960 resultados para Aprendizagem - Learning


Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da Prática de Ensino Supervisionada, Mestrado em Ensino de História e Geografia no 3º Ciclo do Ensino Básico e Ensino Secundário, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da Prática de Ensino Supervisionada, Mestrado em Ensino da Física e da Química no 3º ciclo do Ensino Básico e no Ensino Secundário, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da prática de ensino supervisionada, Mestrado em Ensino da Economia e Contabilidade, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da prática de ensino supervisionada, Mestrado em Ensino da Informática, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da Prática de Ensino Supervisionada, Mestrado em Ensino de Artes Visuais, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da prática de ensino supervisionada, Mestrado em Ensino da Matemática, Universidade de Lisboa, 2014

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Tese de doutoramento, Educação (Tecnologias de Informação e Comunicação na Educação), Universidade de Lisboa, Instituto de Educação, 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Trabalho de projeto de mestrado, Educação (Especialidade em Educação e Tecnologias Digitais), 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Dissertação de mestrado, Ciências da Educação (Área de especialização em Educação Intercultural), Universidade de Lisboa. Instituto de Educação, 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Trabalho de projeto de mestrado, Educação (Área de especialidade em Didática da Matemática), Universidade de Lisboa, Instituto de Educação, 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Relatório da Prática de Ensino Supervisionada, Mestrado em Ensino de Física e Química no 3º ciclo do Ensino Básico e no Ensino Secundário, Universidade de Lisboa, 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Tese de mestrado, Neurociências, Faculdade de Medicina, Universidade de Lisboa, 2015

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Dissertação apresentada para obtenção do grau de Mestre em Educação Matemática na Educação Pré-Escolar e nos 1º e 2º Ciclos do Ensino Básico na especialidade de Didática da Matemática

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Projeto de Intervenção apresentado à Escola Superior de Educação de Lisboa para a obtenção de grau de Mestre em Didática da Língua Portuguesa no 1º e 2º CEB

Relevância:

30.00% 30.00%

Publicador:

Resumo:

Electricity markets are complex environments with very particular characteristics. A critical issue regarding these specific characteristics concerns the constant changes they are subject to. This is a result of the electricity markets’ restructuring, which was performed so that the competitiveness could be increased, but it also had exponential implications in the increase of the complexity and unpredictability in those markets scope. The constant growth in markets unpredictability resulted in an amplified need for market intervenient entities in foreseeing market behaviour. The need for understanding the market mechanisms and how the involved players’ interaction affects the outcomes of the markets, contributed to the growth of usage of simulation tools. Multi-agent based software is particularly well fitted to analyze dynamic and adaptive systems with complex interactions among its constituents, such as electricity markets. This dissertation presents ALBidS – Adaptive Learning strategic Bidding System, a multiagent system created to provide decision support to market negotiating players. This system is integrated with the MASCEM electricity market simulator, so that its advantage in supporting a market player can be tested using cases based on real markets’ data. ALBidS considers several different methodologies based on very distinct approaches, to provide alternative suggestions of which are the best actions for the supported player to perform. The approach chosen as the players’ actual action is selected by the employment of reinforcement learning algorithms, which for each different situation, simulation circumstances and context, decides which proposed action is the one with higher possibility of achieving the most success. Some of the considered approaches are supported by a mechanism that creates profiles of competitor players. These profiles are built accordingly to their observed past actions and reactions when faced with specific situations, such as success and failure. The system’s context awareness and simulation circumstances analysis, both in terms of results performance and execution time adaptation, are complementary mechanisms, which endow ALBidS with further adaptation and learning capabilities.