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

Display Sete Segmentos 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 Inteligência Artificial

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

Display Sete Segmentos Logisim

PLN - Processamento de Linguagem Natural básico

Classificação Automática de Súmulas do STF com PLN e Inteligência Artificial

Circuit Verse um simulador lógico online