Redes Neurais Artificiais Prof. Júlio Cesar Nievola PPGIA – PUCPR Especialização em Inteligência Computacional

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais2 Redes Neurais Artificiais Sistemas Neurais Artificiais Conexionismo Sistemas Adaptativos Neurocomputadores Sistemas Massivamente Paralelos Distribuídos Redes Neurais (Artificiais)

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais3 Redes Neurais Artificiais Reunião no Dartmouth College Paradigmas básicos: Simbólico Conexionista Perceptron (1 camada de pesos ajustáveis) Descrédito a partir do final da década 60 Impulso a partir da década de 80

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais4 Computador x cérebro Velocidade de processamento  CPU: Clock (Cray 3) 4.2ms  Neural: disparo neurônio ms Ordem de processamento  CPU: serial  Neural: paralelo Abundância e complexidade:  CPU: um ou poucos processadores  Neural: neurônios; conexões/neurônio

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais5 Computador x cérebro Armazenamento do conhecimento  CPU: estritamente relocável  Neural: adaptativo Tolerância a falhas  CPU: mínima, senão inexistente  Neural: boa Controle do processamento  CPU: controle autocrático, centralizado  Neural: controle anárquico, distribuído

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais6 Elemento de base Neurônio simplificado Componentes: Axônio Dendritos Sinapses

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais7 Forma Matemática Simplificada Dendritos: entradas Corpo celular: Soma ponderada Função não-linear Axônio: distribuição aos neurônios

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais8 Terminologia Elementos de Processamento: Nós Memória de curto prazo População Ligações entre elementos de processamento Peso (Força de) interconexão Memória de longo prazo

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais9 Aprendizagem Supervisionada Não-supervisionada Com reforço

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais10 Etapas de Projeto Definir o problema Escolher informação Obter dados Criar arquivos rede Treinar a rede Testar a rede Uso em campo

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais11 Topologias: Construtiva

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais12 Topologias: Hopfield

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais13 Topologias: Recorrente

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais14 Topologias: Não-Supervisionada

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais15 Classificação das RNAs

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais16 Sub- e sobre-ajuste do polinômio

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais17 Extração de Regras É a tarefa de converter modelos de redes neurais treinadas em representações mais facilmente compreensíveis Surgiu em função de Data Mining boom Interesse em métodos como boosting, bagging e error-correcting output codes

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais18 Características dos Métodos de Extração de Regras Compreensibilidade Quanto são humanamente compreensíveis Fidelidade Quanto modela a RNA da qual foi extraída Precisão Previsão precisa sobre exemplos não vistos Escalabilidade Grandes espaços de entrada, unidades e conexões Generalidade Treinamento especial e/ou restrições

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais19 Implementações Características-chave: Computacionalmente intensivas Massivamente paralelas Grandes requisitos de memória Possibilidades de implementação Computadores convencionais Computadores dedicados Implementação em hardware específico

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais20 Redes Neurais Artificiais Razões para utilização Paralelismo Capacidade de adaptação Memória distribuída Capacidade de generalização Facilidade de construção

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais21 Redes Neurais Artificiais Limites de utilização Simulação em máquinas seqüenciais A passagem da simulação para a implementação em hardware está no início O desempenho é dependente da qualidade e da pertinência do pré- tratamento efetuado

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais22 Redes Neurais Artificiais Características de uma boa aplicação Regras de resolução do problema desconhecidas ou difíceis de formalizar Dispõe-se de um grande conjunto de exemplos e suas soluções Necessita-se de grande rapidez na resolução do problema, p.ex. Tempo real Não existem soluções tecnológicas atuais

Prof. Júlio Cesar Nievola PPGIA - PUCPR Especialização em Inteligência Computacional Redes Neurais Artificiais23 Redes Neurais Artificiais Domínios de aplicação privilegiados Reconhecimento de formas Tratamento de sinal Visão, fala Previsão e modelagem Auxílio à decisão Robótica