Revisão 2° Bimestre Inteligência Artificial. Redes Neurais.

Apresentação em tema: "Revisão 2° Bimestre Inteligência Artificial. Redes Neurais."— Transcrição da apresentação:

1 Revisão 2° Bimestre Inteligência Artificial

2 Redes Neurais

3 Neurônio Artificial (I) 1.Sinais são apresentados à entrada; 2.Cada sinal é multiplicado por um peso que indica sua influência na saída da unidade; 3.É feita a soma ponderada dos sinais que produz um nível de atividade; 4.Se este nível excede um limite (threshold) a unidade produz uma saída;

4 Neurônio Artificial (II) Entradas = X1 a XN Saída = Output Pesos = W1 a WN Limiar (Threshold) =  Saida = F (Inputs) S = F transf (  xi * wi ) S = 0 se  xi * wi <  1 se  xi * wi >= 

5 Funções de Transferência

6 A Rede Neural

7 RNA – Aplicações (I) Reconhecimento de Padrões em Imagens; Reconhecimento ótico de caracteres (OCR).

8 RNA – Aplicações (II) Identificação de fraude de cartão de crédito; Avaliação de crédito; Controle de processos; Classificação de dados; Robótica; Reconhec. de padrões em linhas de montagem ; Filtros contra ruídos eletrônicos; Análise de voz www.cerebromente.org.br/n05/tecnologia/simulando.htm

9 9 Aplicações (III) análise de pesquisa de mercado análise de pesquisa de mercado controle de processos industriais controle de processos industriais aplicações climáticas aplicações climáticas identificação de fraude de cartão de crédito identificação de fraude de cartão de crédito diagnóstico médico diagnóstico médico análise e processamento de sinais; análise e processamento de sinais; classificação de dados; classificação de dados; reconhecimento de padrões em linhas de montagem ; reconhecimento de padrões em linhas de montagem ; filtros contra ruídos eletrônicos; filtros contra ruídos eletrônicos; análise de imagens; análise de imagens; análise de voz; análise de voz; avaliação de crédito; avaliação de crédito; análise de aroma e odor (nariz eletrônico). análise de aroma e odor (nariz eletrônico).

10 K-Means / Clustering

11 Como classificar esses pontos? Por que estudar esse tipo de problema?

12 Cluster Uma coleção de objetos que são similares entre si, e diferentes dos objetos pertencentes a outros clusters. Isso requer uma medida de similaridade. No exemplo anterior, a similaridade utilizada foi a distância. – Distance-based Clustering

13 Clusters Exemplo de agrupamentos:

14 Clustering É a organização dos objetos similares (em algum aspecto) em grupos. Quatro grupos (clusters)

15 k-Means Clustering É a técnica mais simples de aprendizagem não supervisionada. Consiste em fixar k centróides (de maneira aleatória), um para cada grupo (clusters). Associar cada indivíduo ao seu centróide mais próximo. Recalcular os centróides com base nos indivíduos classificados.

16 Algoritmo k-Means 1.Determinar os centróides 2.Atribuir a cada objeto do grupo o centróide mais próximo. 3.Após atribuir um centróide a cada objeto, recalcular os centróides. 4.Repetir os passos 2 e 3 até que os centróides não sejam modificados.

17 k-Means – Um Exemplo Objetos em um plano 2D

18 k-Means – Um Exemplo Passo 1:Centróides inseridos aleatoriamente

19 k-Means – Um Exemplo Passo 2: Atribuir a cada objeto o centróide mais próximo

20 k-Means – Um Exemplo Passo 3: Recalcular os centróides

21 k-Means – Um Exemplo Impacto da inicialização aleatória.

22 k-Means – Um Exemplo Impacto da inicialização aleatória Fronteira Diferente

23 k-Means – Inicialização Importância da inicialização. Quando se têm noção dos centróides, pode-se melhorar a convergência do algoritmo. Execução do algoritmo várias vezes, permite reduzir impacto da inicialização aleatória.

24 Algumas Aplicações de Clustering Marketing: Encontrar grupos de consumidores com comportamento similares Biologia: Classificar grupos de plantas e animais. Bibliotecas: Organização de livros. Administração: Organização de cidades, classificando casas de acordo com suas características. WWW: Classificação de conteúdos.

25