Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouOtávio Veiga Alterado mais de 9 anos atrás
1
Redes Neuronais/Neurais/ Conexionistas Introdução
Roberto Tadeu Raittz
2
Introdução 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 Capacidade de se adaptar ou aprender Generalizar
Agrupar ou organizar dados
4
Definição 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
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 Habilidade de tratar sistemas não lineares
Tolerância a falhas Adaptabilidade Aprendizado Generalização Abstração
7
Comentário As Redes Neurais Artificiais Aprendem através de Exemplos
8
Áreas de aplicação Classificação (reconhecimento) de padrões
Clustering/ Categorização Aproximação de funções Previsão Otimização Controle
9
Neurônios
10
Neurônios
11
Estrutura geral das RNAs
Unidades de processamento Conexões Topologia
12
Estrutura geral das RNAs
13
Unidades de Processamento
Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada
14
Função de ativação Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)
15
Função de saída Transforma o estado de ativação de uma unidade em seu sinal de saída Geralmente é uma função identidade
16
Conexões 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
Como as funções são interconectadas
Topologia 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 Tipo da rede utilizada Forma como é utilizada
19
Algoritmo de treinamento
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 Supervisionado Não Supervisionado Híbrido
21
Aprendizado supervisionado
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
A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.
23
Aprendizado Híbrido Combina aprendizado supervisionado e não supervisionado RBF (Radial Basis Function-Função de Base Radial)
24
Redes Feedforward Sinais seguem em uma única direção
Exemplos: Perceptron/ RBF
25
Redes recorrentes (com feedback)
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 Escolher um modelo
Selecionar a arquitetura adequada Fazer um pré-processamento adequado
29
Conjuntos de Dados de Treinamento
Discussão com a turma
30
Aprendizado por Correção de Erro
Minimizar a função de Custo
31
Aprendizado competitivo
Neurônios competem entre si para serem ativados
32
Aprendizado por reforço
Se a ação tomada pelo sistema é satisfatória o sistema é fortalecido caso contrário o sistema é enfraquecido Recompensa e penalização FAN
33
Seminários Origens das redes Neuronais com modelos das primeiras aplicações MLP com backpropagation RBF Aplicações
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.