A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Prof. Frederico Brito Fernandes Redes Neurais Artificiais (RNA): Introdução CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios.

Apresentações semelhantes


Apresentação em tema: "Prof. Frederico Brito Fernandes Redes Neurais Artificiais (RNA): Introdução CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios."— Transcrição da apresentação:

1 Prof. Frederico Brito Fernandes Redes Neurais Artificiais (RNA): Introdução CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios Biológicos (4) Neurônios Artificiais (5) Funções de Ativação (6) Principais Arquiteturas Disciplina : Sistemas Inteligentes II

2 Professor: Frederico Brito Fernandes 2/26 Disciplina: Inteligência Artificial (1) Introdução Ressurgiu no final da década de 80 –Conexionismo: Computação não algorítmica Lembram a estrutura de um cérebro. –Sistemas paralelos distribuídos, compostos por unidades de processamento (nodos), que calculam funções matemáticas! –Unidades compostas em camadas e interligadas por conexões -> Inspirado no cérebro humano

3 Professor: Frederico Brito Fernandes 3/26 Disciplina: Inteligência Artificial (1) Introdução Solução bastante atrativa –Desempenho superior às soluções convencionais. Fase de Aprendizagem –Exemplos são apresentados; –Extrai-se características necessárias; –Características utilizadas para gerar respostas aos problemas.

4 Professor: Frederico Brito Fernandes 4/26 Disciplina: Inteligência Artificial (1) Introdução Capacidade de aprender –Através de exemplos, generalizando a informação aprendida. É o maior atrativo das RNAs

5 Professor: Frederico Brito Fernandes 5/26 Disciplina: Inteligência Artificial (2) Histórico Primeiro modelo artificial – Warren McCulloch e Walter Pitts em 1943 –McCulloch - Psiquiatra e Pitts – Matemático Modelo de Nodos ou nodos MCP Discussão em cima dos métodos de aprendizagem. Modelo MCP – Descrição do modelo artificial.

6 Professor: Frederico Brito Fernandes 6/26 Disciplina: Inteligência Artificial (2) Histórico Primeiro trabalho ligado ao aprendizado – Donald Hebb – 1949 –Variação dos pesos de entrada dos nodos –Utilizado hoje em vários algoritmos de aprendizagem 1958 – Frank Rosenblatt demonstrou que o perceptron poderiam classificar certos tipos de padrões.

7 Professor: Frederico Brito Fernandes 7/26 Disciplina: Inteligência Artificial (2) Histórico Perceptron de 3 camadas: –1 – Valores de Entrada (conexões fixas); –2 – Recebe os valores de entrada, cuja transmissão é ajustável; –3 – Envia as saídas como resposta. Faz classificação dividindo o espaço de valores em regiões distintas. Valores devem ser linearmente separáveis

8 Professor: Frederico Brito Fernandes 8/26 Disciplina: Inteligência Artificial (2) Histórico Os conexionistas buscam até hoje: –Projetar RNAs que fossem capazes de fazer descobertas interessantes sem a necessidade de regras! Em 1969 – Minsky e Papert descobriram que o perceptron não resolvia problemas difíceis de aprender(hard learning problems) – problemas não linearmente separáveis!

9 Professor: Frederico Brito Fernandes 9/26 Disciplina: Inteligência Artificial (2) Histórico Problema de tempo e espaço da IA simbólica, logo afetaria os conexionistas. Anos adormecidos (anos 70), apenas alguns trabalhos na área – artigo de John Hopfield estimula a retomadas das pesquisas na área. –Redes neurais de múltiplas camadas poderiam resolver os problemas difíceis de aprender.

10 Professor: Frederico Brito Fernandes 10/26 Disciplina: Inteligência Artificial (3) Motivação: Redes Biológicas Cérebro humano, comunicação de neurônios, processamento de informações e comportamento conjunto são a base para as RNAs. As RNAs tentam reproduzir as funções das redes biológicas. –Mas, pelo menos fisicamente, se diferem bastante.

11 Professor: Frederico Brito Fernandes 11/26 Disciplina: Inteligência Artificial (3) Motivação: Redes Biológicas Ambos são baseados em unidades de computação paralela e distribuídas, que se comunicam via conexões sinápticas nervosas. As RNAs podem reproduzir com fidelidade funções só encontradas no seres humanos.

12 Professor: Frederico Brito Fernandes 12/26 Disciplina: Inteligência Artificial (3) Motivação: Neurônios Biológicos Neurônios são divididos em 3 seções: –Corpo, dendritos e o axônio.

13 Professor: Frederico Brito Fernandes 13/26 Disciplina: Inteligência Artificial (3) Motivação: Neurônios Biológicos O efeito das sinapses é variável, dando ao neurônio uma capacidade de adaptação. Sinais recebidos são passados para o corpo, onde são comparados com os outros sinais. Se o percentual é suficientemente alto, a célula dispara um impulso nervoso!! Entradas: inibidoras ou excitatórias!

14 Professor: Frederico Brito Fernandes 14/26 Disciplina: Inteligência Artificial (4) Neurônios Artificiais: modelo MCP Simplificação do que se sabia sobre os neurônios biológicos. Modelo de n terminais de entrada x 1, x 2,...,x n (dendritos) e apenas uma saída y (axônio). Os terminais de entrada possuem pesos associados: w 1, w 2,...,w n (que podem ser positivos ou negativos – excitatórias ou inibitórias)

15 Professor: Frederico Brito Fernandes 15/26 Disciplina: Inteligência Artificial (4) Neurônios Artificiais: modelo MCP O efeito de uma entrada é dado por: x i w i Os pesos determinam em que grau o neurônio deve considerar sinais de disparo que ocorrem naquela conexão. Um neurônio biológico dispara quando a soma dos impulsos que ele recebe ultrapassa o seu limiar de excitação (threshold)

16 Professor: Frederico Brito Fernandes 16/26 Disciplina: Inteligência Artificial (4) Neurônios Artificiais: modelo MCP É feito a soma de cada x i w i (soma ponderada) e decide-se se o neurônio deve ou não disparar (saída 1 ou 0). No MCP, a ativação é dada pela função de ativação, que ativa ou não a saída. x i w i θ i = 1 n Função de Limiar:

17 Professor: Frederico Brito Fernandes 17/26 Disciplina: Inteligência Artificial (4) Neurônios Artificiais: modelo MCP É considerado que os nodos de cada camada disparam sincronamente, todos são avaliados ao mesmo tempo. Limitações do MCP: –Com apenas 1 camada só resolvem problemas linearmente separáveis; –Pesos negativos são mais adequados para representar disparos inibidores; –Proposto com pesos fixos, não ajustáveis.

18 Professor: Frederico Brito Fernandes 18/26 Disciplina: Inteligência Artificial (5) Funções de Ativação Função DEGRAU: Produz saídas + para os valores de x maiores que zero e saída - para valores de x menores que zero. + se x > + - se x - { y =

19 Professor: Frederico Brito Fernandes 19/26 Disciplina: Inteligência Artificial (5) Funções de Ativação Outros modelos propostos que produzem uma saída qualquer ( 1 ou 0) Função linear: y = αx α – número real y – saída x - entrada

20 Professor: Frederico Brito Fernandes 20/26 Disciplina: Inteligência Artificial (5) Funções de Ativação Função linear restringida, produzindo valores constantes em uma faixa [-,+ ], sendo chamada de função RAMPA; + se x + x se |x| < + - se x - { y =

21 Professor: Frederico Brito Fernandes 21/26 Disciplina: Inteligência Artificial (5) Funções de Ativação Função SIGMOIDAL (S-shape): Utilizadas na construção de diversos modelos nas mais diversas áreas. Função Sigmoidal Logística: y = 1 + є -x/T 1 T - representa a suavidade da curva

22 Professor: Frederico Brito Fernandes 22/26 Disciplina: Inteligência Artificial (6) Principais Arquiteturas das RNAs Redes com uma única camada de NODOS MCP, só resolvem problemas linearmente separáveis. Com mais camadas, resolvem outros tipos de problemas. Parâmetros da arquitetura: –número de camadas da rede; –número de nodos nas camadas; –tipo de conexão entre os nodos; –topologia da rede.

23 Professor: Frederico Brito Fernandes 23/26 Disciplina: Inteligência Artificial (6) Principais Arquiteturas das RNAs Número de camadas: –Camada única: –Múltiplas camadas: X1 x2 x3 x1 x2 x3 x4 x5 x6

24 Professor: Frederico Brito Fernandes 24/26 Disciplina: Inteligência Artificial (6) Principais Arquiteturas das RNAs Tipos de conexões: –feedforward ou acíclica: saída de um nodo não pode ser usada como entrada de outro em camada inferior ou na mesma camada. x1 x2 x3 x4 x5 x6 x1 x2 x3 x4 x5

25 Professor: Frederico Brito Fernandes 25/26 Disciplina: Inteligência Artificial (6) Principais Arquiteturas das RNAs Tipos de conexões: –feedback ou cíclica: a saída de algum neurônio pode ser usada como entrada de outro em camada inferior ou na mesma camada: x1 x2 x3 x4 Se todas as ligações são cíclicas, a rede é denominada auto- associativa. Úteis para recuperação de padrões de entrada.

26 Professor: Frederico Brito Fernandes 26/26 Disciplina: Inteligência Artificial (6) Principais Arquiteturas das RNAs Conectividade: –Rede fracamente (ou parcialmente) conectada: –Rede completamente conectada: x1 x2 x3 x4 X1 x2 x3 x1 x2 x3 x4 x5


Carregar ppt "Prof. Frederico Brito Fernandes Redes Neurais Artificiais (RNA): Introdução CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios."

Apresentações semelhantes


Anúncios Google