, todos os indivíduos são analisados por meio dessa função, que mede a qualidade de cada solução em relação ao problema.</p><p>Para que o processo evolutivo seja eficaz, a função de fitness tem que ser precisa e capaz de distinguir bem entre soluções de qualidade e aquelas menos promissoras. Uma função mal ajustada pode descartar soluções que teriam potencial para melhorar o desempenho do AG, ou ainda priorizar indivíduos que contribuem pouco para o progresso do algoritmo, gerando um desperdício de recursos computacionais.</p><p>Alguns problemas exigem uma função de avaliação multi-objetiva, que considera múltiplos critérios para avaliar cada indivíduo. Em tais casos, cada critério pode ter a mesma importância ou um peso diferenciado, conforme a relevância de cada aspecto para a solução do problema.</p><h4>Os operadores genéticos</h4><p>Após a seleção dos indivíduos, os algoritmos genéticos utilizam dois operadores principais, o cruzamento e a mutação, para formar a próxima geração e manter a diversidade da população. O objetivo do cruzamento é combinar características de dois indivíduos, chamados de pais, para criar novos descendentes (ou filhos), misturando as informações genéticas de ambos. Isso permite o refinamento da busca, pois beneficia a combinação de características favoráveis em um único indivíduo.</p><p><strong>Cruzamento</strong></p><p>O <strong>cruzamento</strong> do tipo<strong> ponto simples</strong> envolve a seleção de dois pais e a escolha aleatória de um ponto de divisão no indivíduo. A partir desse ponto, os filhos são gerados combinando as partes dos pais de acordo com a divisão realizada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/561/0*73WaM6r-0rJF98HO.png" /><figcaption><em>Funcionamento do cruzamento do tipo um ponto. </em>Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><p>No cruzamento <strong>multiponto</strong>, o processo é semelhante, mas mais de um ponto de divisão é escolhido aleatoriamente. Isso permite que várias partes dos pais sejam combinadas para formar os filhos, com o número de pontos determinado por um valor aleatório de K.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/0*kbY2P7l1GYUfsTNE.png" /><figcaption>Funcionamento do cruzamento multiponto com K = 2. Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><p>O cruzamento <strong>uniforme </strong>funciona de maneira diferente, pois utiliza uma máscara aleatória de 0 e 1 para determinar a contribuição de cada pai no nível de gene. A proporção de genes herdados de cada pai depende da taxa de cruzamento definida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/371/0*zhi51dyx3e9UnYpc.png" /><figcaption>Funcionamento do cruzamento uniforme. Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><p><strong>Mutação</strong></p><p>A mutação é responsável por alterar aleatoriamente algumas características genéticas de indivíduos selecionados de acordo com um critério probabilístico. A mutação modifica o indivíduo pai para gerar um filho, aplicando modificações aleatórias em sua representação.</p><p>Na <strong>mutação de inserção</strong>, dois genes aleatórios do indivíduo são selecionados, e o primeiro gene é movido para a posição do segundo, deslocando os outros genes de acordo. Esse tipo de mutação é mais comum em problemas de permutação, pois não altera significativamente a ordem dos genes, apenas sua posição relativa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/484/0*21tSXBB2QIDkTsTb.png" /><figcaption>Funcionamento da mutação de inserção. Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><p>A <strong>mutação de inversão</strong> seleciona dois genes aleatórios e inverte todos os genes entre eles. Isso preserva a adjacência entre os genes, mas perde a ordem original. Essa mutação também é usada em problemas de permutação, permitindo explorar diferentes combinações sem alterar a sequência relativa dos genes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/0*Meh1wpjELk0g-fBc.png" /><figcaption>Funcionamento da mutação de inversão. Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><p>A <strong>mutação uniforme</strong> altera um gene aleatório de acordo com um valor específico que ele pode assumir. O gene escolhido recebe um valor do conjunto de valores possíveis para aquele gene. Esse tipo de mutação é utilizado principalmente em representações de indivíduos com valores reais ou inteiros, permitindo uma maior flexibilidade na variação dos genes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/0*GjvUkBJlH8WSI5CE.png" /><figcaption>Funcionamento da mutação uniforme. Fonte: Mariano (2021) | <a href="https://bioinfo.com.br/">bioinfo.com.br</a></figcaption></figure><h4>Seleção de indivíduos (cromossomos)</h4><p>Várias estratégias podem ser utilizadas para definir quais soluções avançarão para a próxima geração. Uma técnica comum é a <strong>seleção por roleta</strong>, onde a chance de um indivíduo ser selecionado é proporcional ao seu valor de fitness. Nesse método, cada indivíduo ocupa uma área da roleta proporcional à sua aptidão, e a roleta é girada repetidamente, selecionando um indivíduo para a nova geração a cada giro. Dessa forma, indivíduos com fitness mais alto têm mais chances de serem escolhidos, enquanto aqueles com fitness menor são selecionados com menor frequência.</p><p>Outro método de seleção é o <strong>torneio</strong>, que envolve a escolha aleatória de alguns indivíduos da população. Em seguida, compara-se o fitness entre eles, e o mais apto é geralmente escolhido para compor a próxima geração. Esse processo depende de um parâmetro (como um valor de 0,75) que determina a probabilidade de o indivíduo mais apto ser selecionado, permitindo ajustar a pressão seletiva imposta à população.</p><p>A <strong>seleção por fitness</strong> é outra alternativa, onde os indivíduos mais aptos dominam rapidamente a população. Embora isso acelere a convergência do AG, pode levar a um fenômeno chamado de “convergência prematura,” em que o AG se concentra em uma única região do espaço de busca, reduzindo a diversidade e dificultando a busca por soluções variadas.</p><p>Por fim, o <strong>elitismo </strong>é uma técnica de seleção em que os indivíduos com maior fitness são automaticamente preservados na nova geração. Essa abordagem garante que as melhores soluções não sejam descartadas, mantendo a qualidade da população ao longo das gerações e evitando a perda de soluções potencialmente valiosas.</p><h4>Parâmetros</h4><p>Os algoritmos genéticos são configurados com diversos parâmetros que influenciam seu desempenho. O <strong>número de gerações</strong> é um critério de parada importante, onde poucas gerações podem resultar em uma solução insatisfatória, enquanto muitas podem aumentar o tempo computacional. <strong>O tamanho da população</strong>, por sua vez, afeta a diversidade da solução: populações maiores consomem mais tempo, enquanto populações menores podem não explorar adequadamente o espaço de busca.</p><p>A <strong>probabilidade de cruzamento</strong> define a chance de troca de material genético entre indivíduos, ajudando a refinar a busca. Taxas altas podem promover a inovação, mas também o risco de perder boas soluções. A <strong>probabilidade de mutação,</strong> geralmente mais baixa, é usada para evitar que o algoritmo caia em mínimos locais, mantendo a diversidade genética da população. O <strong>tamanho do torneio</strong>, relacionado à seleção por torneio, controla a pressão seletiva para evitar a convergência prematura.</p><p>Cada um desses parâmetros pode ser ajustado conforme o contexto do problema, sendo que valores padrão são frequentemente sugeridos, mas a configuração ideal depende da aplicação específica do AG .</p><h4>Critérios de parada</h4><p>Existem dois critérios principais para o término de um algoritmo genético. O primeiro é baseado nas características dos indivíduos da população. Quando se observa um padrão ótimo entre esses indivíduos, não há mais necessidade de continuar o processo de execução. O segundo critério de parada ocorre quando não se encontra um padrão ótimo claro, e o algoritmo pode ser interrompido por outras condições, como o tempo máximo de execução, o número de gerações atingido, ou o número total de avaliações feitas pela função fitness.</p><p>Além disso, a execução pode ser encerrada quando as melhorias nos indivíduos, resultantes de operadores genéticos e seleção, atingem um limite, sem que mais mudanças significativas ocorram. Geralmente, o AG para quando alcança um valor ótimo ou satisfatório, ou quando uma das condições de parada descritas é atendida.</p><p><em>Exemplo de aplicação interessante:</em></p><p><a href="https://bioinfo.com.br/genetic-active-site-search-gass/">Genetic active site search (GASS)</a></p><p>Enfim, por agora é isso. Nosso próximo estudo vai focar em estratégias evolutivas. Até lá!</p><p><strong><em>Olá, eu sou a Leticia </em></strong>♥︎̤̮</p><p><em>Sou estudante de Ciência da Computação na Universidade Federal do ABC e Desenvolvedora de Software!</em></p><p><em>Para acompanhar mais sobre minha jornada de estudos acadêmicos e outras tecnologias, siga-me no </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><em> e </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. Estou ansiosa para compartilhar mais descobertas com vocês!</em></p><p><em>Caso também tenha experiências ou insights para compartilhar sobre o tema, adoraria ouvir! </em><strong><em>Compartilhe seus pensamentos nos comentários abaixo.</em></strong></p><p><strong><em>Gostou da leitura? Clica nos aplausos aí! </em></strong>👏</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=787b0f2b8587" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Fundamentals of Evolutionary Algorithms]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/fundamentals-of-evolutionary-algorithms-415112d9e908?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/415112d9e908</guid>
            <category><![CDATA[evolutionary-algorithms]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Thu, 07 Nov 2024 19:50:33 GMT</pubDate>
            <atom:updated>2024-11-07T19:50:33.312Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Evolutionary Algorithms (EAs)</strong> are optimization techniques inspired by biological evolution processes, drawing on concepts like natural selection, mutation, and recombination. These algorithms belong to the field of evolutionary computation, and their primary goal is to find solutions to complex optimization problems, often through iterative and adaptive methods. The central idea behind EAs is the evolution of a population of potential solutions over multiple generations, applying selection, crossover (or recombination), and mutation operators to progressively improve solution quality. The fittest individuals are chosen based on a fitness function that evaluates the quality of each solution. Evolutionary Algorithms are widely used in areas such as parameter optimization, complex system design, machine learning, and even in problems with challenging analytical modeling. In this context, EAs offer a robust and flexible approach for tackling high-complexity problems.</p><h4>What is the difference between a Genetic Algorithm and an Evolutionary Algorithm?</h4><p>While they’re often used interchangeably, they represent distinct approaches within evolutionary computation. The primary difference lies in the strategies and structures each uses to represent and evolve solutions, along with their specific operational and application approaches.</p><p>Evolutionary Algorithms represent a broader class of techniques that include different paradigms inspired by biological evolution and adaptation processes. This class includes genetic algorithms but also encompasses other methodologies like evolutionary strategies and evolutionary programming. In an evolutionary algorithm, the emphasis is on selecting individuals based on their adaptability or “fitness” to evolve a population. They do not have a single standard form, allowing variation in representation and specific operators, thus providing greater flexibility to solve a range of optimization and adaptation problems.</p><p>Genetic Algorithms (GAs), on the other hand, are a specific approach within evolutionary algorithms. They use solution representations based on “chromosomes,” where each chromosome is encoded as a sequence (usually binary) representing a possible solution to the problem. GA operation is based on classical genetic operators: crossover (or recombination) and mutation, simulating the biological reproduction process to explore the solution space. GAs also use fitness-based selection to choose individuals for the next generation, prioritizing those that show better adaptation. Moreover, GAs have a more defined and standardized structure and chromosome-based process than other forms of evolutionary algorithms.</p><p>In summary, the main difference is that genetic algorithms are a specific type of evolutionary algorithm with well-established rules and operators and a chromosome structure, while evolutionary algorithms represent a broader family of evolution-based methods, allowing varied approaches and representations depending on the type of problem to be solved.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*WVjTH7rHt5ELesLJosCY_A.png" /><figcaption>Flow Chart of Genetic Algorithm with all steps involved from beginning until termination conditions</figcaption></figure><h4><strong>Concepts</strong></h4><ul><li><strong>Individual</strong>: A specific solution represented by a chromosome.</li><li><strong>Chromosome</strong>: The computational encoding of a solution, also known as the genotype.</li><li><strong>Phenotype</strong>: The decoded version of the chromosome, representing the solution in the real world.</li><li><strong>Fitness</strong>: Also called the fitness function, it assesses the quality of an individual, usually by maximizing a specific objective.</li><li><strong>Population</strong>: The set of all individuals in a generation.</li><li><strong>Crossover</strong>: Also known as recombination, it is a high-order process that creates new individuals by combining two or more parents.</li><li><strong>Mutation</strong>: A function that makes random changes to an individual.</li></ul><h4>Genetic Operators</h4><ul><li><strong>Recombination</strong>: Selects two parent individuals and combines them to produce two offspring, who share characteristics of both parents, taking into account each parent’s fitness level.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/0*DwWA-LI2iiHMUmQW.png" /><figcaption>Recombination</figcaption></figure><ul><li><strong>Mutation</strong>: Makes a random modification to a characteristic of a randomly selected individual, introducing variation into the population.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/0*b2MG3BwZ8RU4w61A.png" /><figcaption>Mutation</figcaption></figure><ul><li><strong>Selection</strong>: Chooses an individual from a generation to be part of the next one (either directly or through recombination), based on its fitness value, favoring the more adapted individuals.</li></ul><h4><strong>Evolutionary Meta-heuristics</strong></h4><ul><li><strong>Genetic Algorithms</strong>: Proposed by Holland, these algorithms aim to study adaptation phenomena, using evolutionary processes to solve complex problems.</li><li><strong>Evolution Strategies</strong>: Introduced by Rechenberg, these strategies aim to optimize parameters of nonlinear functions, employing an evolution process similar to natural organisms.</li><li><strong>Evolutionary Programming</strong>: Created by Fogel and colleagues, this approach proposes representing a solution as a finite state machine, seeking to evolve solutions over multiple generations.</li><li><strong>Genetic Programming</strong>: Proposed by Koza, its focus is the evolution of computer programs, utilizing principles of selection and recombination to generate programs that solve specific problems.</li></ul><h4><strong>Gallery</strong></h4><p><em>A two-population EA search over a constrained Rosenbrock function with bounded global optimum.</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two-population_EA_search_(2).gif">Two-population EA search (2).gif</a></p><p><em>A two-population EA search over a constrained Rosenbrock function. Global optimum is not bounded.</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two-population_EA_search_(3).gif">Two-population EA search (3).gif</a></p><p><em>Estimation of distribution algorithm over Keane’s function.</em></p><p><a href="https://en.wikipedia.org/wiki/File:Estimation_of_Distribution_Algorithm_animation.gif">Estimation of Distribution Algorithm animation.gif</a></p><p><em>A two-population EA search of a bounded optima of Simionescu’s function.</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two_population_EA_animation.gif">Two population EA animation.gif</a></p><p>Well, that’s it for now! Our next story will focus on genetic algorithms. We’ll explore how they work with chromosomes to create new solutions. See you then!</p><p><strong><em>Hi, I’m Leticia ♥︎̤̮</em></strong></p><p><em>I’m a Computer Science student at the Federal University of ABC and a Software Developer!</em></p><p><em>To follow more about my academic journey and other technologies, follow me on </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><strong><em> </em></strong><em>and </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. I look forward to sharing more discoveries with you!</em></p><p><em>If you have any experiences or insights to share on the topic, I’d love to hear them! </em><strong><em>Feel free to drop your thoughts in the comments below.</em></strong></p><p><em>Did you enjoy the read? Click the applause button! 👏</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=415112d9e908" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Conceitos Básicos de Algoritmos Evolucionários]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/conceitos-b%C3%A1sicos-de-algoritmos-evolucion%C3%A1rios-8e47c79a3205?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8e47c79a3205</guid>
            <category><![CDATA[algoritmos-evolutivos]]></category>
            <category><![CDATA[computação]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Thu, 07 Nov 2024 19:26:33 GMT</pubDate>
            <atom:updated>2024-11-07T19:50:54.565Z</atom:updated>
            <content:encoded><![CDATA[<p>Os <strong>Algoritmos Evolucionários (AEs)</strong> são técnicas de otimização inspiradas nos processos de evolução biológica, baseadas em conceitos como seleção natural, mutação e recombinação. Esses algoritmos pertencem ao campo da <strong>computação evolutiva</strong>, e seu objetivo principal é buscar soluções para problemas complexos de otimização, muitas vezes de forma iterativa e adaptativa. A ideia central por trás dos AEs é a evolução de uma população de possíveis soluções ao longo de várias gerações, aplicando operadores de seleção, cruzamento (ou recombinação) e mutação, com o objetivo de aprimorar progressivamente a qualidade das soluções. A seleção dos indivíduos mais aptos é realizada com base em uma função de aptidão, que avalia a qualidade de cada solução. Os Algoritmos Evolucionários são amplamente utilizados em uma variedade de áreas, como otimização de parâmetros, design de sistemas complexos, aprendizado de máquinas e até mesmo em problemas de difícil modelagem analítica. Neste contexto, os AEs oferecem uma abordagem robusta e flexível para lidar com problemas de alta complexidade.</p><h4>Qual a diferença entre um Algoritmo Genético e um Algoritmo Evolucionário?</h4><p>Embora eles sejam muitas vezes usados de forma intercambiável, eles representam abordagens distintas dentro do campo da computação evolutiva. A principal diferença entre eles está nas estratégias e estruturas que cada um utiliza para representar e evoluir soluções, além de suas abordagens específicas de operação e aplicação.</p><p>Os Algoritmos Evolucionários são uma classe mais ampla de técnicas que incluem diferentes paradigmas inspirados em processos biológicos de evolução e adaptação. Esse conjunto inclui os algoritmos genéticos, mas também abrange outras metodologias, como estratégias evolutivas e programação evolutiva. Em um algoritmo evolucionário, a ênfase é na seleção de indivíduos com base em sua adaptabilidade ou “fitness” para evoluir uma população. Eles não possuem uma única forma padrão, podendo variar em termos de representação e operadores específicos, permitindo uma maior flexibilidade para resolver diversos tipos de problemas de otimização e adaptação.</p><p>Já os Algoritmos Genéticos (AGs), são uma abordagem específica dentro dos algoritmos evolucionários. Eles utilizam representações de soluções baseadas em “cromossomos”, onde cada cromossomo é codificado como uma sequência (geralmente binária) que representa uma possível solução para o problema. A operação dos AGs é baseada em operadores genéticos clássicos: crossover (ou recombinação) e mutação. Esses operadores simulam o processo de reprodução biológica para explorar o espaço de soluções. Os AGs também aplicam uma seleção baseada em fitness para escolher os indivíduos que formarão a próxima geração, priorizando aqueles que demonstram melhor adaptação. Além disso, os AGs possuem uma estrutura e um processo mais definidos e padronizados em comparação com outras formas de algoritmos evolucionários.</p><p>Resumidamente, a principal diferença é que <strong>os algoritmos genéticos são um tipo específico de algoritmo evolucionário</strong>, com regras e operadores bem estabelecidos e uma estrutura de cromossomo, enquanto os algoritmos evolucionários representam uma família mais abrangente de métodos baseados em evolução, permitindo abordagens e representações variadas conforme o tipo de problema a ser resolvido.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/594/0*vqsJiiAsyCKWAK5_.png" /><figcaption>Funcionamento de um Algoritmos Genético padrão. Fonte: Izidoro et al. (2014).</figcaption></figure><h4>Conceitos</h4><ul><li><strong>Indivíduo:</strong> é uma solução específica representada por um cromossomo.</li><li><strong>Cromossomo:</strong> a codificação computacional de uma solução, também conhecida como genótipo.</li><li><strong>Fenótipo:</strong> é a versão decodificada do cromossomo, que representa a solução no mundo real.</li><li><strong>Fitness:</strong> também chamada de função de aptidão, é uma função que avalia a qualidade de um indivíduo, normalmente maximizando um objetivo específico.</li><li><strong>População:</strong> o conjunto de todos os indivíduos presentes em uma geração.</li><li><strong>Cruzamento:</strong> também conhecido como recombinação ou crossover, é um processo de alta-ordem que cria novos indivíduos ao combinar dois ou mais pais.</li><li><strong>Mutação:</strong> uma função que faz alterações aleatórias em um indivíduo.</li></ul><h4>Operadores genéticos</h4><ul><li><strong>Recombinação:</strong> seleciona dois indivíduos pais e os combina para gerar dois novos filhos que compartilham características dos pais, levando em consideração o nível de fitness de cada um.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/0*sl7OIYIXd2GeHlSk.png" /><figcaption>Recombinação</figcaption></figure><ul><li><strong>Mutação:</strong> faz uma modificação aleatória em uma característica de um indivíduo selecionado de forma aleatória, introduzindo variação na população.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/0*2weEtxgDzkMqwhVZ.png" /><figcaption>Mutação</figcaption></figure><ul><li><strong>Seleção:</strong> escolhe um indivíduo de uma geração para fazer parte da próxima (diretamente ou por recombinação), com base em seu valor de fitness, favorecendo os mais adaptados.</li></ul><h4>Meta-heurísticas evolucionárias</h4><ul><li><strong>Algoritmos Genéticos</strong>: Propostos por Holland, esses algoritmos visam estudar os fenômenos de adaptação, utilizando processos evolutivos para resolver problemas complexos.</li><li><strong>Estratégias Evolutivas</strong>: Introduzidas por Rechenberg, têm como objetivo otimizar parâmetros de funções não-lineares, utilizando um processo de evolução semelhante ao de organismos naturais.</li><li><strong>Programação Evolutiva</strong>: Criada por Fogel e colegas, propõe a representação de uma solução como uma máquina de estados finitos, buscando a evolução de soluções ao longo de várias gerações.</li><li><strong>Programação Genética</strong>: Proposta por Koza, seu foco é a evolução de programas de computador, utilizando princípios de seleção e recombinação para gerar programas que resolvam problemas específicos.</li></ul><h4>Galeria</h4><p><em>Busca de algoritmo evolucionário de duas populações sobre uma função de Rosenbrock restrita com o ótimo global limitado</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two-population_EA_search_(2).gif">Two-population EA search (2).gif</a></p><p><em>Uma busca EA de duas populações sobre uma função Rosenbrock restrita . O ótimo global não é limitado.</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two-population_EA_search_(3).gif">Two-population EA search (3).gif</a></p><p><em>Algoritmo de estimativa de distribuição sobre a função de Keane</em></p><p><a href="https://en.wikipedia.org/wiki/File:Estimation_of_Distribution_Algorithm_animation.gif">Estimation of Distribution Algorithm animation.gif</a></p><p><em>Uma busca EA de duas populações de um ótimo limitado da função de Simionescu</em></p><p><a href="https://en.wikipedia.org/wiki/File:Two_population_EA_animation.gif">Two population EA animation.gif</a></p><p>Enfim, por agora é isso. Nossa próxima história vai focar nos algoritmos genéticos. Vamos explorar como eles trabalham com cromossomos para criar novas soluções. Até lá!</p><p><strong><em>Olá, eu sou a Leticia </em></strong>♥︎̤̮</p><p><em>Sou estudante de Ciência da Computação na Universidade Federal do ABC e Desenvolvedora de Software!</em></p><p><em>Para acompanhar mais sobre minha jornada de estudos acadêmicos e outras tecnologias, siga-me no </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><em> e </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. Estou ansiosa para compartilhar mais descobertas com vocês!</em></p><p><em>Caso também tenha experiências ou insights para compartilhar sobre o tema, adoraria ouvir! </em><strong><em>Compartilhe seus pensamentos nos comentários abaixo.</em></strong></p><p><strong><em>Gostou da leitura? Clica nos aplausos aí! </em></strong>👏</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8e47c79a3205" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Introduction to Bioinspired Algorithms]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/introduction-to-bioinspired-algorithms-8cd942b5327a?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8cd942b5327a</guid>
            <category><![CDATA[genetic-algorithm]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Wed, 06 Nov 2024 19:04:50 GMT</pubDate>
            <atom:updated>2024-11-06T19:14:24.572Z</atom:updated>
            <content:encoded><![CDATA[<p>Continuing with my academic studies, I am currently taking the course on <strong>Evolutionary and Connectionist Computing</strong>, and I decided to share my learnings about the topic here on Medium. The goal is to create a progressive learning journey, where I can both deepen my knowledge and help others better understand the subject.</p><p><strong>Bioinspired algorithms</strong> are computational techniques developed based on natural phenomena, biological processes, and behaviors observed in living systems. They mimic mechanisms of natural selection, collective behavior, or even the evolutionary development of species, aiming to solve complex optimization problems such as maximum and minimum problems and search problems. These algorithms are particularly useful for problems where the search space is vast or comes with multiple constraints, which are difficult to solve using conventional methods.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*8odxTJbTeNmDNpp-" /></figure><h4>Main Types:</h4><p><strong>Genetic Algorithms (GA)</strong>: Inspired by Darwin’s theory of evolution, these algorithms use processes like selection, crossover, and mutation to generate better solutions over successive “generations.” They start with an initial population of candidate solutions and refine these solutions through evolutionary operators. They are widely used in optimization and search problems where the goal is to maximize or minimize an objective function.</p><p><strong>Ant Colony Optimization (ACO)</strong>: Based on the collective behavior of ants searching for food, ants deposit a substance called pheromone along their paths, which other ants follow, reinforcing shorter and more efficient routes. This principle is applied in pathfinding and route optimization problems, like the traveling salesman problem.</p><p><strong>Particle Swarm Optimization (PSO)</strong>: Inspired by the collective behavior of swarms, such as schools of fish or flocks of birds, PSO uses a population of particles that “fly” through the search space. Each particle adjusts its position based on its own experience and the experiences of its neighbors, converging on high-quality solutions. PSO is efficient in continuous optimization problems, such as parameter tuning and process control.</p><p><strong>Bees Algorithm</strong>: Inspired by the behavior of bees searching for nectar, this algorithm simulates how bees explore and exploit flowers in search of food. The bees are sent to different areas of the search space, where they “explore” the best solutions and “abandon” less promising areas. This algorithm is used in combinatorial optimization and problems with multiple solution peaks.</p><p><strong>Firefly Algorithm</strong>: Inspired by the behavior of fireflies, this algorithm simulates the attraction of fireflies to brighter fireflies, representing more promising solutions. It is particularly useful for multimodal function optimization, where multiple local optima coexist.</p><h4>Exploration and Exploitation Concepts:</h4><p><strong>Exploration </strong>refers to the search for new areas in the solution space, allowing the algorithm to discover uncharted regions where potentially better solutions may exist. The goal is to avoid premature convergence to a local solution by exploring different directions and ensuring the algorithm has a broad view of the search space. In optimization algorithms, this usually involves taking larger steps or adding randomness, which helps the model escape local optima (or local minima) and search for solutions closer to the global optimum.</p><p><strong>Exploitation </strong>focuses on refining and improving already found solutions, investigating the area around the best current solutions to fine-tune them to the maximum. In this strategy, the algorithm uses the knowledge of the best solutions already discovered to focus efforts where the chances of improvement are highest. The focus is on adjusting the current solution using smaller steps to explore in more detail and quickly converge to a local optimum.</p><p>Finding the right balance between exploration and exploitation is essential because each strategy has its advantages and limitations. When the algorithm focuses too much on exploration, it may take too long to converge, spending more time searching new areas of the solution space and less time improving the found solutions, leading to broad search but less efficiency in terms of time. On the other hand, if the algorithm focuses too much on exploitation, it tends to converge quickly to a suboptimal solution because it explores only areas very close to the initial solutions and risks getting “stuck” in local optima, without reaching the true global optimum. The balance between these two strategies is therefore crucial to ensure the algorithm can explore the search space broadly while concentrating efforts on optimizing promising solutions. Many optimization algorithms have mechanisms to adjust this balance, increasing exploration at the beginning of the search and gradually intensifying exploitation as they approach a satisfactory solution, which helps maximize efficiency and effectiveness in the search for the best solution.</p><h4>Heuristics and Metaheuristics:</h4><p>Heuristics and metaheuristics are approaches used in optimization problems, especially in cases where exact methods become infeasible due to the complexity or size of the problem. Both concepts seek good or satisfactory solutions, but each has specific characteristics and applications.</p><p><strong>Heuristics</strong> are rules or strategies designed to solve problems quickly and practically, but without guaranteeing that the obtained solution is the optimal one. They are based on specific knowledge of the problem and generally explore known features of the search space, making them more efficient in terms of time but less precise.</p><p><strong>Metaheuristics</strong> are more advanced methods that guide the search for solutions more generally and are applicable to a wide variety of optimization problems. They combine principles from various heuristics and exploration-exploitation mechanisms, aiming to escape local optima and increase the chances of finding the global optimal solution. Metaheuristics are ideal for complex problems where the search space is vast or the problem structure prevents efficient exact searches.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/689/1*0u__Wv8ULO130WOlO354cA.png" /></figure><p>In summary, bioinspired algorithms represent a unique approach to solving complex optimization and search problems across various fields of knowledge. Inspired by natural processes, they balance exploration and exploitation to maximize efficiency in the search for solutions, adapting to large search spaces and constraints. In future posts, I will dive deeper into each of these algorithms, exploring in detail how they work and where they can be applied.</p><p><strong><em>Hi, I’m Leticia ♥︎̤̮</em></strong></p><p><em>I’m a Computer Science student at the Federal University of ABC and a Software Developer!</em></p><p><em>To follow more about my academic journey and other technologies, follow me on </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><strong><em> </em></strong><em>and </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. I look forward to sharing more discoveries with you!</em></p><p><em>If you have any experiences or insights to share on the topic, I’d love to hear them! </em><strong><em>Feel free to drop your thoughts in the comments below.</em></strong></p><p><em>Did you enjoy the read? Click the applause button! 👏</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8cd942b5327a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Introduction to Machine Learning Concepts with R: Matrices, Graphs, and More]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/introduction-to-machine-learning-concepts-with-r-matrices-graphs-and-more-0ebcbed42ecb?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/0ebcbed42ecb</guid>
            <category><![CDATA[r]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[university]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Wed, 06 Nov 2024 18:47:50 GMT</pubDate>
            <atom:updated>2024-11-06T19:04:13.519Z</atom:updated>
            <content:encoded><![CDATA[<p>This semester at university, I’m taking a Machine Learning course and have decided to share my studies on the topic here on Medium. The idea is to use this platform as a form of active learning, where, by writing about the concepts studied, I can reinforce my understanding and also contribute with content that might be helpful to those diving deeper into the subject. I’ll cover everything from theoretical foundations to practical applications, providing a more detailed view of the field and the challenges involved.</p><h4>What is Machine Learning?</h4><blockquote>“Machine learning is the field of study that gives computers the ability to learn without being explicitly programmed.”</blockquote><blockquote>Arthur Samuel, 1959</blockquote><p><strong>Objective: </strong>Develop algorithms capable of “learning” or identifying patterns from provided data.</p><p><strong>Machine Learning</strong> can be described as:</p><ul><li>A set of algorithms designed to perform such tasks.</li><li>A theory that aims to understand the processes through which learning occurs, providing guarantees and limits on algorithm behavior in new contexts.</li><li>A guide on which algorithms to choose for different problems.</li><li>A field that contributes to creating new, more efficient algorithms suited to novel challenges.</li></ul><p>There are different terms to describe the same concept:</p><ul><li><strong>Machine Learning</strong></li><li><strong>Statistical Learning</strong></li><li><strong>Pattern Recognition</strong></li></ul><p>This field is also often divided into different types of problems.</p><p>The main ones include:</p><p><strong>Supervised Learning</strong></p><ul><li>Classification</li><li>Regression</li></ul><p><strong>Unsupervised Learning</strong></p><ul><li>Clustering</li><li>Dimensionality Reduction (when no labels are available)</li></ul><p><strong>Reinforcement Learning</strong></p><p>In a future post, I can dive deeper into each of these… But for now, let’s jump into the hands-on part! :D</p><p>In this course, we’ll use R for practical exercises. So, as a first exercise, let’s solve a linear system problem.</p><h4><strong>Exercise 1:</strong></h4><p>Solve the following linear system <em>Ax = b</em> using the <em>solve</em> function:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/224/0*HA_y-8ZgwPBvvqz8.png" /></figure><p>Solution:</p><pre>A &lt;- matrix(c(12, -1, -5, 0, -1, 7, 2, -1, -5, 2, 10, 1, 0, -1, 1, 3), byrow = FALSE, nrow = 4)<br>b &lt;- c(1, 2, 3, 4)<br>x &lt;- solve(A, b)<br>x</pre><p>Result:</p><pre>## [1] 0.1873874 0.4738739 0.1549550 1.4396396</pre><h4><strong>Exercise 2:</strong></h4><p>A symmetric matrix <em>A ∈ R^n</em>x<em>n</em> <em>(i.e., A^t=A)</em> is definite positive if, for every vector <em>x ∈ R^n</em> different from the zero vector, we have:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/86/0*MlBu_RKhrutWszqp.png" /></figure><p>A criterion used to verify whether a symmetric matrix is positive definite is called the “Sylvester’s criterion,” which states:</p><p><strong>Sylvester’s criterion:</strong> <em>A ∈ R^n</em>x<em>n</em> is positive definite if and only if <em>A</em> has a positive determinant, and all of the submatrices listed below have a positive determinant:</p><ul><li>The 1 × 1 submatrix formed by the first row and first column;</li><li>The 2 × 2 submatrix formed by the first two rows and columns;</li><li>…</li><li>The (n − 1) × (n − 1) submatrix formed by the first (n − 1) rows and columns.</li></ul><p>Write an R function that takes a matrix A as an argument and returns TRUE or FALSE depending on whether it’s positive definite or not (use slicing to construct the submatrix and the det function to calculate the determinant). Test your function on matrix A from the previous exercise, which is positive definite.</p><p>Solution:</p><pre>matrix_positiva_definida &lt;- function(A) {<br>  # Checking symmetry<br>  if (!all(A == t(A))) {<br>    return(FALSE)<br>  }<br><br># Calculating the determinants of the submatrices<br>n &lt;- nrow(A) <br>for (i in 1:n) {<br>  # Getting the submatrix of size i x i, ensuring it is a matrix with drop = FALSE<br>  submatrix &lt;- A[1:i, 1:i, drop = FALSE]<br><br>  det_submatrix &lt;- det(submatrix)<br><br>  # If the determinant is less than or equal to 0, it is not positive definite<br>  if (det(submatrix) &lt;= 0) {<br>    return(FALSE)<br>  }<br>}<br>return(TRUE)<br>}</pre><p>Testing with the matrix <em>A</em> from the previous example:</p><pre>A &lt;- matrix(c(12, -1, -5, 0, -1, 7, 2, -1, -5, 2, 10, 1, 0, -1, 1, 3), byrow = FALSE, nrow = 4)<br>matrix_positive_definite(A)</pre><p>Result:</p><pre>## [1] TRUE</pre><h4><strong>Exercise 3:</strong></h4><p>Using <em>ggplot2</em>, create plots of the sine and cosine functions for angles ranging from [−2π, 2π]. Display both functions in the same figure.</p><p>Solution:</p><pre>library(ggplot2)<br>angles &lt;- seq(-2 * pi, 2 * pi, length.out = 100)<br><br>sine_values &lt;- sin(angles)<br>cosine_values &lt;- cos(angles)<br><br>data &lt;- data.frame(<br>  Angle = angles,<br>  Sine = sine_values,<br>  Cosine = cosine_values<br>)<br><br>ggplot(data, aes(x = Angle)) +<br>  geom_line(aes(y = Sine, color = &quot;Sine&quot;), size = 1.2) + # Line for sine<br>  geom_line(aes(y = Cosine, color = &quot;Cosine&quot;), size = 1.2) + # Line for cosine<br>  geom_point(aes(y = Sine, color = &quot;Sine&quot;), shape = 19, size = 2) + # Points for sine<br>  geom_point(aes(y = Cosine, color = &quot;Cosine&quot;), shape = 17, size = 2) + # Points for cosine<br>  labs(title = &quot;Graph of Sine and Cosine Functions&quot;,<br>       x = &quot;Angle (radians)&quot;,<br>       y = &quot;Value&quot;,<br>       color = &quot;Function&quot;) +<br>  theme_minimal(base_size = 15) +<br>  theme(<br>    plot.title = element_text(hjust = 0.5, face = &quot;bold&quot;), # Center title<br>    legend.position = &quot;top&quot;, # Legend position<br>    panel.grid.major = element_line(color = &quot;lightgrey&quot;, linetype = &quot;dashed&quot;), # Major grid lines<br>    panel.grid.minor = element_blank() # No minor grid lines<br>  ) +<br>  scale_color_manual(values = c(&quot;Sine&quot; = &quot;purple&quot;, &quot;Cosine&quot; = &quot;orange&quot;))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*MB5h7892h5CJNRD0U-IviQ.png" /></figure><p><strong>Exercise 4:</strong></p><p>We know that the solutions of linear systems obtained on the computer, as in Exercise 01, are approximate, since real numbers are represented approximately on the computer. When the matrix of a linear system is ill-conditioned, the solutions obtained by the computer may have their errors significantly amplified. We can measure the ill-conditioning of an invertible matrix A using the condition number, which is defined as:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/157/0*lY-U_NQtGdnuv2tO.png" /></figure><p>In which ∥·∥ is a matrix norm and <em>A⁻¹ </em>is the inverse of <em>A</em>. The larger the value of <em>κ(A),</em> the more ill-conditioned the matrix is. That is, more numerical errors are expected when we receive the solution of the linear system calculated by the computer. We can calculate the condition number in R using the <em>kappa </em>function.</p><p>It is possible to modify a symmetric matrix <em>A ∈ \(R^{nxn}\)</em> to make it better conditioned. One way to do this is by increasing the values of its diagonal elements. This process is sometimes used in machine learning, as we will see later (for example, it appears in the regularization process of Ridge Regression). In this exercise, we want to create a plot of the condition number of A as we increase the elements of its diagonal.</p><p>To do this, use a symmetric matrix <em>A</em> generated randomly by the following process:</p><pre>set.seed(1)<br>X = matrix(runif(100,-1,1),nrow=10)<br>A = t(X) %*% X</pre><p>In other words, first we generate a matrix <em>X ∈ R¹⁰×10</em> with random values between [-1, 1]. Then we create <em>A := X^tX</em>, which will be symmetric. The function set.seed initializes the random number generator seed, so the resulting random matrix will always be the same.</p><p><strong><em>Tips:</em></strong> Use the diag function to generate an identity matrix (for example, try what diag(3) does), and then calculate the condition number of <em>A</em> with the diagonal elements incremented by λ:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/112/0*uL2ZPh4l3qgQC1aG.png" /></figure><p>, where λ ≥ 0, and <em>I ∈ R^d×d</em> is the identity matrix.</p><p>Solution:</p><pre>set.seed(1)<br>X = matrix(runif(100, -1, 1), nrow = 10)<br>A = t(X) %*% X<br><br>lambda_values &lt;- seq(0, 10, by = 0.1)<br><br># Vector to store the condition numbers<br>cond_numbers &lt;- numeric(length(lambda_values))<br><br># Condition number for each lambda value<br>for (i in seq_along(lambda_values)) {<br>  lambda &lt;- lambda_values[i]<br>  <br>  # Matrix A for A&#39; = A + lambda * I<br>  A_mod &lt;- A + lambda * diag(10)<br>  <br>  # Condition number using the kappa function<br>  cond_numbers[i] &lt;- kappa(A_mod)<br>}<br><br># Plot<br><br>library(ggplot2)<br><br>data &lt;- data.frame(<br>  Lambda = lambda_values,<br>  Condition_Number = cond_numbers<br>)<br><br>ggplot(data, aes(x = Lambda, y = Condition_Number)) +<br>  geom_line(color = &quot;purple&quot;, size = 1) +<br>  labs(title = &quot;Condition Number vs. Lambda&quot;,<br>  x = expression(lambda),<br>  y = &quot;Condition Number&quot;) +<br>theme_minimal(base_size = 15) +<br>theme(plot.title = element_text(hjust = 0.5, face = &quot;bold&quot;),<br>  legend.position = &quot;top&quot;, # Legend position<br>panel.grid.major = element_line(color = &quot;lightgrey&quot;, linetype = &quot;dashed&quot;), # Major grid lines<br>panel.grid.minor = element_blank() # No minor grid lines<br>)<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*CMmITC6911wyKfPhKM0N_Q.png" /></figure><p>That’s all for today! See you next week! :)</p><p><strong><em>Hi, I’m Leticia ♥︎̤̮</em></strong></p><p><em>I’m a Computer Science student at the Federal University of ABC and a Software Developer!</em></p><p><em>To follow more about my academic journey and other technologies, follow me on </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><strong><em> </em></strong><em>and </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. I look forward to sharing more discoveries with you!</em></p><p><em>If you have any experiences or insights to share on the topic, I’d love to hear them! </em><strong><em>Feel free to drop your thoughts in the comments below.</em></strong></p><p><em>Did you enjoy the read? Click the applause button! 👏</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0ebcbed42ecb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Introdução aos Algoritmos Bioinspirados]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/introdu%C3%A7%C3%A3o-aos-algoritmos-bioinspirados-ca505c32669a?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/ca505c32669a</guid>
            <category><![CDATA[genetic-algorithm]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Tue, 05 Nov 2024 21:08:53 GMT</pubDate>
            <atom:updated>2024-11-05T21:12:00.518Z</atom:updated>
            <content:encoded><![CDATA[<p>Seguindo meus estudos acadêmicos, estou cursando a disciplina de <strong>Computação Evolutiva e Conexionista</strong> e decidi também compartilhar meus estudos sobre o tema aqui no Medium. O objetivo é criar uma jornada de aprendizado progressiva, onde posso tanto aprofundar meu conhecimento quanto ajudar outros a entenderem melhor sobre o tema.</p><p>Algoritmos bioinspirados são técnicas computacionais desenvolvidas com base em fenômenos naturais, processos biológicos e comportamentos observados em sistemas vivos. Eles imitam mecanismos de seleção natural, comportamento coletivo, ou mesmo o desenvolvimento evolutivo de espécies, com o objetivo de resolver problemas complexos de otimização de funções como problemas de máximos e mínimos e problemas de busca. Esses algoritmos são úteis para problemas onde o espaço de busca é vasto ou com várias restrições, sendo difíceis de resolver por métodos convencionais.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*dR_WYf52POnjUQim" /></figure><h4>Principais Tipos:</h4><p><strong>Algoritmos Genéticos (AG)</strong>: Inspirados na teoria da evolução de Darwin, utilizam processos como seleção, cruzamento e mutação para gerar soluções melhores ao longo de sucessivas “gerações”. Eles começam com uma população inicial de soluções candidatas e, por meio de operadores evolutivos, refinam essas soluções. São amplamente usados em problemas de otimização e busca onde se deseja maximizar ou minimizar uma função objetivo.</p><p><strong>Algoritmos de Colônia de Formigas (ACO — Ant Colony Optimization)</strong>: Baseiam-se no comportamento coletivo das formigas em busca de alimentos. As formigas depositam uma substância chamada feromônio ao longo de seus caminhos, que outras formigas seguem, reforçando as rotas mais curtas e eficientes. Esse princípio é usado em problemas de otimização de trajetos e caminhos, como o problema do caixeiro viajante.</p><p><strong>Algoritmos de Enxame de Partículas (PSO — Particle Swarm Optimization)</strong>: Inspirado no comportamento coletivo de enxames, como cardumes de peixes e bandos de pássaros, o PSO usa uma população de partículas que “voam” pelo espaço de busca. Cada partícula ajusta sua posição baseada em sua experiência e na de seus vizinhos, convergindo para soluções de alta qualidade. PSO é eficiente em problemas de otimização contínua, como ajuste de parâmetros e controle de processos.</p><p><strong>Algoritmo de Otimização por Colônia de Abelhas (Bees Algorithm)</strong>: Inspirado pelo comportamento das abelhas na busca de néctar, este algoritmo simula a maneira como as abelhas exploram e exploram flores em busca de comida. As abelhas são enviadas para diferentes áreas do espaço de busca, onde “exploram” as melhores soluções e “abandonam” áreas menos promissoras. Esse algoritmo é utilizado em otimização combinatória e em problemas com múltiplos picos de solução.</p><p><strong>Algoritmo de Otimização por Enxame de Vagalumes (Firefly Algorithm)</strong>: Inspirado pelo comportamento dos vaga-lumes, este algoritmo simula a atração dos vaga-lumes por outros vaga-lumes mais brilhantes, que representam soluções mais promissoras. Ele é particularmente útil para otimização de funções multimodais, onde várias soluções ótimas locais coexistem.</p><h4>Conceito de Exploração e Explotação</h4><p>A <strong>exploração</strong> refere-se à busca de novas áreas no espaço de solução, permitindo que o algoritmo descubra regiões inexploradas onde uma solução potencialmente melhor pode existir. O objetivo é evitar uma convergência prematura para uma solução local, investigando diferentes direções e garantindo que o algoritmo tenha uma visão ampla do espaço de busca. Em algoritmos de otimização, isso geralmente envolve realizar passos maiores ou adicionar aleatoriedade, o que ajuda o modelo a sair de ótimos locais (ou mínimos locais) e procurar soluções mais próximas do ótimo global.</p><p>A <strong>explotação</strong> foca em refinar e melhorar soluções já encontradas, investigando a área ao redor das melhores soluções atuais para ajustá-las ao máximo. Nesta estratégia, o algoritmo utiliza o conhecimento das melhores soluções já descobertas para concentrar seus esforços onde as chances de melhora são maiores. O foco é ajustar a solução atual, usando passos menores para explorar de maneira mais detalhada, e assim convergir rapidamente para um ponto ótimo local.</p><p>Encontrar o equilíbrio certo entre exploração e explotação é essencial, pois cada estratégia tem suas vantagens e limitações. Quando o algoritmo foca excessivamente na exploração, ele pode demorar muito para convergir, já que passa mais tempo buscando novas áreas do espaço de soluções e menos tempo aprimorando as soluções encontradas, o que resulta em uma busca ampla, mas menos eficiente em termos de tempo. Por outro lado, se o algoritmo concentra-se demais na explotação, tende a convergir rapidamente para uma solução subótima, pois explora apenas áreas muito próximas das soluções iniciais e corre o risco de ficar “preso” em ótimos locais, sem atingir o verdadeiro ótimo global. O equilíbrio entre essas duas estratégias é, portanto, essencial para garantir que o algoritmo possa explorar amplamente o espaço de busca, ao mesmo tempo em que concentra esforços na otimização das soluções promissoras. Muitos algoritmos de otimização possuem mecanismos para ajustar esse equilíbrio, aumentando a exploração no início da busca e gradualmente intensificando a explotação conforme se aproxima de uma solução satisfatória, o que ajuda a maximizar a eficiência e a eficácia na busca pela melhor solução.</p><h4>Heurísticas e meta-heurísticas</h4><p>São abordagens utilizadas em problemas de otimização, especialmente em casos onde métodos exatos se tornam inviáveis devido à complexidade ou tamanho do problema. Ambos os conceitos buscam soluções boas ou satisfatórias, mas cada um possui características e aplicações específicas.</p><p>As <strong>heurísticas</strong> são regras ou estratégias de solução projetadas para resolver problemas de forma rápida e prática, mas sem garantir que a solução obtida seja a ótima. Elas se baseiam em conhecimentos específicos sobre o problema e geralmente exploram características conhecidas do espaço de busca, o que as torna mais eficientes em termos de tempo, mas podem ser menos precisas.</p><p>As <strong>meta-heurísticas</strong> são métodos mais avançados que orientam a busca por soluções de forma mais geral e são aplicáveis a uma ampla variedade de problemas de otimização. Elas combinam princípios de diversas heurísticas e mecanismos de exploração e explotação, visando escapar de ótimos locais e aumentar as chances de encontrar a solução ótima global. São ideais para problemas complexos onde o espaço de busca é muito grande ou a estrutura do problema impede uma busca exata eficiente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*IPwXYu3gWUmhkimQ3ox0rA.png" /></figure><p>Em resumo, os algoritmos bioinspirados representam uma abordagem única para resolver problemas complexos de otimização e busca em diversas áreas do conhecimento. Inspirados por processos naturais, eles equilibram exploração e explotação para maximizar a eficiência na busca por soluções, adaptando-se a espaços de busca amplos e restrições. Nos próximos textos, irei me aprofundar em cada um desses algoritmos, explorando em detalhes como funcionam e onde podem ser aplicados.</p><p><strong><em>Olá, eu sou a Leticia </em></strong>♥︎̤̮</p><p><em>Sou estudante de Ciência da Computação na Universidade Federal do ABC e Desenvolvedora de Software!</em></p><p><em>Para acompanhar mais sobre minha jornada de estudos acadêmicos e outras tecnologias, siga-me no </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><em> e </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. Estou ansiosa para compartilhar mais descobertas com vocês!</em></p><p><em>Caso também tenha experiências ou insights para compartilhar sobre o tema, adoraria ouvir! </em><strong><em>Compartilhe seus pensamentos nos comentários abaixo.</em></strong></p><p><strong><em>Gostou da leitura? Clica nos aplausos aí! </em></strong>👏</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ca505c32669a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Introdução de Conceitos de Aprendizado de Máquinas com R: Matrizes, Gráficos e Mais]]></title>
            <link>https://medium.com/@leticiamartinsbandeira/introdu%C3%A7%C3%A3o-de-conceitos-de-aprendizado-de-m%C3%A1quinas-com-r-matrizes-gr%C3%A1ficos-e-mais-1dc2ed2bc99d?source=rss-de8786f63f3a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1dc2ed2bc99d</guid>
            <category><![CDATA[r]]></category>
            <category><![CDATA[universidade]]></category>
            <category><![CDATA[aprendizado-de-máquina]]></category>
            <dc:creator><![CDATA[Leticia Martins]]></dc:creator>
            <pubDate>Wed, 09 Oct 2024 19:38:07 GMT</pubDate>
            <atom:updated>2024-10-09T19:38:07.096Z</atom:updated>
            <content:encoded><![CDATA[<p>Neste quadrimestre da faculdade, estou cursando a disciplina de <strong>Aprendizado de Máquinas</strong> e decidi compartilhar meus estudos sobre o tema aqui no Medium. A ideia é utilizar essa plataforma como uma forma de aprendizado ativo, onde, ao escrever sobre os conceitos estudados, consigo reforçar meu conhecimento e também contribuir com conteúdos que possam ser úteis para quem está se aprofundando no assunto. Vou abordar desde os fundamentos teóricos até as aplicações práticas, trazendo uma visão mais detalhada da área e dos desafios envolvidos.</p><h3>O que é Aprendizado de Máquinas?</h3><blockquote>“Aprendizado de máquinas é a área de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados.”</blockquote><blockquote>Arthur Samuel, 1959</blockquote><p><strong>Objetivo:</strong> Desenvolver algoritmos que sejam capazes de “aprender” ou identificar padrões a partir de dados fornecidos.</p><p>A área de <strong>Aprendizado de Máquina</strong> pode ser descrita como:</p><ul><li>Um conjunto de algoritmos projetados para realizar esse tipo de tarefa.</li><li>Uma teoria que busca compreender os processos pelos quais o aprendizado ocorre, proporcionando garantias e limites sobre o comportamento de algoritmos em novos contextos.</li><li>Uma área que nos orienta sobre qual algoritmo escolher para diferentes problemas.</li><li>Um campo que contribui para a criação de novos algoritmos mais eficientes, adequados a desafios inéditos.</li></ul><p>Existem diferentes termos para descrever o mesmo conceito:</p><ul><li><strong>Aprendizado de Máquinas</strong></li><li><strong>Aprendizado Estatístico</strong></li><li><strong>Reconhecimento de Padrões</strong></li></ul><p>Essa área também é frequentemente dividida em diferentes tipos de problemas.</p><p>Os principais incluem:</p><p><strong>Aprendizado Supervisionado</strong></p><ul><li>Classificação</li><li>Regressão</li></ul><p><strong>Aprendizado Não-Supervisionado</strong></p><ul><li>Agrupamento</li><li>Redução de Dimensionalidade (quando não há rótulos disponíveis)</li></ul><p><strong>Aprendizado por Reforço</strong></p><p>Em um próximo post, posso explorar cada um deles com mais profundidade… Agora, vamos para parte prática! :D</p><p>Nessa disciplina utilizaremos a linguagem R para a parte prática. Dessa forma, como primeiro exercício vamos resolver uma questão sobre sistema linear.</p><h4>Exercício 1:</h4><p>Resolva o seguinte sistema linear <em>Ax = b</em> com o comando <em>solve</em>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/224/1*AQO0lv3ktye2xg2kuUrFYw.png" /></figure><p>Solução:</p><pre>A &lt;- matrix(c(12,-1,-5,0,-1,7,2,-1,-5,2,10,1,0,-1,1,3),byrow = FALSE,nrow=4)<br>b &lt;- c(1,2,3,4)<br>x &lt;- solve(A, b)<br>x</pre><p>Resultado:</p><pre>## [1] 0.1873874 0.4738739 0.1549550 1.4396396</pre><h4><strong>Exercício 2:</strong></h4><p>Uma matriz <em>A ∈ R^n</em>x<em>n</em> simétrica <em>(i.e., A^t=A)</em> é definida positiva se, para todos os vetores <em>x ∈ R^n</em> diferentes do vetor zero, verifica-se:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/86/1*OFZBapCug71IOugtKYitiQ.png" /></figure><p>Um critério utilizado para verificar se uma matriz simétrica é definida positiva é chamado de “critério de Sylvester”, que diz o seguinte:</p><p><strong>Critério de Silvester:</strong> <em>A ∈ R^n</em>x<em>n</em> é definida positiva se e somente se <em>A</em> possui determinante positivo e todas as submatrizes de A listadas abaixo possuem determinante positivo:</p><ul><li>a submatriz 1 × 1 formada pela primeira linha e primeira coluna;</li><li>a submatriz 2 × 2 formada pelas primeiras duas linhas e colunas;</li><li>. . .</li><li>a submatriz (n − 1) × (n − 1) formada pelas (n − 1) primeiras linhas e colunas.</li></ul><p>Escreva uma função no R que recebe como argumento uma matriz A e retorna <strong>TRUE</strong> ou <strong>FALSE</strong> dependendo se ela é definida positiva ou não (use slicing para montar a submatriz e a função det para calcular o determinante). Teste sua função na matriz A do exercício anterior, que é positiva definida.</p><p>Solução:</p><pre>matrix_positiva_definida &lt;- function(A) {<br>  #Verificando a simetria<br>  if (!all(A == t(A))) {<br>    return(FALSE)<br>  }<br><br>#Calculando os determinantes das submatrizes<br>n &lt;- nrow(A) # Número de linhas de A<br>for (i in 1:n) {<br>  #Pegando a submatriz de tamanho i x i, garantindo que seja uma matriz com drop = FALSE<br>  submatrix &lt;- A[1:i, 1:i, drop = FALSE]<br><br>  det_submatrix &lt;- det(submatrix)<br><br>  # Se o determinante for menor ou igual a 0, não é definida positiva<br>  if (det(submatrix) &lt;= 0) {<br>    return(FALSE)<br>  }<br>}<br>return(TRUE)<br>}</pre><p>Testando com a matriz <em>A</em> do exemplo anterior</p><pre>A &lt;- matrix(c(12,-1,-5,0,-1,7,2,-1,-5,2,10,1,0,-1,1,3),byrow = FALSE,nrow=4)<br>matrix_positiva_definida(A)</pre><p>Resultado:</p><pre>## [1] TRUE</pre><h4>Exercício 3:</h4><p>Usando <em>ggplot2</em> faça gráficos das funções seno e cosseno para ângulos variando no intervalo de [−2π, 2π]. Mostre as duas funções na mesma figura.</p><p>Solução:</p><pre>library(ggplot2)<br>angles &lt;- seq(-2 * pi, 2 * pi, length.out = 100)<br><br>sine_values &lt;- sin(angles)<br>cosine_values &lt;- cos(angles)<br><br>data &lt;- data.frame(<br>  Angle = angles,<br>  Sine = sine_values,<br>  Cosine = cosine_values<br>)<br><br>ggplot(data, aes(x = Angle)) +<br>  geom_line(aes(y = Sine, color = &quot;Seno&quot;), size = 1.2) + # Linha para seno<br>  geom_line(aes(y = Cosine, color = &quot;Cosseno&quot;), size = 1.2) + # Linha para cosseno<br>  geom_point(aes(y = Sine, color = &quot;Seno&quot;), shape = 19, size = 2) + # Pontos para seno<br>  geom_point(aes(y = Cosine, color = &quot;Cosseno&quot;), shape = 17, size = 2) + # Pontos para cosseno<br>  labs(title = &quot;Gráfico das Funções Seno e Cosseno&quot;,<br>      x = &quot;Ângulo (radianos)&quot;,<br>      y = &quot;Valor&quot;,<br>      color = &quot;Função&quot;) +<br>  theme_minimal(base_size = 15) +<br>  theme(<br>    plot.title = element_text(hjust = 0.5, face = &quot;bold&quot;), # Centralizar título<br>    legend.position = &quot;top&quot;, # Posição da legenda<br>    panel.grid.major = element_line(color = &quot;lightgrey&quot;, linetype = &quot;dashed&quot;), # Linhas de grade<br>    panel.grid.minor = element_blank() # Sem linhas de grade menores<br>  ) +<br>  scale_color_manual(values = c(&quot;Seno&quot; = &quot;purple&quot;, &quot;Cosseno&quot; = &quot;orange&quot;))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/787/1*5J8QVpSTeAO_2XNrW0CIIA.png" /></figure><h4>Exercício 4:</h4><p>Sabemos que as soluções de sistemas lineares obtidas no computador, como no Exercício 01, são aproximadas, já que números reais são representados de forma aproximada no computador. Quando a matriz de um sistema linear é mal condicionada, as soluções dos sistemas lineares obtidas pelo computador podem ter os erros 1 muito ampliados. Podemos mensurar o mal condicionamento de uma matriz inversível <em>A</em> usando o número de condicionamento, que é definido por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/157/1*MyHB2n1rTZ7mRH99e6uz6g.png" /></figure><p>em que ∥·∥ é uma norma matricial e <em>A^−1</em> a inversa de <em>A</em>. Quanto maior o valor de <em>κ(A)</em>, mais mal condicionada é a matriz. Ou seja, mais erros numéricos são esperados quando recebemos a solução do sistema linear calculado pelo computador. Podemos calcular o número de condicionamento no R usando a função <em>kappa</em>.</p><p>É possível modificar uma matriz simétrica <em>A ∈ \(R^{nxn}\)</em> para torná-la melhor condicionada. Uma forma de fazer isso é aumentando os valores dos elementos de sua diagonal. Esse processo é usado algumas vezes em aprendizado de máquinas, como veremos mais para frente (por exemplo, aparece no processo de regularização da Regressão Ridge). Neste exercício, queremos fazer um gráfico do número de condicionamento de <em>A</em> a medida que aumentamos os elementos de sua diagonal.</p><p>Para isso, use uma matriz simétrica<em> A</em> gerada aleatoriamente pelo seguinte processo:</p><pre>set.seed(1)<br>X = matrix(runif(100,-1,1),nrow=10)<br>A = t(X) %*% X</pre><p>Ou seja, primeiro geramos uma matriz <em>X ∈ R^10×10</em> com valores aleatórios entre [−1, 1]. Em seguida criamos <em>A := X^tX</em>, que será simétrica. A função <em>set.seed</em> inicia a semente do gerador de números aleatórios, desta forma a matriz aleatória resultante será sempre a mesma.</p><p><strong><em>dicas: </em></strong>Use a função <em>diag</em> para gerar uma matriz identidade (por exemplo, teste o que <em>diag(3)</em> faz), depois disso, calcule o número de condicionamento de <em>A</em> com elementos da diagonal acrecidos de λ:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/112/1*wtvTt6uyxJLNeVMrL97pnA.png" /></figure><p>, em que λ ≥ 0, e<em> I ∈ R^d×d</em> é a matriz identidade.</p><p>Solução:</p><pre>set.seed(1)<br>X = matrix(runif(100, -1, 1), nrow = 10)<br>A = t(X) %*% X<br><br>lambda_values &lt;- seq(0, 10, by = 0.1)<br><br># Vetor para armazenar os números de condicionamento<br>cond_numbers &lt;- numeric(length(lambda_values))<br><br># Número de condicionamento para cada valor de lambda<br>for (i in seq_along(lambda_values)) {<br>  lambda &lt;- lambda_values[i]<br>  <br>  # Matriz A para A&#39; = A + lambda * I<br>  A_mod &lt;- A + lambda * diag(10)<br>  <br>  # Número de condicionamento com a função kappa<br>  cond_numbers[i] &lt;- kappa(A_mod)<br>}<br><br>#Gráfico<br><br>library(ggplot2)<br><br>data &lt;- data.frame(<br>  Lambda = lambda_values,<br>  Condition_Number = cond_numbers<br>)<br><br>ggplot(data, aes(x = Lambda, y = Condition_Number)) +<br>  geom_line(color = &quot;purple&quot;, size = 1) +<br>  labs(title = &quot;Número de Condicionamento vs. Lambda&quot;,<br>  x = expression(lambda),<br>  y = &quot;Número de Condicionamento&quot;) +<br>theme_minimal(base_size = 15) +<br>theme(plot.title = element_text(hjust = 0.5, face = &quot;bold&quot;),<br>  legend.position = &quot;top&quot;, # Posição da legenda<br>panel.grid.major = element_line(color = &quot;lightgrey&quot;, linetype = &quot;dashed&quot;), # Linhas de grade<br>panel.grid.minor = element_blank() # Sem linhas de grade menores<br>)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/684/1*27Q2c5xWx5jMeWywA_x_Lg.png" /></figure><p>Por hoje é isso! Nos vemos na próxima semana! :)</p><p><strong><em>Olá, eu sou a Leticia </em></strong>♥︎̤̮</p><p><em>Sou estudante de Ciência da Computação na Universidade Federal do ABC e Desenvolvedora de Software!</em></p><p><em>Para acompanhar mais sobre minha jornada de estudos acadêmicos e outras tecnologias, siga-me no </em><a href="https://github.com/LeticiaMartins"><strong><em>GitHub</em></strong></a><em> e </em><a href="https://www.linkedin.com/in/leticiamartinsbandeira/"><strong><em>LinkedIn</em></strong></a><em>. Estou ansiosa para compartilhar mais descobertas com vocês!</em></p><p><em>Caso também tenha experiências ou insights para compartilhar sobre o tema, adoraria ouvir! </em><strong><em>Compartilhe seus pensamentos nos comentários abaixo.</em></strong></p><p><strong><em>Gostou da leitura? Clica nos aplausos aí! </em></strong>👏</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1dc2ed2bc99d" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>