O presente trabalho teve como objetivo principal utilizar a metodologia das análises multivariadas, modelagem matemática e redes neurais artificiais, na avaliação da eficiência produtiva de propriedades produtoras de suínos no Rio Grande do Sul. Os dados utilizados foram coletados em 47 municípios da região do Vale do Taquari, estado do Rio Grande do Sul, entre fevereiro e março de 2012, compreendendo o universo de 120 produtores. Utilizou-se um diagnóstico com perguntas estruturadas fechadas, em conjunto com os resultados produtivos de 494 abates realizados nos anos de 2010 e 2011. Analisou-se as variáveis produtivas na terminação de suínos criados em dois momentos climáticos anuais distintos, primavera/verão e outono/inverno, comparando as diferenças ocorridas nas variáveis de produtividade, o que resultou no capítulo 2, “Análise das variáveis produtivas de suínos na fase de terminação em duas estações climáticas”, no qual se identificou o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura, que resultou no capítulo 3, “Uso da otimização de desempenho interativo na identificação do perfil ideal de produtores terminadores de suínos”. Com o auxílio da Inteligência Artificial, uma tecnologia cada vez mais usada, na tentativa de avaliar com maior precisão quais os fatores que na criação de suínos podem contribuir significativamente para um aumento da produtividade, resultou no capítulo 4, “A utilização da Inteligência Artificial para a predição dos parâmetros produtivos da suinocultura”. Com esses resultados, pode-se dizer que: identificou-se quais as condições ambientais e climáticas impactaram sobre a eficiência produtiva dos suínos, observando-se maior peso médio vivo, ganho médio diário e taxa de mortalidade nos animais criados na estação outono/inverno. Já a Conversão Alimentar não apresentou efeito significativo da estação do ano. Ainda, identificou-se o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura e, por meio de predições geradas, a partir do auxílio das Redes Neurais Artificiais, obteve-se como principal resultado a condição de se afirmar que o uso da metodologia das Redes Neurais Artificiais pode predizer com reduzidas margens de erro, as variáveis produtivas, conversão alimentar, mortalidade e ganho médio diário. / The main objective of the present work2 is to use the methodology of multivariate analysis, mathematical modeling and artificial neural networks in the production evaluation efficiency of swine-producing farms in Rio Grande do Sul state. The data used were collected in 47 municipalities in the region of Vale do Taquari, between February and March 2012, covering the universe of 120 producers. There are used a diagnosis with structured questions, in conjunction with the productive results of 494 slaughterings carried out in the years 2010 and 2011. Productive variables examined in swine termination phase reared in two distinct annual weather moments, spring/ summer and autumn/winter, comparing the differences occurring in the productivity variables, which resulted in section 2, "Analysis of the productive variables of swine on termination phase in two climatic seasons", where it was identified the ideal profile for producers s through a mathematical model to predict the chances of the better performance in swine production, which resulted in section 3, "Using the interactive performance optimization in identifying the ideal profile of swine terminators phase producers", and with the aid of artificial intelligence, a technology increasingly used in an attempt to assess with greater precision what factors in swine breeding can contribute significantly to improved productivity, resulted in sector 4 "The use of artificial intelligence for prediction of swine productive parameters". With these results, it can be said that: what are the identified environmental and climatic conditions that impacted on the swine productive efficiency, observing a greater average weight, daily gain and mortality rate in animals reared in autumn/winter seasons. The feed conversion did not provide any significant effect . Still, although the ideal profile for terminators producers through a mathematical model to predict the chances of the producer better performance and, by generated predictions from the artificial neural networks, obtained as main result the condition to assert that this method can aid for the predictionm with reduced margins of error, productive variables, feed conversion ratio, mortality and average daily gain.

O presente trabalho teve como objetivo principal utilizar a metodologia das análises multivariadas, modelagem matemática e redes neurais artificiais, na avaliação da eficiência produtiva de propriedades produtoras de suínos no Rio Grande do Sul. Os dados utilizados foram coletados em 47 municípios da região do Vale do Taquari, estado do Rio Grande do Sul, entre fevereiro e março de 2012, compreendendo o universo de 120 produtores. Utilizou-se um diagnóstico com perguntas estruturadas fechadas, em conjunto com os resultados produtivos de 494 abates realizados nos anos de 2010 e 2011. Analisou-se as variáveis produtivas na terminação de suínos criados em dois momentos climáticos anuais distintos, primavera/verão e outono/inverno, comparando as diferenças ocorridas nas variáveis de produtividade, o que resultou no capítulo 2, “Análise das variáveis produtivas de suínos na fase de terminação em duas estações climáticas”, no qual se identificou o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura, que resultou no capítulo 3, “Uso da otimização de desempenho interativo na identificação do perfil ideal de produtores terminadores de suínos”. Com o auxílio da Inteligência Artificial, uma tecnologia cada vez mais usada, na tentativa de avaliar com maior precisão quais os fatores que na criação de suínos podem contribuir significativamente para um aumento da produtividade, resultou no capítulo 4, “A utilização da Inteligência Artificial para a predição dos parâmetros produtivos da suinocultura”. Com esses resultados, pode-se dizer que: identificou-se quais as condições ambientais e climáticas impactaram sobre a eficiência produtiva dos suínos, observando-se maior peso médio vivo, ganho médio diário e taxa de mortalidade nos animais criados na estação outono/inverno. Já a Conversão Alimentar não apresentou efeito significativo da estação do ano. Ainda, identificou-se o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura e, por meio de predições geradas, a partir do auxílio das Redes Neurais Artificiais, obteve-se como principal resultado a condição de se afirmar que o uso da metodologia das Redes Neurais Artificiais pode predizer com reduzidas margens de erro, as variáveis produtivas, conversão alimentar, mortalidade e ganho médio diário. / The main objective of the present work2 is to use the methodology of multivariate analysis, mathematical modeling and artificial neural networks in the production evaluation efficiency of swine-producing farms in Rio Grande do Sul state. The data used were collected in 47 municipalities in the region of Vale do Taquari, between February and March 2012, covering the universe of 120 producers. There are used a diagnosis with structured questions, in conjunction with the productive results of 494 slaughterings carried out in the years 2010 and 2011. Productive variables examined in swine termination phase reared in two distinct annual weather moments, spring/ summer and autumn/winter, comparing the differences occurring in the productivity variables, which resulted in section 2, "Analysis of the productive variables of swine on termination phase in two climatic seasons", where it was identified the ideal profile for producers s through a mathematical model to predict the chances of the better performance in swine production, which resulted in section 3, "Using the interactive performance optimization in identifying the ideal profile of swine terminators phase producers", and with the aid of artificial intelligence, a technology increasingly used in an attempt to assess with greater precision what factors in swine breeding can contribute significantly to improved productivity, resulted in sector 4 "The use of artificial intelligence for prediction of swine productive parameters". With these results, it can be said that: what are the identified environmental and climatic conditions that impacted on the swine productive efficiency, observing a greater average weight, daily gain and mortality rate in animals reared in autumn/winter seasons. The feed conversion did not provide any significant effect . Still, although the ideal profile for terminators producers through a mathematical model to predict the chances of the producer better performance and, by generated predictions from the artificial neural networks, obtained as main result the condition to assert that this method can aid for the predictionm with reduced margins of error, productive variables, feed conversion ratio, mortality and average daily gain.

O presente trabalho teve como objetivo principal utilizar a metodologia das análises multivariadas, modelagem matemática e redes neurais artificiais, na avaliação da eficiência produtiva de propriedades produtoras de suínos no Rio Grande do Sul. Os dados utilizados foram coletados em 47 municípios da região do Vale do Taquari, estado do Rio Grande do Sul, entre fevereiro e março de 2012, compreendendo o universo de 120 produtores. Utilizou-se um diagnóstico com perguntas estruturadas fechadas, em conjunto com os resultados produtivos de 494 abates realizados nos anos de 2010 e 2011. Analisou-se as variáveis produtivas na terminação de suínos criados em dois momentos climáticos anuais distintos, primavera/verão e outono/inverno, comparando as diferenças ocorridas nas variáveis de produtividade, o que resultou no capítulo 2, “Análise das variáveis produtivas de suínos na fase de terminação em duas estações climáticas”, no qual se identificou o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura, que resultou no capítulo 3, “Uso da otimização de desempenho interativo na identificação do perfil ideal de produtores terminadores de suínos”. Com o auxílio da Inteligência Artificial, uma tecnologia cada vez mais usada, na tentativa de avaliar com maior precisão quais os fatores que na criação de suínos podem contribuir significativamente para um aumento da produtividade, resultou no capítulo 4, “A utilização da Inteligência Artificial para a predição dos parâmetros produtivos da suinocultura”. Com esses resultados, pode-se dizer que: identificou-se quais as condições ambientais e climáticas impactaram sobre a eficiência produtiva dos suínos, observando-se maior peso médio vivo, ganho médio diário e taxa de mortalidade nos animais criados na estação outono/inverno. Já a Conversão Alimentar não apresentou efeito significativo da estação do ano. Ainda, identificou-se o perfil ideal para produtores terminadores de suínos através de um modelo matemático capaz de predizer quais as chances de o produtor obter um melhor desempenho na suinocultura e, por meio de predições geradas, a partir do auxílio das Redes Neurais Artificiais, obteve-se como principal resultado a condição de se afirmar que o uso da metodologia das Redes Neurais Artificiais pode predizer com reduzidas margens de erro, as variáveis produtivas, conversão alimentar, mortalidade e ganho médio diário. / The main objective of the present work2 is to use the methodology of multivariate analysis, mathematical modeling and artificial neural networks in the production evaluation efficiency of swine-producing farms in Rio Grande do Sul state. The data used were collected in 47 municipalities in the region of Vale do Taquari, between February and March 2012, covering the universe of 120 producers. There are used a diagnosis with structured questions, in conjunction with the productive results of 494 slaughterings carried out in the years 2010 and 2011. Productive variables examined in swine termination phase reared in two distinct annual weather moments, spring/ summer and autumn/winter, comparing the differences occurring in the productivity variables, which resulted in section 2, "Analysis of the productive variables of swine on termination phase in two climatic seasons", where it was identified the ideal profile for producers s through a mathematical model to predict the chances of the better performance in swine production, which resulted in section 3, "Using the interactive performance optimization in identifying the ideal profile of swine terminators phase producers", and with the aid of artificial intelligence, a technology increasingly used in an attempt to assess with greater precision what factors in swine breeding can contribute significantly to improved productivity, resulted in sector 4 "The use of artificial intelligence for prediction of swine productive parameters". With these results, it can be said that: what are the identified environmental and climatic conditions that impacted on the swine productive efficiency, observing a greater average weight, daily gain and mortality rate in animals reared in autumn/winter seasons. The feed conversion did not provide any significant effect . Still, although the ideal profile for terminators producers through a mathematical model to predict the chances of the producer better performance and, by generated predictions from the artificial neural networks, obtained as main result the condition to assert that this method can aid for the predictionm with reduced margins of error, productive variables, feed conversion ratio, mortality and average daily gain.

Epilepsy is the most common neurological disorder and an accurate forecast of seizures would help to overcome the patient’s uncertainty and helplessness. In this contribution, we present and discuss a novel methodology for the classification of intracranial electroencephalography (iEEG) for seizure prediction. Contrary to previous approaches, we categorically refrain from an extraction of hand-crafted features and use a convolutional neural network (CNN) topology instead for both the determination of suitable signal characteristics and the binary classification of preictal and interictal segments. Three different models have been evaluated on public datasets with long-term recordings from four dogs and three patients. Overall, our findings demonstrate the general applicability. In this work we discuss the strengths and limitations of our methodology.