Redes Neuronais/Neurais/ Conexionistas Introdução Roberto Tadeu Raittz
Introdução Modelos inspirados no Cérebro humano Varias unidades de processamento (neurônios) Interligadas por grande número de conexões (sinapses) Eficientes onde métodos tradicionais são inadequados
Propriedades das RNA Capacidade de se adaptar ou aprender Generalizar Agrupar ou organizar dados
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.
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)
Por que utilizar Habilidade de tratar sistemas não lineares Tolerância a falhas Adaptabilidade Aprendizado Generalização Abstração
Comentário As Redes Neurais Artificiais Aprendem através de Exemplos
Áreas de aplicação Classificação (reconhecimento) de padrões Clustering/ Categorização Aproximação de funções Previsão Otimização Controle
Neurônios
Neurônios
Estrutura geral das RNAs Unidades de processamento Conexões Topologia
Estrutura geral das RNAs
Unidades de Processamento Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada
Função de ativação Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)
Função de saída Transforma o estado de ativação de uma unidade em seu sinal de saída Geralmente é uma função identidade
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
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
Arquitetura de uma RNA Tipo da rede utilizada Forma como é utilizada
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.
Formas de Aprendizado Supervisionado Não Supervisionado Híbrido
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
Aprendizado Não Supervisionado A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.
Aprendizado Híbrido Combina aprendizado supervisionado e não supervisionado RBF (Radial Basis Function-Função de Base Radial)
Redes Feedforward Sinais seguem em uma única direção Exemplos: Perceptron/ RBF
Redes recorrentes (com feedback) Possuem conexões ligando a saída da rede à sua entrada
Projetando... Sistemas Convencionais Formular modelo a partir de observações do ambiente Validar modelo com dados reais Construir o sistema usando o modelo
Projetando... RNAs É baseado apenas nos dados Exemplos para treinar a rede devem contemplar todos os casos de saída representativos
Projeto de Uma RNA Escolher um modelo Selecionar a arquitetura adequada Fazer um pré-processamento adequado
Conjuntos de Dados de Treinamento Discussão com a turma
Aprendizado por Correção de Erro Minimizar a função de Custo
Aprendizado competitivo Neurônios competem entre si para serem ativados
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
Seminários Origens das redes Neuronais com modelos das primeiras aplicações MLP com backpropagation RBF Aplicações