Roberto Santos Scripts

Aplicações Display Sete Segmentos Logisim
Apresento algumas aplicações, com displays de sete segmentos, construídas no aplicativo simulador de circuitos lógicos Logisim.

Resumo do vídeo com marcações de tempo:
O vídeo apresenta aplicações práticas de displays de sete segmentos simuladas no software Logisim. O apresentador demonstra como construir e configurar diferentes tipos de circuitos lógicos, variando de um único display até displays alfabéticos.

Principais tópicos abordados:

Demonstração de Circuitos: O vídeo mostra um contador de 0 a 9, um contador reversível e um contador de dois dígitos (0-99) (1:57 - 6:32).
Funcionalidades do Logisim: Explicação sobre como ajustar a frequência do clock, movimentar componentes na tela e configurar entradas de simulação (1:03 - 2:50).
Automação e Lógica: O apresentador explica como o aplicativo pode gerar automaticamente a tabela verdade e as expressões lógicas (usando portas AND, OR, NOT) para controlar os segmentos (7:51 - 9:15).
Exemplos Práticos: Demonstração de um contador alfabético exibindo frases, destacando as limitações de representação de letras como 'M' e 'K' em displays de 7 segmentos (10:20 - 12:10).
Conexões Físicas: Uma breve explicação no final sobre como os pinos do display se conectam logicamente no simulador (12:35 - 14:06).

Índice de capítulos:
00:00 - Introdução ao Logisim e onde baixar
00:17 - Visão geral das três aplicações (Um display, dois displays e alfabético)
01:00 - Configurando frequência e preferências de simulação
01:40 - Exemplo 1: Contador de 0 a 9 com reversão e reset
02:08 - Explicação do funcionamento dos Clocks (Reversão, Soma e Reinício)
03:03 - Implementação de Clock manual vs. Clock automático
04:00 - Configuração do Contador e distribuição de bits
04:40 - Convenções de posicionamento (Norte, Sul, Leste, Oeste) no software
05:30 - Exemplo 2: Contador de dois dígitos (0 a 99)
05:45 - Lógica de dezenas usando o sinal de Carry
06:40 - Uso de circuitos integrados para organizar o projeto
07:25 - Como gerar circuitos automaticamente via Tabela Verdade
07:54 - Introdução ao Mapa de Karnaugh e expressões lógicas simplificadas
08:20 - Tradução de expressões lógicas para portas AND, OR e NOT
09:15 - Exemplo 3: Aplicação Alfanumérica (Exibição de letras)
10:30 - Demonstração prática: Exibindo frases via buffer de texto
11:50 - Desafios de exibir letras (M, T, R, D) em sete segmentos
12:20 - Mapeamento técnico dos segmentos (A até G)
13:00 - Comparação com diagramas reais de hardware

#logisim 
#sevensegmentdisplay 
#logicadigital 
#circuitoslogicos

Crie circuitos reais com Display 7 Segmentos no Logisim

Quer entender como as máquinas aprendem a classificar textos? Neste vídeo, descomplicamos o Processamento de Linguagem Natural (PLN), explorando desde a limpeza básica dos dados (tokenização e stop words) até técnicas avançadas como Word Embeddings e Redes Neurais. Entenda como transformamos palavras em números e os desafios da inteligência artificial atual. Um guia essencial para estudantes e entusiastas de dados que desejam dominar os fundamentos da IA de forma simples e direta.

Principais tópicos abordados:

O que é Processamento de Linguagem Natural (PLN).
Etapas de pré-processamento de texto.
Como funciona a representação numérica (TF-IDF e Embeddings).
Aprendizado Supervisionado na prática.
O impacto de Transformers e LLMs.
Ética, vieses e o futuro da IA.
Capítulos:
0:00 Introdução ao PLN
0:52 Pré-processamento e limpeza
1:33 Radicalização (Stemming)
2:19 Representação numérica (TF-IDF)
3:06 Word Embeddings
4:04 Classificação e Aprendizado Supervisionado
5:17 Métricas de avaliação
5:54 Transformers e LLMs
7:05 Vieses e reflexões éticas

Sobre o canal:
Bem-vindo ao canal Roberto Santos Scripts! Aqui, trazemos tecnologia e ciência de dados de forma descomplicada para o seu dia a dia. Inscreva-se para aprender sobre programação, inteligência artificial e as ferramentas que estão moldando o futuro.

#PLN #InteligenciaArtificial #DataScience #MachineLearning #ProcessamentoDeLinguagemNatural #IA #Tecnologia

PLN - Processamento de Linguagem Natural básico

Trabalho de classificação automática de textos, utilizando técnicas de Processamento de Linguagem Natural (PLN e IA) e os algoritmos Kmeans e Bert. Nesse experimento, foram classificadas as súmulas do Supremo Tribunal Federal (STF) em três grupos: Direito Tributário, Direito Penal e Outros ramos.
O vídeo apresenta uma abordagem prática para o agrupamento de textos, focando especificamente nas súmulas de jurisprudência do Supremo Tribunal Federal (STF). O autor orienta os espectadores a seguir um guia passo a passo que começa com a instalação das bibliotecas necessárias para implementar o algoritmo K-means com a vetorização BERT. Com a intenção de melhorar a precisão dos agrupamentos, ele filtra as súmulas para incluir apenas aquelas vigentes a partir de outubro de 1988. Após essa etapa, o autor enfatiza a importância da limpeza de dados, removendo stop words e pontuações, o que é crucial para aumentar a relevância dos resultados do agrupamento.

Em seguida, o autor utiliza a Análise de Componentes Principais (PCA) para reduzir a dimensionalidade dos dados vetorizados, permitindo uma visualização mais clara dos agrupamentos. Ele apresenta gráficos que ilustram como as súmulas se distribuem nos diferentes clusters, destacando temas como direito tributário e direito penal. A conclusão do vídeo ressalta a eficiência do processo e como a escolha das stop words a serem filtradas deve ser cuidadosa, pois isso pode variar dependendo do contexto da análise. O autor sugere que, embora o algoritmo K-means tenha mostrado bons resultados, a escolha dos parâmetros e a pré-processamento dos dados são fundamentais para alcançar uma melhor compreensão dos textos.

Resumo do vídeo :

O vídeo apresenta uma abordagem prática para o agrupamento de textos, focando especificamente nas súmulas de jurisprudência do Supremo Tribunal Federal (STF) (0:00). O autor orienta os espectadores a seguir um guia passo a passo que começa com a instalação das bibliotecas necessárias para implementar o algoritmo K-means com a vetorização BERT (0:30).

Com a intenção de melhorar a precisão dos agrupamentos, ele filtra as súmulas para incluir apenas aquelas vigentes a partir de outubro de 1988 (1:20). Após essa etapa, o autor enfatiza a importância da limpeza de dados, removendo stop words e pontuações, o que é crucial para aumentar a relevância dos resultados do agrupamento (1:50).

Em seguida, o autor utiliza a Análise de Componentes Principais (PCA) para reduzir a dimensionalidade dos dados vetorizados, permitindo uma visualização mais clara dos agrupamentos (5:40). Ele apresenta gráficos que ilustram como as súmulas se distribuem nos diferentes clusters, destacando temas como direito tributário e direito penal (10:10).

A conclusão do vídeo ressalta a eficiência do processo e como a escolha das stop words a serem filtradas deve ser cuidadosa, pois isso pode variar dependendo do contexto da análise (13:10). O autor sugere que, embora o algoritmo K-means tenha mostrado bons resultados, a escolha dos parâmetros e o pré-processamento dos dados são fundamentais para alcançar uma melhor compreensão dos textos (14:30).

O algoritmo utilizado para clusterizar as súmulas do STF foi o K-Means, com K=3 (0:20). Ele foi usado em conjunto com a vetorização BERT para o processamento das palavras.
Como Stop Words impactam?
No Processamento de Linguagem Natural (PLN), as Stop Words (palavras de parada) são termos comuns como artigos, preposições e conjunções ("e", "o", "de", "com") que geralmente não adicionam valor semântico significativo ao texto.

O vídeo explica que a remoção das Stop Words é crucial para (1:50-2:00):

Melhorar a relevância: Elas são palavras "desnecessárias que mais atrapalham do que ajudam", e a remoção delas aumenta a significância dos termos restantes no texto.
Otimizar o processamento: Ao remover essas palavras, a quantidade de dados a serem processados é reduzida, o que acelera a análise e economiza recursos computacionais.
A escolha das Stop Words deve ser cuidadosa, pois seu impacto pode variar dependendo do contexto (13:10-13:20). Por exemplo, palavras como "constitucional" ou "supremo" podem ser Stop Words em análises de súmulas jurídicas, já que aparecem em quase todos os documentos e não ajudam a diferenciar os temas (13:30-14:50). No entanto, removê-las em outros contextos pode levar à perda de informações importantes ou alterar o significado da frase.


Tags:
#Agrupamento de textos
#Algoritmo K-means
#Vetorização BERT
#Análise de dados
#Análise de Componentes Principais ( PCA )
#Jurisprudência STF
#Stop words
#Ciência de dados
#Machine Learning
#Processamento de linguagem natural
#Direito tributário
#Direito penal
#Python
#DataFrame
#Análise de dados em Python
#Inteligência Artificial ( IA )
#SciKit-learn

Veja o código e outros sobre PLN (NLP) em:
 https://github.com/robertocsa/Natural-Language-Processing-NLP

Classificação Automática de Súmulas do STF com PLN e IA

Neste vídeo, apresento um novo simulador de circuitos lógicos online, semelhante ao LogicSim, mas com recursos ainda mais avançados! Mostro como criar um circuito básico com duas entradas e um display de 7 segmentos, demonstrando o funcionamento da lógica digital de forma clara e prática.

Durante o tutorial, exploro os principais componentes como portas lógicas, clock, e displays, e compartilho minha experiência inicial com a ferramenta. Também comento sobre alguns projetos públicos disponíveis na plataforma e a facilidade de adaptação para quem já utilizou o LogicSim.

👉 Ideal para iniciantes que estão dando os primeiros passos em eletrônica digital, lógica combinacional, ou circuitos simulados online.

✅ Inscreva-se no canal para mais tutoriais como este!
🔔 Ative o sininho para não perder os próximos vídeos!

Veja também:
https://youtu.be/KN2irf6UdZ8
https://youtu.be/jpGCFGxhxWE
https://youtu.be/KN2irf6UdZ8
Leia:
https://www.robertocsantosrj.eti.br/computacao/artigos/faca-assim-para-simplificar-expressoes-logicas
e
https://www.robertocsantosrj.eti.br/computacao/artigos/tecnicas-de-simplificacao-de-expressoes-logicas

Índice (Capítulos)
00:00 - Introdução ao CircuitVerse: Uma alternativa ao Logisim
00:46 - Conhecendo projetos da comunidade e tutoriais
01:17 - Interface inicial e componentes básicos
01:55 - Criando uma função lógica com duas entradas
02:32 - Configurando a tabela verdade para o display de 7 segmentos
03:52 - Gerando e organizando o circuito automaticamente
04:31 - Passo a passo da fiação do display de 7 segmentos
06:25 - Testando o circuito manualmente (Estados 0 e 1)
06:49 - Integrando o Clock e finalizando a simulação

#CircuitVerse #Logisim #SimuladorLogico #SistemasDigitais #EletronicaDigital #EngenhariaEletrica #ProjetosLogicos #Display7Segmentos #TutoriaisTech #RobertoSantosScripts

Videos - Computacao

Crie circuitos reais com Display 7 Segmentos no Logisim

PLN - Processamento de Linguagem Natural básico

Classificação Automática de Súmulas do STF com PLN e IA

Circuit Verse um simulador lógico online