Redes Neurais Artificiais Vitor Almeida

O que são redes neurais Composição de elementos simples agindo em paralelo. Inspiração biológica – NEURÔNIOS. A função simulada pela rede é determinada pelos pesos entre os neurônios.

Tem que se treinar a rede! Normalmente, o treinamento é feito apresentando a rede vários vetores de entrada e cada uma de suas saídas desejadas (TREINAMENTO SUPERVISIONADO).

+ Treinamento O treinamento pode ser do tipo BATCH ou ON-LINE. O treinamento pode ser NÃO-SUPERVISIONADO.

A pouco tempo atrás...

Neurônios

Funções de ativação

Neurônio com um vetor de entradas

Uma camada de neurônios

Várias camadas de neurônios

O Perceptron

Regras de Aprendizado Uma regra de aprendizado é o procedimento para modificar os pesos e bias de uma rede. No caso do aprendizado supervisionado uma série de exemplos e respectivas saídas desejadas é apresentado a rede. Assim, um exemplo é apresentado a rede e saída da rede é comparada com a saída desejada, caso não sejam iguais, os pesos e bias são ajustados para aproximar a saída da rede à saída desejada.

Regra de treinamento do Perceptron (Delta Rule) Para cada exemplo apresentado ao Perceptron: Caso 1: se a saída obtida for igual a desejada, os pesos (matriz W) não são alterados. Caso 2: se a saída obtida for 1 e a desejada 0, os valores de P são adicionados a W. Caso 3: se a saída obtida for 0 e a desejada 1, os valores de P são subtraídos de W. Ou seja: ∆W = erro * P A medida que os exemplos são apresentados à rede e os pesos ajustados, o Perceptron passa a resolver corretamente todos os exemplos.

Backpropagation ou Retropropagação Generalização da regra de aprendizado de Widrow-Holf para redes com várias camadas e funções de ativação diferenciáveis e não lineares. Redes com bias, uma camada sigmóide e uma camada de saída linear podem aproximar qualquer função com um número finito de descontinuidades. Assim, após treinamento uma rede MLP-BP responde razoavelmente bem à entradas cujas saídas desejadas não foram apresentadas a rede.

O processo para construir e fazer funcionar uma MLP-BP Separe os dados de treinamento. Crie a rede. Treine a rede. Simule as respostas da rede a novos inputs.

Arquitetura

Como treinar? Duas Fases: Forward: Um exemplo é apresentado a camada de entrada. O “sinal” percorre as camadas escondidas. Em cada camada, cada neurônio gera sua saída que servirá de entrada para os neurônios da camada subsequente. As saídas produzidas pela última camada são comparadas às saídas desejadas. Backward: A partir da última camada até a camada de entrada: Os neurônios da camada atual ajustam seus pesos de forma a reduzir seus erros. Os erros dos neurônios das camadas intermediárias são calculados a partir dos erros dos neurônios da camada subseqüente ponderados pelos pesos das conexões entre eles.

Aplicações Reconhecimento de imagens Reconhecimento de sons classificação de caracteres reconhecimento de assinaturas reconhecimento de faces Reconhecimento de sons classificação de fonemas reconhecimento de comandos Classificação financeira análise de crédito análise de investimentos previsão e falência de empresas

+ Aplicações Análise de células cancerígenas Diagnóstico de doenças Predição de casos de dengue a partir de séries históricas Reconhecimento de cadeias de nucleotídeos

Xiscanoé A idéia inicial seria usar uma rede neural artificial no lugar das regras de mudança de estado dos autômatos celulares. Dificuldades: treinamento da rede, onde conseguir uma série histórica para treinar a rede? Resolução: Buscar bases de dados alternativas. Uma idéia: Previsão da incidência de dengue por bairro em Jaboatão. Cada bairro seria uma célula!

Xiscanoé Outro caminho: Entender como funcionam os autômatos hoje em funcionamento no Xiscanoé! Daí ou implementar a idéia de usar redes neurais no lugar das regras... Ou tentar implementar redes neurais para fazer o que os autômatos fazem e comparar. Finalmente tentar entender o que uma cellular neural network, que é uma rede neural baseada nos autômatos celulares.