A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Análise Multivariada Aplicada as Ciências Agrárias Prof. Joseph Kalil Khoury Junior Prof. Carlos Alberto Alves Varella \\kalil\\redes_neurais REDES NEURAIS.

Apresentações semelhantes


Apresentação em tema: "Análise Multivariada Aplicada as Ciências Agrárias Prof. Joseph Kalil Khoury Junior Prof. Carlos Alberto Alves Varella \\kalil\\redes_neurais REDES NEURAIS."— Transcrição da apresentação:

1 Análise Multivariada Aplicada as Ciências Agrárias Prof. Joseph Kalil Khoury Junior Prof. Carlos Alberto Alves Varella \\kalil\\redes_neurais REDES NEURAIS ARTIFICIAIS

2 Redes Neurais Biológica z10 11 neurônios interconectados (cérebro) z10 4 conexões para cada neurônio zAlgumas estruturas neurais nascem com a gente, outras são estabelecidas por experiência

3 Redes Neurais Biológica zAs funções biológicas dos neurônios são armazenadas neles e nas conexões zAprender é um processo de estabelecimento de novas conexões ou modificações das existentes

4 Redes Neurais Biológica zDendrito carrega o sinal elétrico para o núcleo da célula principal, que soma e limiariza todos os sinais e os enviam pelo axônio e dendritos provocando uma conexão (sinapse). zCada sinapse tem um determinado peso

5 Redes Neurais Biológica Embora os neurônios serem bem mais lentos do que os circuitos elétricos (1:10 6 ), o cérebro é capaz de realizar muitas tarefas bem mais rápido que qualquer computador convencional. Umas das causas é devido à estrutura da rede neural ser massivamente paralela.

6 Rede Neural Artificial - RNA zModelo simplificado (mas útil) do que acontece no cérebro zInicio, como ciência nos anos 40 (McCulloch & Pitts, 1943)

7 Rede Neural Artificial - RNA zNos anos 80 constatou-se a sua aplicabilidade devido ao desenvolvimento de algoritmos para treinamento e computadores velozes.

8 Exemplos de Aplicações de RNA zPiloto automático zLeitora de cheques e outros documentos zDireção de bombas zVisão artificial zAnálise de células cancerosas zReconhecimento de voz z…

9 Modelo de Um Neurônio c/ Uma Entrada p = entrada w = sinapse (peso) b = bias n = entrada da rede (net input) f = função de ativação a = saída

10 Funções de Ativação Hagan et al. (1996)

11 Funções de Ativação z Fazer exemplo no pront Matlab – cap2-20

12 Funções de Ativação

13 Um Neurônio c/ Múltiplas Entradas

14 W=[w 1,1 w 1,2 w 1,3... w 1,R ] Nomenclatura para a matriz dos pesos: w i,j i = neurônio de destino; j = neurônio do sinal

15 Uma Rede c/ Uma Camada S=3 Neurônios

16 Uma Rede c/ Uma Camada de 2 Neurônios

17 Uma RN P S 1 S 2 S 3 – RN R333 EX: RN rede neural de 3 camadas P – 9 entrada (vetor de variáveis); S 1 – 6 neurônios (escondida); S 2 – 5 neurônios (escondida); S 3 – 1 neurônios (saída = resposta).

18 Rede Neural zRN com mais de uma camada é mais poderoso que uma RN com uma camada Por exemplo, uma RN x-y-z com funções sigmoides na camada escondida y e com funções lineares na camada de saída z, pode aproximar a maioria das funções.

19 ????? RN ????? zQual a arquitetura da RN ? Quantas camadas ? Quantos neurônios em cada camada ? Qual a função de ativação ? A priori o treinamento não se pode definir !!! zO que é treinamento (aprendizado)? Ajuste dos parâmetros livres para que a RN realize desejada tarefa ! Utilizando learning rule !

20 Backpropagation Algorithm zRetropropagação do erro zPossibilitou o treinamento de redes neurais com mais de uma camada z1980s zRN com uma camada (perceptron) só serve para problemas linearmente discriminantes


Carregar ppt "Análise Multivariada Aplicada as Ciências Agrárias Prof. Joseph Kalil Khoury Junior Prof. Carlos Alberto Alves Varella \\kalil\\redes_neurais REDES NEURAIS."

Apresentações semelhantes


Anúncios Google