Circuito #Logisim Silogismos Categóricos Forma Típica
Apresentamos nosso circuito lógico, projetado no aplicativo Logisim, que explora de forma interativa os 256 modos de silogismos categóricos, de forma típica, da lógica clássica e moderna. Este circuito teve por base doutrinária o capítulo VI do livro Introdução à Lógica, de Irving M. Copi, uma referência essencial para o estudo da lógica formal. Aqui, vamos demonstrar não apenas os modos, mas também apresentar a validação de cada um deles com base nas regras rigorosamente definidas por Copi. O circuito conta com um sistema dual de operação. No ciclo automático, os 256 modos são apresentados em sequência, com suas identificações exibidas em displays de 7 segmentos. No modo manual, por outro lado, o usuário pode digitar qualquer modo diretamente para análise imediata. Já no modo manual, o usuário pode inserir qualquer combinação de letras que represente um modo. Por exemplo, ao digitar "EAE-1", o circuito realiza todas as validações e, nesse caso, indica que é válido. Caso se digite um modo inválido, os LEDs indicam as regras que foram violadas, proporcionando uma experiência de aprendizado interativa e prática. Cada silogismo é avaliado acordo com as regras de validação descritas por Copi. Como resultado dessa verificação, LEDs luminosos indicam se o modo é válido ou inválido. Toda a configuração se baseia nas figuras e os modos categóricos da forma típica. Basicamente, as regras podem ser resumidas assim: REGRA 1: Um silogismo categórico válido deve conter exatamente três termos, cada um dos quais deve ser usado no mesmo sentido durante todo o raciocínio ou argumento. O circuito não verifica esta regra. REGRA 2: Num silogismo categórico válido de forma típica, o ter mo médio deve estar distribuido em, pelo menos, uma das premissas. REGRA 3: Num silogismo categórico válido de forma típica não pode haver na conclusão qualquer termo distribuído que não esteja também distribuído nas premissas. REGRA 4: Nenhum silogismo categórico de forma típica que tenha duas premissas negativas é válido. REGRA 5: Se uma ou outra das premissas de um silogismo categórico válido de forma típica é negativa, a conclusão deve ser negativa. REGRA 6: Nenhum silogismo categórico válido de forma típica com uma conclusão particular pode ter duas premissas universais. Vale quanto à regra 6 o alerta de que a lógica clássica não considerava como inválidos os modos que incorriam nesta falácia, também conhecida como falácia existencial. Este circuito é uma ferramenta única para estudantes e entusiastas da lógica formal e da montagem de circuitos digitais. Sua utilidade vai além do reforço no entendimento das regras dos silogismos categóricos, servindo como uma ferramenta interativa para validar argumentos categóricos de forma agradável e prática. Agradecemos por assistir à apresentação e esperamos que esta demonstração inspire novas formas criativas de explorar a lógica no mundo digital. Se gosta desse tipo de conteúdo, recomendamos clicar no sininho para receber informações de novos vídeos, além, é claro, de se inscrever no canal.
Publicado em: 26/11/2024
Duração: PT3M38S
Visualizações: 70
Tags: Logisim, Falácias formais, Silogismos categóricos formais, Silogismos, argumentação, regras lógicas
Playlist: Lógica
Veja também
DreamBooth: Geração de Imagens Personalizadas por Difusão
Criado a partir do artigo DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation Nataniel RuizYuanzhen LiVarun JampaniYael PritchMichael RubinsteinKfir AbermanGoogle Research Resumo DreamBooth é uma abordagem inovadora para personalizar modelos de difusão de texto para imagem, permitindo que eles gerem novas representações de um assunto específico. Ao alimentar o modelo com apenas algumas imagens de referência de um objeto ou ser, ele aprende a associar um identificador único a esse assunto. Isso capacita os usuários a sintetizar imagens fotorrealistas e totalmente novas do assunto em diversos contextos, poses, estilos artísticos e condições de iluminação, mesmo que não estejam presentes nas imagens originais. Essencialmente, DreamBooth permite que você insira um sujeito em sua "cabine de fotos" e o "sintetize onde seus sonhos o levarem". Áudio e narração gerados pelo Notebook LM. Descubra como o modelo DreamBooth revoluciona a geração de imagens personalizadas usando técnicas de difusão de imagem. Neste vídeo, exploramos os fundamentos do modelo, suas aplicações práticas em arte digital, marketing e criação de conteúdo, e como ele pode ser treinado para gerar imagens realistas com base em um conjunto específico de exemplos. Ideal para entusiastas de IA generativa, artistas digitais e desenvolvedores que desejam entender como personalizar modelos de imagem com resultados impressionantes. 🔍 Aprenda: O que é DreamBooth? Como funciona a difusão de imagem? Como treinar modelos personalizados com poucas imagens? Aplicações criativas e profissionais.
Publicado em: 02/07/2025
Duração: PT5M32S
Visualizações: 10
Tags: DreamBooth, geração de imagens, IA generativa, difusão de imagem, inteligência artificial, Stable Diffusion, personalização de modelos, treinamento de IA, arte digital com IA, modelo de difusão, machine learning, deep learning, arte generativa, customização de imagens, imagens realistas IA
Playlist: Artigos científicos em resumo
Agrupando Cores com K-Means: Visão Computacional na Prática
Apresentação, com Notebook LM, de artigos sobre metodologia de classificação de cores, no contexto da Visão Computacional. Ênfase ao algoritmo de K-Means. Como reduzir milhões de cores de uma imagem sem perder a essência visual? Neste vídeo, exploramos o fascinante mundo da quantização e segmentação de cores, com foco no algoritmo K-Means, aplicado à visão computacional. Você vai entender: Como o K-Means agrupa cores no espaço RGB ou CIELAB Por que ele é tão usado em compressão de imagem, análise de conteúdo e preservação digital Otimizações como WSM (Weighted Sort Means) O modelo POTS, que garante regiões mais coesas Comparações entre diferentes espaços de cor (RGB, HSV, YCbCr, etc.) Casos reais: como arqueólogos usam K-Means para documentar arte rupestre Reflexões sobre o que torna uma cor "essencial" numa imagem 🎨 Seja você designer, programador ou curioso em IA, esse vídeo é um mergulho técnico e acessível na ciência por trás das cores!
Publicado em: 02/06/2025
Duração: PT8M48S
Visualizações: 40
Tags: programação, K-means, Visão Computacional, Modelos de cores, Classificação por cores, clusterização por cores, Detecção automatizada de cores, segmentação de imagem, visão computacional, quantização de cores, ciência de dados, inteligência artificial, imagem digital, compressão de imagem, ciência da computação, algoritmo kmeans, pintura rupestre, processamento de imagem, agrupamento de cores, p5js, arte e IA, cor digital
Playlist: Artigos científicos em resumo
Modelos de Difusão em PLN
Apresenta-se podcast, criado no Notebook LM, a partir de artigos científicos selecionados, sobre modelos de difusão aplicados no contexto de processamento de linguagem natural (PLN ou NLP).
Publicado em: 26/05/2025
Duração: PT9M13S
Visualizações: 23
Tags: IA, AI, tutoriais, Lógica digital, PLN, Processamento de Linguagem Natural, NLP, modelos de difusão, diffusion models
Playlist: Artigos científicos em resumo
Redes neurais com pesos discretos
Apresento artigos científicos sobre Redes Neurais Binarizadas (BNNs), um novo tipo de rede neural onde tanto os pesos quanto as ativações são limitados a valores binários (+1 ou -1) durante a execução. Também sobre Redes Neurais Ternárias (TNNs) como uma solução mais eficiente para implementar Redes Neurais Profundas (DNNs) em dispositivos com recursos limitados. As TNNs usam pesos e ativações restritos a {−1, 0, 1}, eliminando a necessidade de multiplicações durante a inferência. Os artigos foram reunidos no Notebook LM, que produziu o podcast ouvido no áudio, além de respostas às questões suscitadas. Vídeo que serviu de inspiração: https://www.youtube.com/watch?v=qTbtcQfFei8 INTELIGÊNCIA ARTIFICAL vai MULTIPLICAR CAPACIDADE com MODELO BITNET 1.58 BIT, mas o que é 1.58 BIT? (Safesrc)
Publicado em: 25/05/2025
Duração: PT8M34S
Visualizações: 19
Tags: IA, AI, tutoriais, redes neurais com pesos discretos, MODELO BITNET 1.58 BIT, Inteligência Artificial, Redes Neurais Ternárias (TNNs), Redes Neurais Binarizadas (BNNs), Ternary Quantization (TTQ), Modelo de Linguagem Grande (LLM), Large Language Model
Playlist: Artigos científicos em resumo