redes neurais

Redes Neurais

Alex AlonsoAntônio NunesCarolina BorgesEverton RamosKézia bittencourt

O sistema nervosoO cérebro humano possui

aproximadamente 10 bilhões de neurônios;

São conectados através de sinapses;

Formam a rede neural;

O sistema nervosoAs sinapses transmitem

estímulos através de diferentes concentrações de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode ser estendido por todo o corpo humano.

Sinapse

O sistema nervosoOs neurônios têm um papel essencial

na determinação do funcionamento, comportamento e do raciocínio do ser humano.

Ao contrário das redes neurais artificiais, redes neurais naturais não transmitem sinais negativos, sua ativação é medida pela frequência com que emite pulsos, frequência esta de pulsos contínuos e positivos.

Redes Neurais artificiaisRedes Neurais Artificiais são

técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.

Redes Neurais artificiais - HistóricoAs pesquisas sobre redes neurais

artificias começaram basicamente com três publicações muito importantes neste universo, desenvolvidas por: McCulloch e Pitts (1943), Hebb (1949), e Rosemblatt (1958).

Redes Neurais artificiaisMcCulloch - neurônio possuia

apenas uma saída, que era uma função de entrada (threshold) da soma do valor de suas diversas entradas;

Redes Neurais artificiaisRosemblatt - os neurônios eram

organizados em camada de entrada e saída, onde os pesos das conexões eram adaptados a fim de se atingir a eficiência sináptica;

Redes Neurais artificiaisRumelhart, Hinton e Williams – famoso

backpropagation. Modelo de 3 camadas:

Camada de Entrada: onde os padrões são apresentados à rede;

Redes Neurais artificiais

Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características;

Camada de Saída: onde o resultado final é concluído e apresentado.

Processos de aprendizado

Aprendizado Supervisionado: quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada;

Aprendizado Não Supervisionado: (auto-organização), quando não existe um agente externo indicando a resposta desejada para os padrões de entrada;

Reforço: quando um crítico externo avalia a resposta fornecida pela rede.

Processos de aprendizado

Modo Padrão: A correção dos pesos acontece a cada apresentação à rede de um exemplo do conjunto de treinamento. Cada correção de pesos baseia-se somente no erro do exemplo apresentado naquela iteração. Assim, em cada ciclo ocorrem N correções.

Modo Batch: Apenas uma correção é feita por ciclo. Todos os exemplos do conjunto de treinamento são apresentados à rede, seu erro médio é calculado e a partir deste erro fazem-se as correções dos pesos.

Treinamento supervisionado

Adotado no Perceptron, consiste em ajustar os pesos e os thresholds de suas unidades para que a classificação desejada seja obtida.

Cada informação processada gera um peso, dependendo do resultado. Se for um acerto, ela ganha um ponto, se for um erro, ela perde meio ponto. Dessa forma, o sistema cria a rotina de seguir o caminho com mais pontos sempre.

Treinamento supervisionado

Quanto mais tentativas, mais aprimorado fica o sistema, chegando, ao final de um processo de aprendizado, a executar tarefas quase sem erro algum.

Em sistemas bem elaborados, uma rede neural consegue aprender qualquer função que uma pessoa possa saber e não há limites para a quantidade de informação que ela possa processar.

Treinamento supervisionadoRegra Delta:

1) Iniciar todas as conexões com pesos aleatórios;

2) Repita até que o erro E seja satisfatoriamente pequeno (E=e);

3) Para cada par de treinamento (X,d), faça:1) Calcular resposta obtida O;2) Se o erro não for satisfatoriamente pequeno E

> e, então:

4) Atualizar pesos: Wnovo := W anterior + neta E X

Treinamento supervisionadoRegra Delta:

1) Iniciar todas as conexões com pesos aleatórios;

2) Repita até que o erro E seja satisfatoriamente pequeno (E=e);

3) Para cada par de treinamento (X,d), faça:1) Calcular resposta obtida O;2) Se o erro não for satisfatoriamente pequeno E

> e, então:

4) Atualizar pesos: Wnovo := W anterior + neta E X

Treinamento supervisionado

Regra Delta:

Inteligência ArtificialAs redes neurais são principalmente

utilizadas para criar sistemas de inteligência artificial.

a inteligência artificial gerada por computadores tradicionais são simulações de inteligência real, ou seja, apresentam respostas segundo regras e comandos de um programa pré-estabelecido.

Inteligência ArtificialSimbólica:

simula o comportamento inteligente. Ela é baseada em uma programação que indica quais respostas devem ser dadas diante de determinados comandos.

corretores ortográficos ou simuladores ;

esses programas dificilmente aprendem coisas novas, somente se você incluir novas programações.

Inteligência ArtificialConexionista:

conexionista simula a estrutura do cérebro, pois acredita-se que a inteligência está na forma de processar informação e não na informação processada.

aprender com seus erros e executar diferentes processos, independente de instruções

Perceptronfoi à primeira máquina criada para

processamento de informação feita sobre o sistema de redes neurais.

Ele é construído com neurônios artificiais, formando redes de processamento.

Perceptronele não executa programas, mas os

aprende.

As informações não são gravadas, mas aprendidas.

é capaz de múltiplos processamentos e testes de hipóteses em paralelo