Add LoRa

4-comunicacao/opcoes/LoRa.md

@@ -0,0 +1,54 @@
+# LoRa - Long Range
+
+- Classificação: Modulação/Tecnologia
+
+LoRa (abreviação de Long Range) é uma tecnologia de rede sem fio e modulação de rádio de espectro de espalhamento de chirp (CSS), baseada em uma rede LPWAN (comunicações de baixa taxa de transferência de dados, baixo consumo de energia e longas distâncias). A empresa [Semtech](http://semtech.com/) é proprietária desta tecnologia. O LoRa opera sob a rede LoRaWAN, no qual é um protocolo que constitui e define o protocolo MAC para a rede. A Semtech fornece os chips de rádio LoRa, enquanto a [LoRa Alliance](https://lora-alliance.org/) (uma associação de empresas que  promove o desenvolvimento e uso de redes LoRa) cuida da padronização do protocolo LoRaWAN. 
+
+Alguns exemplos de chips da Semtech, são os transceptores de rádio sub-GHz SX1261, SX1262, SX1268, SX1272 e dentre outros. Para desenvolvimento de LoRa, existem varios tipos de placas, um conjunto recomendado é da familia nucleo da STM32 ([NUCLEO-L073RZ](https://www.st.com/en/evaluation-tools/nucleo-l073rz.html)) com uma board desenvolvida pela Mbed com o radio SX126x ([SX126xMB2xAS](https://os.mbed.com/components/SX126xMB2xAS/)):
+
+Nucleo-L073RZ:
+
+![Nucleo-L073](imgs/nucleo.jpg)
+
+Board SX126x:
+
+![sx126x](imgs/sx126x.jpg)
+
+## Características
+
+### Tecnologia
+
+O LoRa usa bandas de radiofrequência sub-gigahertz sem licença, como 433 MHz, 868 MHz (Europa), 915 MHz (Austrália e América do Norte) e 923 MHz (Ásia).
+
+- Alcance
+  - Em condições normais, de 3-4 Km de distância em zonas urbanas e 12 Km em zonas rurais. Casos fora do normal, existem recordes que passam de 800Km de distância, mas é usados dutos/balões e dispositivos utilizando antenas moxon, no qual é possivel multiplicar o alcance.
+
+- Largura de banda
+  - LoRa usa três larguras de banda: 125kHz, 250kHz e 500kHz para uplinks e downlinks.
+
+LoRaWAN usa uma configuração diferente de frequências, fatores de espalhamento e larguras de banda, dependendo de onde você está localizado no mundo. Para as bandas EU868, EU433, CN780, AU915, LA915, AS923 e dentre outras, como citado acima. As taxas de dados para região do brasil (LA915) conforme [Everynet](https://www.everynet.com/) (empresa que implanta infraestrutura para rede LoRaWAN em algumas partes do mundo), são as seguintes:
+
+| Index | Bandwidth | Spreading Factor | Paylaod Max Size | Physical bitrate [bit/sec] |
+|:-----:|:---------:|:----------------:|:----------------:|:--------------------------:|
+| 0     | 125 kHz   | SF12             | 51               | 250                        |
+| 1     | 125 kHz   | SF11             | 51               | 440                        |
+| 2     | 125 kHz   | SF10             | 51               | 980                        |
+| 3     | 125 kHz   | SF9              | 115              | 1760                       |
+| 4     | 125 kHz   | SF8              | 242              | 3125                       |
+| 5     | 125 kHz   | SF7              | 242              | 5470                       |
+| 6     | 500 kHz   | SF8              | 242              | 12500                      |
+
+
+### Protocolo
+
+- LoRaWAN.
+
+### Exemplo de uso
+
+![ArquiteturaLoRa](imgs/arquiteturalora.png)
+
+## Referências
+
+[Lora - Semtech](https://www.semtech.com/lora)
+
+[Recorde de Distância](https://www.thethingsnetwork.org/article/lorawan-world-record-broken-twice-in-single-experiment-1)

5-tratamentodedados/opcoes/RandomForest.md

@@ -0,0 +1,49 @@
+# RandomForest
+
+- Tipo de aprendizado: Supervisionado
+- Subcategoria: Regressão/Classificação
+
+Este algoritmo trabalha com a criação de várias arvores de decisão aleatoriamente, formando uma floresta na qual cada arvore é utilizada para se obter o resultado final. 
+
+O método usado consiste em uma combinação de diferentes modelos para se obter um único resultado, tornando assim, um algoritmo mais robusto e complexo, exigindo um poder computacional maior.
+
+Vantagens do algoritmo
+
+- Alta velocidade de aprendizagem
+- Aprendizado não iterativo — o algoritmo é concluído em um número fixo de operações
+- Escalabilidade (capacidade de lidar com grandes quantidades de dados)
+- Alta qualidade dos modelos obtidos (comparável com as redes neurais e os ensembles de redes neurais)
+- Sem sensibilidade aos picos nos dados devido a amostragem aleatória
+- Um pequeno número de parâmetros configuráveis
+- Sem sensibilidade ao dimensionamento dos valores das características (e a qualquer transformação monótona em geral) devido à seleção de subespaços aleatórios
+- Não requer uma configuração cuidadosa dos parâmetros, funciona bem fora da caixa. O "ajuste" dos parâmetros permite um aumento na precisão de 0,5% a 3%, dependendo da tarefa e dos dados.
+- Funciona bem com dados ausentes — mantém uma boa precisão, mesmo que uma grande parte dos dados estejam ausente.
+- Avaliação interna da capacidade de generalização do modelo.
+- A capacidade de trabalhar com dados brutos, sem pré-processamento.
+
+## Descrição
+
+### Onde é usado (tecnicamente)
+
+A subcategoria desse algoritmo, pode ser usado como regressão (média dos valores para obtenção do resultado final) e em classificação, no qual o resultado que mais se repetir será o escolhido.
+
+### Como é utilizado
+
+Como citado na introdução, o algoritmo é utilizado com a combinação de diferentes modelos para se obter um único resultado, serão criadas várias árvores de decisão. Cada arvore pode ser considerado um modelo, se criarmos por exemplo 100 modelos, teremos 100 resultados, que serão agregados em apenas um.
+
+Serão criados vários modelos diferentes a partir de um algoritmo, assim construindo várias arvores de decisão e combinando entre eles para chegar em um resultado final:
+
+![RANDOMFLOREST](imgs/exemplo_fr.png)
+
+O algoritmo criará uma estrutura similar a um fluxograma, com “nós” onde uma condição é verificada, e se atendida o fluxo segue por um ramo, caso contrário, por outro, sempre levando ao próximo nó, até a finalização da árvore.
+
+Todos passos executados pelo algoritmo serão selecionados aleatoriamente algumas amostras dos dados de treino, nunca repetindo as amostras já selecionadas. 
+
+### Exemplos de caso de uso
+
+Estatística, mineração de dados, aprendizado de máquina e etc...
+
+## Referências
+
+[Artigo - FLORESTA DE DECISÃO ALEATÓRIA NA APRENDIZAGEM POR REFORÇO](https://www.mql5.com/pt/articles/3856)
+[didática](https://didatica.tech/o-que-e-e-como-funciona-o-algoritmo-randomforest/#:~:text=Em%20portugu%C3%AAs%2C%20Random%20Forest%20significa,na%20escolha%20do%20resultado%20final.)