Cérebro Artificial Intelligence, a modern approach

Apresentação em tema: "Cérebro Artificial Intelligence, a modern approach"— Transcrição da apresentação:

1 Cérebro Artificial Intelligence, a modern approach
Franck Bellemain, CIn - UFPE

2 Computador vs cérebro Franck Bellemain, CIn - UFPE

3 Rede neural Redes neurais procuram simular o funcionamento do cérebro definindo uma rede de operadores (neurônios). Cada operador calcula um nível de ativação em função das ativações que ele recebe. Franck Bellemain, CIn - UFPE

4 Neurônio Nesse modelo, um neurônio é definido da forma seguinte:
Franck Bellemain, CIn - UFPE

5 Exemplo de funções de ativação
Franck Bellemain, CIn - UFPE

6 Estrutura de redes neurais
A caracterização de redes neurais inspira-se do funcionamento do cérebro. As definições de estruturas de redes não procuram copiar estruturas internas do cérebro. Assim, com a definição de neurônio, podemos conceber múltiplas estruturas. Em geral, as redes mais estudadas são “feed-forward” e algumas redes “recurrent”. Franck Bellemain, CIn - UFPE

7 Redes “feed-forward” As redes feed-forward são constituídas de unidades de entrada, de saída e eventualmente unidades escondidas organizadas em camadas (layers). As unidades de entrada recebem um sinal, As unidades de saída dão o resultado da ativação, As unidades escondidas são as outras unidades que participam da determinação do estado da rede, sem ser de saída ou entrada. Franck Bellemain, CIn - UFPE

8 Redes de perceptrons Um caso particular de rede “feed-forward” que só tem unidades de entrada e saída é chamado perceptron. Uma rede de tipo perceptron pode ser decomposta em vários perceptrons. Franck Bellemain, CIn - UFPE

9 Aprendizagem No contexto de redes neurais, a aprendizagem consista na determinação dos valores dos pesos (Wi,j). Essa aprendizagem ocorra com o treinamento da rede sobre exemplo com resultados conhecidos. O erro (diferencia entre o resultado da rede e o resultado conhecido) modifica os pesos (Wi,j) para ser minimizada. O algoritmo (“back propagation”) vai repercutindo as modificação das saídas ate as entradas. Franck Bellemain, CIn - UFPE

10 Aprendizagem (perceptron)
Err=O - T (O=saída da rede, T=saída correta) Wj <- Wj + a x Ij x Err a é o coeficiente de aprendizagem (learning rate) Franck Bellemain, CIn - UFPE

11 Aprendizagem (Feed-forward)
Wj,i <- Wj,i + a x aj x Di, Di é Erri x g’(ini) Wk,j <- Wk,j + a x Ik x Dj, Dj é g’(inj) x S(Wj,i x Dj) Franck Bellemain, CIn - UFPE

12 Redes “recurrent” Uma rede “recurrent” pode ter qualquer topologia. Existem dois tipos mais conhecidos: Rede Hopfield Todas unidades são saídas e entradas, Bidirecional conexões com pesos simétricos, A função de ativação é a função signo (±1), Associativa memória. Maquina Boltzmann Tem unidades escondidas, A função de ativação é resultado de uma probabilidade sobre a soma dos pesos da unidade. Franck Bellemain, CIn - UFPE

13 Dificuldade Determinar a topologia a mais adaptada para resolver tipos de problemas: Pesquisar dentro de conjunto de redes, usar e adaptar outras redes, começar com uma pequena rede e ampliar, começar com uma grande rede e diminuir. Franck Bellemain, CIn - UFPE

14 Discussão Expressividade Tempo de calculo Generalidade
Sensibilidade para “noise” Transparência Conhecimento inicial Franck Bellemain, CIn - UFPE

15 Caso do nariz Cada sensor determina a presencia de um componente químico. Sistema de sensores que produz uma tabela de componentes identificados: um padrão. A rede, depois de uma aprendizagem, reconhece diversas odores. Franck Bellemain, CIn - UFPE

16 Um exemplo Exemplo de uma rede “feed-forward” usada para a detecção de combinação de 8 componentes. Franck Bellemain, CIn - UFPE

17 Tele-cheiro Descrição de um sistema de reconhecimento e reconstrução a distancia de cheiros. Franck Bellemain, CIn - UFPE