A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução.

Apresentações semelhantes


Apresentação em tema: "ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução."— Transcrição da apresentação:

1 ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução

2 Introdução 2 Modelos inspirados no Cérebro humano Varias unidades de processamento (neurônios) Interligadas por grande número de conexões (sinapses) Eficientes onde métodos tradicionais são inadequados

3 Propriedades das RNA 3 Capacidade de se adaptar ou aprender Generalizar Agrupar ou organizar dados

4 Definição 4 Uma RNA é um processador maciçamente e paralelamente distribuído constituído de unidades de processamento simples (+-) (neurônios), que têm a propensão neural para armazenar conhecimento experimental e torná-lo disponível para o uso.

5 Semelhança com o Cérebro 5 O conhecimento é adquirido pela rede a partir de seu ambiente através de um procedimento de aprendizagem Forças de conexões entre neurônios, conhecidas como pesos sinápticos são utilizados para armazenar o conhecimento adquirido (MLP)

6 Por que utilizar 6 Habilidade de tratar sistemas não lineares Tolerância a falhas Adaptabilidade Aprendizado Generalização Abstração

7 Comentário 7 As Redes Neurais Artificiais Aprendem através de Exemplos

8 Áreas de aplicação 8 Classificação (reconhecimento) de padrões Clustering/ Categorização Aproximação de funções Previsão Otimização Controle

9 Neurônios 9

10 10

11 Estrutura geral das RNAs 11 Unidades de processamento Conexões Topologia

12 Estrutura geral das RNAs 12

13 Unidades de Processamento 13 Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada

14 Função de ativação 14 Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)

15 Função de saída 15 Transforma o estado de ativação de uma unidade em seu sinal de saída Geralmente é uma função identidade

16 Conexões 16 Definem como os neurônios são conectados Codificam o conhecimento ou memória da rede São o equivalente às sinapses nas RN naturais Aqui ocorre o resultado do aprendizado

17 Topologia 17 Número de camadas da rede Número de nodos em cada camada Tipo da conexão entre os nodos Como as funções são interconectadas

18 Arquitetura de uma RNA 18 Tipo da rede utilizada Forma como é utilizada

19 Algoritmo de treinamento 19 Forma pela qual os parâmetros são configurados. Uma rede pode ser treinada de várias formas diferentes. A aplicação da rede treinada é independente do algoritmo usado para treiná-la.

20 Formas de Aprendizado 20 Supervisionado Não Supervisionado Híbrido

21 Aprendizado supervisionado 21 A rede é treinada para promover o casamento entre as entradas e a saída desejada. Deve haver um conjunto conhecido de dados para treinar a rede

22 Aprendizado Não Supervisionado 22 A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.

23 Aprendizado Híbrido 23 Combina aprendizado supervisionado e não supervisionado RBF (Radial Basis Function-Função de Base Radial)

24 Redes Feedforward 24 Sinais seguem em uma única direção Exemplos: Perceptron/ RBF

25 Redes recorrentes (com feedback) 25 Possuem conexões ligando a saída da rede à sua entrada

26 Projetando Sistemas Convencionais Formular modelo a partir de observações do ambiente Validar modelo com dados reais Construir o sistema usando o modelo

27 Projetando RNAs É baseado apenas nos dados Exemplos para treinar a rede devem contemplar todos os casos de saída representativos

28 Projeto de Uma RNA 28 Escolher um modelo Selecionar a arquitetura adequada Fazer um pré-processamento adequado

29 Conjuntos de Dados de Treinamento 29 Discussão com a turma

30 Aprendizado por Correção de Erro 30 Minimizar a função de Custo

31 Aprendizado competitivo 31 Neurônios competem entre si para serem ativados

32 Aprendizado por reforço 32 Se a ação tomada pelo sistema é satisfatória o sistema é fortalecido caso contrário o sistema é enfraquecido Recompensa e penalização FAN

33 Seminários 33 Origens das redes Neuronais com modelos das primeiras aplicações MLP com backpropagation RBF Aplicações


Carregar ppt "ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução."

Apresentações semelhantes


Anúncios Google