2. O sistema nervoso
O cérebro humano possui
aproximadamente 10 bilhões de
neurônios;
São conectados através de sinapses;
Formam a rede neural;
3. O sistema nervoso
As sinapses transmitem estímulos
através de diferentes concentrações
de Na+ (Sódio) e K+ (Potássio), e o
resultado disto pode ser estendido por
todo o corpo humano.
Sinapse
4. O sistema nervoso
Os neurônios têm um papel essencial na
determinação do
funcionamento, comportamento e do
raciocínio do ser humano.
Ao contrário das redes neurais
artificiais, redes neurais naturais não
transmitem sinais negativos, sua
ativação é medida pela frequência com
que emite pulsos, frequência esta de
pulsos contínuos e positivos.
5. Redes Neurais artificiais
Redes Neurais Artificiais são técnicas
computacionais que apresentam um
modelo matemático inspirado na
estrutura neural de organismos
inteligentes e que adquirem
conhecimento através da experiência.
6. Redes Neurais artificiais -
Histórico
As pesquisas sobre redes neurais
artificias começaram basicamente
com três publicações muito
importantes neste
universo, desenvolvidas por:
McCulloch e Pitts (1943), Hebb
(1949), e Rosemblatt (1958).
7. Redes Neurais artificiais
McCulloch - neurônio possuia apenas
uma saída, que era uma função de
entrada (threshold) da soma do valor
de suas diversas entradas;
8. Redes Neurais artificiais
Rosemblatt - os neurônios eram
organizados em camada de entrada e
saída, onde os pesos das conexões
eram adaptados a fim de se atingir a
eficiência sináptica;
9. Redes Neurais artificiais
Rumelhart, Hinton e Williams – famoso
backpropagation. Modelo de 3 camadas:
Camada de Entrada: onde os padrões são
apresentados à rede;
10. Redes Neurais artificiais
Camadas Intermediárias ou Escondidas:
onde é feita a maior parte do
processamento, através das conexões
ponderadas; podem ser consideradas
como extratoras de características;
Camada de Saída: onde o resultado final é
concluído e apresentado.
11. Processos de aprendizado
Aprendizado Supervisionado: quando é
utilizado um agente externo que indica à
rede a resposta desejada para o padrão de
entrada;
Aprendizado Não Supervisionado: (auto-
organização), quando não existe um
agente externo indicando a resposta
desejada para os padrões de entrada;
Reforço: quando um crítico externo avalia
a resposta fornecida pela rede.
12. Processos de aprendizado
Modo Padrão: A correção dos pesos
acontece a cada apresentação à rede de
um exemplo do conjunto de treinamento.
Cada correção de pesos baseia-se
somente no erro do exemplo apresentado
naquela iteração. Assim, em cada ciclo
ocorrem N correções.
Modo Batch: Apenas uma correção é feita
por ciclo. Todos os exemplos do conjunto
de treinamento são apresentados à rede,
seu erro médio é calculado e a partir deste
erro fazem-se as correções dos pesos.
13. Treinamento supervisionado
Adotado no Perceptron, consiste em ajustar
os pesos e os thresholds de suas unidades
para que a classificação desejada seja
obtida.
Cada informação processada gera um
peso, dependendo do resultado. Se for um
acerto, ela ganha um ponto, se for um
erro, ela perde meio ponto. Dessa forma, o
sistema cria a rotina de seguir o caminho
14. Treinamento supervisionado
Quanto mais tentativas, mais aprimorado
fica o sistema, chegando, ao final de um
processo de aprendizado, a executar
tarefas quase sem erro algum.
Em sistemas bem elaborados, uma rede
neural consegue aprender qualquer função
que uma pessoa possa saber e não há
limites para a quantidade de informação
que ela possa processar.
15. Treinamento supervisionado
Regra Delta:
1) Iniciar todas as conexões com pesos
aleatórios;
2) Repita até que o erro E seja
satisfatoriamente pequeno (E=e);
3) Para cada par de treinamento
(X,d), faça:
1) Calcular resposta obtida O;
2) Se o erro não for satisfatoriamente
pequeno E > e, então:
4) Atualizar pesos: Wnovo := W anterior +
neta E X
16. Treinamento supervisionado
Regra Delta:
1) Iniciar todas as conexões com pesos
aleatórios;
2) Repita até que o erro E seja
satisfatoriamente pequeno (E=e);
3) Para cada par de treinamento (X,d),
faça:
1) Calcular resposta obtida O;
2) Se o erro não for satisfatoriamente
pequeno E > e, então:
4) Atualizar pesos: Wnovo := W anterior +
neta E X
18. Inteligência Artificial
As redes neurais são principalmente
utilizadas para criar sistemas de
inteligência artificial.
a inteligência artificial gerada por
computadores tradicionais são simulações
de inteligência real, ou seja, apresentam
respostas segundo regras e comandos de
um programa pré-estabelecido.
19. Inteligência Artificial
Simbólica:
simula o comportamento inteligente. Ela é
baseada em uma programação que indica
quais respostas devem ser dadas diante de
determinados comandos.
corretores ortográficos ou simuladores ;
esses programas dificilmente aprendem coisas
novas, somente se você incluir novas
programações.
20. Inteligência Artificial
Conexionista:
conexionista simula a estrutura do cérebro,
pois acredita-se que a inteligência está na
forma de processar informação e não na
informação processada.
aprender com seus erros e executar
diferentes processos, independente de
instruções
21. Perceptron
foi à primeira máquina criada para
processamento de informação feita sobre o
sistema de redes neurais.
Ele é construído com neurônios
artificiais, formando redes de
processamento.
22. Perceptron
ele não executa programas, mas os
aprende.
As informações não são gravadas, mas
aprendidas.
é capaz de múltiplos processamentos e
testes de hipóteses em paralelo