English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

OBJETIVO: Construir uma rede neural artificial para auxiliar os gestores de restaurantes universitários na previsão de refeições diárias. MÉTODOS: O estudo foi desenvolvido a partir do levantamento de oito variáveis que influenciam o número de refeições diárias servidas no restaurante universitário. Utiliza-se o algoritmo de treinamento Backpropagation. Os resultados por meio da rede são comparados com os da série estudada e com resultados da estimação por média aritmética simples. RESULTADOS: A rede proposta acompanha as inúmeras alterações que ocorrem no número de refeições diárias do restaurante universitário. em 73% dos dias analisados, o método das redes neurais artificiais apresenta uma taxa de acerto maior do que o método da média aritmética simples. CONCLUSÃO: A rede neural artificial mostrou-se mais adequada para a previsão do número de refeições do que a metodologia de média simples ou quando a decisão do número de refeições é feita de forma subjetiva, sem critérios científicos.OBJECTIVE: This study aimed to build an artificial neural network to help the managers of university cafeterias to predict the number of daily meals. METHODS: This study was based on a survey of eight variables that influence the number of daily meals served by a university cafeteria. Backpropagation training algorithm was used and the results obtained by the network are compared with results of the studied series and the results estimated by simple arithmetic average. RESULTS: The proposed network follows the numerous changes that occur in the number of daily meals of the university cafeteria. In 73% of the analyzed days, the artificial neural networks method presented a greater success rate than the simple arithmetic average method. CONCLUSION: Artificial neural network predicted the number of meals better than the simple average method or than decisions made subjectively

Utilização de redes neurais artificiais para a determinação do número de refeições diárias de um restaurante universitário