SlideShare ist ein Scribd-Unternehmen logo
1 von 22
Downloaden Sie, um offline zu lesen
Redes Neurais


Alex Alonso
Antônio Nunes
Carolina Borges
Everton Ramos
Kézia bittencourt
O sistema nervoso
   O cérebro humano possui
    aproximadamente 10 bilhões de
    neurônios;

   São conectados através de sinapses;

   Formam a rede neural;
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
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.
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.
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).
Redes Neurais artificiais
   McCulloch - neurônio possuia apenas
    uma saída, que era uma função de
    entrada (threshold) da soma do valor
    de suas diversas entradas;
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;
Redes Neurais artificiais
   Rumelhart, Hinton e Williams – famoso
    backpropagation. Modelo de 3 camadas:

   Camada de Entrada: onde os padrões são
    apresentados à rede;
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.
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.
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.
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
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.
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
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
Treinamento supervisionado
   Regra Delta:
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.
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.
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
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.
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

Weitere ähnliche Inhalte

Was ist angesagt?

AULA 3 - TOPOLOGIAS DE REDE.pdf
AULA 3 - TOPOLOGIAS DE REDE.pdfAULA 3 - TOPOLOGIAS DE REDE.pdf
AULA 3 - TOPOLOGIAS DE REDE.pdfmaria122456
 
Deep Belief Networks
Deep Belief NetworksDeep Belief Networks
Deep Belief NetworksHasan H Topcu
 
Informática Aplicada - Rede de computadores
Informática Aplicada - Rede de computadoresInformática Aplicada - Rede de computadores
Informática Aplicada - Rede de computadoresAnderson Pontes
 
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...Edureka!
 
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)Estruturas de Dados - Tabelas de Espalhamento (Hash Table)
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)Erick Petrucelli
 
Algoritmos e Programação: Estruturas de repetição
Algoritmos e Programação: Estruturas de repetiçãoAlgoritmos e Programação: Estruturas de repetição
Algoritmos e Programação: Estruturas de repetiçãoAlex Camargo
 
Deep Learning for NLP (without Magic) - Richard Socher and Christopher Manning
Deep Learning for NLP (without Magic) - Richard Socher and Christopher ManningDeep Learning for NLP (without Magic) - Richard Socher and Christopher Manning
Deep Learning for NLP (without Magic) - Richard Socher and Christopher ManningBigDataCloud
 
Aula 10 maquinade turing
Aula 10   maquinade turingAula 10   maquinade turing
Aula 10 maquinade turingwab030
 
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...Kirill Eremenko
 
Caminho Mínimo em Grafos - Algoritmo de Bellman-Ford
Caminho Mínimo em Grafos - Algoritmo de Bellman-FordCaminho Mínimo em Grafos - Algoritmo de Bellman-Ford
Caminho Mínimo em Grafos - Algoritmo de Bellman-FordGabriel Albuquerque
 
Session-based recommendations with recurrent neural networks
Session-based recommendations with recurrent neural networksSession-based recommendations with recurrent neural networks
Session-based recommendations with recurrent neural networksZimin Park
 
초단타매매 전략 소개 및 트렌드
초단타매매 전략 소개 및 트렌드초단타매매 전략 소개 및 트렌드
초단타매매 전략 소개 및 트렌드NAVER Engineering
 
57701066 matematica-discreta-exercicios-resolvidos
57701066 matematica-discreta-exercicios-resolvidos57701066 matematica-discreta-exercicios-resolvidos
57701066 matematica-discreta-exercicios-resolvidosHAROLDO MIRANDA DA COSTA JR
 
Apostila Linguagens Formais e Autômatos (LFA)
Apostila Linguagens Formais e Autômatos (LFA)Apostila Linguagens Formais e Autômatos (LFA)
Apostila Linguagens Formais e Autômatos (LFA)Ricardo Terra
 
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)Filipe Chagas Ferraz
 

Was ist angesagt? (20)

AULA 3 - TOPOLOGIAS DE REDE.pdf
AULA 3 - TOPOLOGIAS DE REDE.pdfAULA 3 - TOPOLOGIAS DE REDE.pdf
AULA 3 - TOPOLOGIAS DE REDE.pdf
 
Deep Belief Networks
Deep Belief NetworksDeep Belief Networks
Deep Belief Networks
 
Informática Aplicada - Rede de computadores
Informática Aplicada - Rede de computadoresInformática Aplicada - Rede de computadores
Informática Aplicada - Rede de computadores
 
Aula 11 banco de dados
Aula 11   banco de dadosAula 11   banco de dados
Aula 11 banco de dados
 
Árvores de Decisão
Árvores de Decisão Árvores de Decisão
Árvores de Decisão
 
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...
Recurrent Neural Networks (RNN) | RNN LSTM | Deep Learning Tutorial | Tensorf...
 
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)Estruturas de Dados - Tabelas de Espalhamento (Hash Table)
Estruturas de Dados - Tabelas de Espalhamento (Hash Table)
 
Algoritmos e Programação: Estruturas de repetição
Algoritmos e Programação: Estruturas de repetiçãoAlgoritmos e Programação: Estruturas de repetição
Algoritmos e Programação: Estruturas de repetição
 
Deep Learning for NLP (without Magic) - Richard Socher and Christopher Manning
Deep Learning for NLP (without Magic) - Richard Socher and Christopher ManningDeep Learning for NLP (without Magic) - Richard Socher and Christopher Manning
Deep Learning for NLP (without Magic) - Richard Socher and Christopher Manning
 
Aula 10 maquinade turing
Aula 10   maquinade turingAula 10   maquinade turing
Aula 10 maquinade turing
 
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...
Deep Learning A-Z™: Recurrent Neural Networks (RNN) - The Vanishing Gradient ...
 
Caminho Mínimo em Grafos - Algoritmo de Bellman-Ford
Caminho Mínimo em Grafos - Algoritmo de Bellman-FordCaminho Mínimo em Grafos - Algoritmo de Bellman-Ford
Caminho Mínimo em Grafos - Algoritmo de Bellman-Ford
 
Session-based recommendations with recurrent neural networks
Session-based recommendations with recurrent neural networksSession-based recommendations with recurrent neural networks
Session-based recommendations with recurrent neural networks
 
neural networks
 neural networks neural networks
neural networks
 
초단타매매 전략 소개 및 트렌드
초단타매매 전략 소개 및 트렌드초단타매매 전략 소개 및 트렌드
초단타매매 전략 소개 및 트렌드
 
Testes de Sistema
Testes de SistemaTestes de Sistema
Testes de Sistema
 
Pascal
PascalPascal
Pascal
 
57701066 matematica-discreta-exercicios-resolvidos
57701066 matematica-discreta-exercicios-resolvidos57701066 matematica-discreta-exercicios-resolvidos
57701066 matematica-discreta-exercicios-resolvidos
 
Apostila Linguagens Formais e Autômatos (LFA)
Apostila Linguagens Formais e Autômatos (LFA)Apostila Linguagens Formais e Autômatos (LFA)
Apostila Linguagens Formais e Autômatos (LFA)
 
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
 

Ähnlich wie Redes neurais

INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiaisrafael.joi
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRenato Ximenes
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02siridakis
 
Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasFamília Schmidt
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...AzulAssessoriaAcadmi7
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...AzulAssessoriaAcadmi7
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...AzulAssessoriaAcadmi7
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
Rede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesRede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesAdilmar Dantas
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxmatheuskonicz
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxOtavioGuimares1
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxFabioGuimaraes25
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxmatheuskonicz2
 

Ähnlich wie Redes neurais (20)

INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiais
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
160277 redes neurais artificiais
160277 redes neurais artificiais160277 redes neurais artificiais
160277 redes neurais artificiais
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzy
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02
 
Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturas
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
 
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...3. Como você interpretaria esse valor em termos da condição do sistema de pro...
3. Como você interpretaria esse valor em termos da condição do sistema de pro...
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
Rede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesRede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de Faces
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
 
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docxMAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
MAPA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53 2023.docx
 

Redes neurais

  • 1. Redes Neurais Alex Alonso Antônio Nunes Carolina Borges Everton Ramos Kézia bittencourt
  • 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