Postagens

Arduíno no ensino de física - João Cláudio Nunes Cavalho - Ifce

Arduíno no ensino de física Prof. João Cláudio Nunes Carvalho A relevância do laboratório de ciência é inquestionável pelos professores, pois a prática experimental consolida a aula teórica, extrapolando a abstração dos conceitos e relações estabelecidas durante a exposição teórica de um conteúdo. Em virtude desta importância, as discussões sobre o tema têm conduzido algumas pesquisas sobre o laboratório didático de Ciências, surgindo classificações quanto ao método empregado. Filho (2000), apresenta algumas concepções relativas à organização das práticas experimentais nos laboratórios de ciência. Como uma alternativa de baixo custo para experimentos de física, temos o uso do Arduíno: Arduino , por vezes traduzida ao  português  como  Arduíno , [2]  é uma plataforma de hardware livre , projetada com um  microcontrolador   Atmel AVR  de placa única, com suporte de  entrada/saída  embutido e uma  linguagem de programação  padrão, [3]  na qual tem origem em  Wiring , e é essenci
Imagem
  Stochastic vs Batch Gradient Descent One of the first concepts that a beginner comes across in the field of deep learning is gradient descent followed by various ways in which it can be implemented. Gradient descent is one of the most important concept used in the training of neural networks for supervised learning. Hence, it is important to understand it and the different ways in which it is to be carried out on the training sets. This post mostly deals with t h e different ways in which gradient descent is implemented on a training set. Thus, I will briefly go over the definition of the concept and then explain the advantages and disadvantages of all the possible ways. Gradient Descent This is an iterative optimization algorithm for finding the minimum of a function. The algorithm takes steps proportional to the negative gradient of the function at the current point [1]. In deep learning neural networks are trained by defining a loss function and optimizing the parameters of the ne

Unsupervised Machine Learning: What is, Algorithms, Example

Imagem
 By Prof. João Cláudio Nunes Carvalho What is Unsupervised Learning? Unsupervised Learning  is a machine learning technique in which the users do not need to supervise the model. Instead, it allows the model to work on its own to discover patterns and information that was previously undetected. It mainly deals with the unlabelled data.] Unsupervised Learning Algorithms Unsupervised Learning Algorithms  allow users to perform more complex processing tasks compared to supervised learning. Although, unsupervised learning can be more unpredictable compared with other natural learning methods. Unsupervised learning algorithms include clustering, anomaly detection, neural networks, etc. Example of Unsupervised Machine Learning Let's, take an example of Unsupervised Learning for a baby and her family dog. She knows and identifies this dog. Few weeks later a family friend brings along a dog and tries to play with the baby. Baby has not seen this dog earlier. But it recognizes many features

Aulas sobre Python

Imagem
Aula sobre Python - parte 1 Aula sobre Python - parte 2

Aulas sobre Centro de Massa

Imagem
Aula sobre Centro de Massa - parte 1 Aula sobre Centro de Massa - parte 2

Encontro de Pesquisa em Ensino de Física (EPEF)

Prof. João Cláudio Nunes Carvalho   Encontro de Pesquisa em Ensino de Física (EPEF)  é um evento promovido pela  Sociedade Brasileira de Física (SBF)  que acontece a cada dois anos. Seu objetivo é proporcionar um ambiente de discussões e debates sobre a pesquisa em ensino de física e a disseminação dos resultados de investigações. O evento congrega pesquisadores e estudantes de pós-graduação que desenvolvem pesquisas na área de ensino de física. Compõem o evento, de maneira geral, atividades como conferências, mesas-redondas, apresentação e discussão de trabalhos de pesquisa em sessões de comunicação oral e pôster, debates e atividades complementares. Campos temáticos : Formação e prática profissional de professores de Física Aprendizagem em Física Filosofia, História e Sociologia da Ciência e o Ensino de Física Linguagem e cognição no Ensino de Física Didática, currículo e avaliação no Ensino de Física Divulgação e comunicação de Física em espaços formais e não formais Tecn

Ciência e engenharia da computação: quais as diferenças e qual escolher?

Imagem
A área de computação é bastante promissora em termos de emprego e boas colocações no mercado de trabalho. Contudo, pode não ser assim tão simples escolher um curso superior, já que as principais opções estão entre engenharia ou ciência da computação. Mas, afinal, qual a diferença entre os dois e qual é o melhor caminho a seguir?  O  Canaltech  conversou com professores e coordenadores de cursos superiores para facilitar o entendimento. De forma mais simples, a ciência da computação é um curso mais voltado a software, enquanto engenharia da computação tem mais foco em hardware.  De acordo com o Ministério da Educação, os alunos de ciência da computação precisam “ter capacidade de construir aplicativos de propósito geral”. No jargão do setor, estes profissionais devem trabalhar com desenvolvimento.  “O curso de Ciência da Computação tem duração de 4 anos e é mais focado no desenvolvimento de softwares e estudo de linguagens de programação bem como no desenvolvimento de aplicaçõ

VPhyton - Prof. João Cláudio Nunes Carvalho

Prof. João Cláudio Nunes Carvalho Material direcionado para os alunos de engenharia e computação do IFCE  - Campus Maracanaú VPhyton VPython  é um módulo adicional para Python, que inclui classes para criar vários tipos de formas geométricas em três dimensões, podendo ser colocadas em movimento facilmente. VPython usa a biblioteca gráfica  OpenGL . A versão mais recente, 7, lança as animações dentro dum browser, usando WebGL e Javascript. VPython é software livre que pode ser descarregado no seu  sítio Web  e instalado em todos os principais sistemas operativos. Lançamento de projéteis no ar from vpython import * def deslocar (corpo): global dt queda = True p = corpo.traj.point(corpo.traj.npoints-1)[ 'pos' ] corpo.pos += dt*corpo.v + dt**2*corpo.a/2. if corpo.v.y < 0 and corpo.pos.y < corpo.radius: if p.y != corpo.pos.y: f = (p.y - corpo.radius)/(p.y - corpo.pos.y) corpo.pos -= (1 -