Inteligência Artificial

Apresentação em tema: "Inteligência Artificial"— Transcrição da apresentação:

1 Inteligência Artificial

2 Agenda - Aula 09 Redes Neurais Artificiais

3 Redes Neurais Sistema nervoso é formado por um conjunto de neurônios.
A comunicação entre neurônios é realizada por impulsos. Quando um impulso é recebido por um neurônio pode ocorrer dele provocar uma estímulo maior que o seu “limite de ação”, causando o disparo de um segundo impulso o qual flui pela sua saída (axônio) que pode estar conectado a uma entrada (dendrito) de outra célula.

4 Redes Neurais Pensando no Homem: 100 bilhões de neurônios
Cada Neurônio possui 1000 dendritos Cada dendrito uma sinapse – 1014 sinapses Sinapse: opera a 100 Hz 1016 com/seg.

5 Redes Neurais Os neurônios estão conectados uns aos outros através das sinapses. Sinapses transmitem estímulos através de diferentes concentrações de Sódio e Potássio. Todas as funções e movimentos do organismo estão relacionados ao funcionamento dessas células.

6 Redes Neurais Artificiais
1956 – Darthmouth College IA Simbólica: tenta simular o comportamento inteligente humano desconsiderando os mecanismos responsáveis por tal. IA Conexionista: acredita que construindo um sistema que simule a estrutura do cérebro humano este apresentará inteligência: será capaz de aprender, assimilar, errar e aprender com seus erros.

7 Redes Neurais Artificiais
Consiste em um método de solucionar problemas de IA construindo um sistema que tenha circuitos simulando o cérebro humano: aprendendo, errando e fazendo descobertas. Aplicações: Classificação de Padrões Clustering e Aproximação Funcional Série Temporais Otimização

8 Redes Neurais Artificiais
Modelo Matemático RNA Um grafo direcionado é um objeto geométrico que consiste de um conjunto de pontos, chamados nós, e um conjunto de linhas direcionadas entre eles. Uma RNA é uma estrutura de processamento de informação distribuída paralelamente na forma de um grafo direcionado com algumas definições e restrições próprias NÓS – Elementos de Processamento ARCOS- Conexões de uma única direção.

9 Redes Neurais Artificiais
Uma RNA pode possuir memória local e qualquer número de conexões de saída dese que os sinais destas sejam idênticos. A única entrada permitida para a função de transferência (que cada elemento de processamento possui) é composta pelos valores armazenados na memória local do elemento e os valores de entrada das conexões recebidas por ele. As funções de transferência podem operar continuamente ou episodicamente (activate).

10 Redes Neurais Artificiais
De uma forma geral: Sinais são apresentados à entrada Cada sinal é multiplicado por um peso (o qual indica a sua “influência” na saída) É feita uma soma ponderada dos sinais; isto produz um nível de atividade. Se este nível de atividade excede um determinado limite (threshold) a unidade de processamento produz uma saída.

11 Redes Neurais Artificiais
Neurônio Artificial Warrem MacCulloch: circuito de entradas binárias combinadas por uma soma ponderada produzindo uma saída efetiva. w0 X0 X1 Xn w1  y wn

12 Redes Neurais Artificiais
Treinamento: A maioria dos modelos de RNAs possui alguma regra de treinamento, onde os pesos das conexões são ajustados de acordo com os padrões apresentados. Ela passa por um processo de treinamento a partir de casos reais conhecidos adquirindo a sistemática necessária para executar adequadamente um processo para dados fornecidos. A RNA é capaz de extrair regras básicas a partir de dados reais diferindo da computação programada onde é necessário um conjunto de regras rígidas.

13 Redes Neurais Artificiais
Processos de Aprendizado A propriedade mais importante de uma RNA é a habilidade de aprender de seu ambiente. Isso é feito através de um processo iterativo de ajuste aos seus pesos. Uma RNA está “treinada” quando atinge uma solução geral para uma determinada classe de problemas. Algoritmos de aprendizado: conjunto de regras bem definidas para a solução de um problema de aprendizado. Vários tipos, diferem pelo modo como os pesos são modificados.

14 Redes Neurais Artificiais
Processos de Aprendizado Aprendizado Supervisionado Aprendizado Não Supervisionado Reforço Ciclo: apresentação de todos os N pares (entrada e saída) do conjunto de treinamento Correção Padrão: ocorre a cada apresentação à rede de um par do conjunto de treinamento Correção Batch: uma correção por ciclo

15 Redes Neurais Artificiais
O maior segredo para construir aplicações com sucesso, é saber quando parar de treinar. Treinar pouco significa que a rede não irá aprender os padrões. Treinar muito, pode fazer a rede “decorar” os padrões perdendo a capacidade de generalização.

16 Redes Neurais Artificiais
Regra  Iniciar as conexões com pesos aleatórios. Repita até que o erro E seja pequeno (E < ) Para cada par de treinamento ( X,d) Calcule a resposta Obtida O; Se E >=  Atualize os pesos: Wnovo= Wanterior + .E.X ( X,d): padrão de entrada e resposta desejada E: Erro = Resp. desejada – Resp. Obtida (d-O) : taxa de aprendizado (positiva)