Prof. Dr. Helder Anibal Hermini. SUMÁRIO Algumas Aplicações O Treinamento da RNA Redes Neurais em...
Transcript of Prof. Dr. Helder Anibal Hermini. SUMÁRIO Algumas Aplicações O Treinamento da RNA Redes Neurais em...
Prof Dr Helder Anibal Hermini
SUMAacuteRIO Algumas Aplicaccedilotildees
O Treinamento da RNA
Redes Neurais em Identificaccedilatildeo e Controle de Processos
Redes Neurais em Roboacutetica
Redes Neurais em Visatildeo Computacional
Comentaacuterios Finais
1) INTRODUCcedilAtildeO
MOTIVACcedilAtildeO
Ceacuterebro lida melhor com alguns problemas que o computador
reconhecimento de padrotildees problemas de otimizaccedilatildeo combinatoacuteria
Outras caracteriacutesticas desejaacuteveis capaz de aprender sem o conhecimento do algoritmo capaz de generalizar robustez
APLICACcedilOtildeESbull reconhecimento de padrotildeesbull processamento de sinais e imagens
1
ALGUMAS APLICACcedilOtildeESbull Eng Civilndash Avaliaccedilatildeo da Condiccedilatildeo de Pavimentosndash Gerenciamento da Construccedilatildeondash Previsatildeo da Resistecircncia Mecacircnica do Concreto
bull Eng Eleacutetricandash Processamento de sinaisndash Previsatildeo de carga eleacutetricandash Diagnoacutestico de falhas
bull Financeirandash Previsatildeo da bolsa de valoresndash Previsatildeo de falecircncia de bancos
bull Controle de Processosndash Modelagem Identificaccedilatildeondash Controle Adaptativo e Natildeo-Linearndash Otimizaccedilatildeo de Paracircmetros
ALGUMAS APLICACcedilOtildeES
bull Roboacuteticandash Inteligecircncia do Robocirc (tomada decisatildeo)ndash Planejamento da Trajetoacuteriandash Controle Forccedila seguimento trajetoacuteria
bull Meteorologiandash Previsatildeo do Tempo
bull Biomeacutedicandash Anaacutelise de Batimentos Cardiacuteacosndash Diagnoacutestico Meacutedico da Tuberculosendash Detecccedilatildeo de Eventos Epileacuteticos
bull Linguagem Naturalndash Analisador Sintaacuteticondash Compreensatildeo de Textondash Corretor Gramatical
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
SUMAacuteRIO Algumas Aplicaccedilotildees
O Treinamento da RNA
Redes Neurais em Identificaccedilatildeo e Controle de Processos
Redes Neurais em Roboacutetica
Redes Neurais em Visatildeo Computacional
Comentaacuterios Finais
1) INTRODUCcedilAtildeO
MOTIVACcedilAtildeO
Ceacuterebro lida melhor com alguns problemas que o computador
reconhecimento de padrotildees problemas de otimizaccedilatildeo combinatoacuteria
Outras caracteriacutesticas desejaacuteveis capaz de aprender sem o conhecimento do algoritmo capaz de generalizar robustez
APLICACcedilOtildeESbull reconhecimento de padrotildeesbull processamento de sinais e imagens
1
ALGUMAS APLICACcedilOtildeESbull Eng Civilndash Avaliaccedilatildeo da Condiccedilatildeo de Pavimentosndash Gerenciamento da Construccedilatildeondash Previsatildeo da Resistecircncia Mecacircnica do Concreto
bull Eng Eleacutetricandash Processamento de sinaisndash Previsatildeo de carga eleacutetricandash Diagnoacutestico de falhas
bull Financeirandash Previsatildeo da bolsa de valoresndash Previsatildeo de falecircncia de bancos
bull Controle de Processosndash Modelagem Identificaccedilatildeondash Controle Adaptativo e Natildeo-Linearndash Otimizaccedilatildeo de Paracircmetros
ALGUMAS APLICACcedilOtildeES
bull Roboacuteticandash Inteligecircncia do Robocirc (tomada decisatildeo)ndash Planejamento da Trajetoacuteriandash Controle Forccedila seguimento trajetoacuteria
bull Meteorologiandash Previsatildeo do Tempo
bull Biomeacutedicandash Anaacutelise de Batimentos Cardiacuteacosndash Diagnoacutestico Meacutedico da Tuberculosendash Detecccedilatildeo de Eventos Epileacuteticos
bull Linguagem Naturalndash Analisador Sintaacuteticondash Compreensatildeo de Textondash Corretor Gramatical
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
1) INTRODUCcedilAtildeO
MOTIVACcedilAtildeO
Ceacuterebro lida melhor com alguns problemas que o computador
reconhecimento de padrotildees problemas de otimizaccedilatildeo combinatoacuteria
Outras caracteriacutesticas desejaacuteveis capaz de aprender sem o conhecimento do algoritmo capaz de generalizar robustez
APLICACcedilOtildeESbull reconhecimento de padrotildeesbull processamento de sinais e imagens
1
ALGUMAS APLICACcedilOtildeESbull Eng Civilndash Avaliaccedilatildeo da Condiccedilatildeo de Pavimentosndash Gerenciamento da Construccedilatildeondash Previsatildeo da Resistecircncia Mecacircnica do Concreto
bull Eng Eleacutetricandash Processamento de sinaisndash Previsatildeo de carga eleacutetricandash Diagnoacutestico de falhas
bull Financeirandash Previsatildeo da bolsa de valoresndash Previsatildeo de falecircncia de bancos
bull Controle de Processosndash Modelagem Identificaccedilatildeondash Controle Adaptativo e Natildeo-Linearndash Otimizaccedilatildeo de Paracircmetros
ALGUMAS APLICACcedilOtildeES
bull Roboacuteticandash Inteligecircncia do Robocirc (tomada decisatildeo)ndash Planejamento da Trajetoacuteriandash Controle Forccedila seguimento trajetoacuteria
bull Meteorologiandash Previsatildeo do Tempo
bull Biomeacutedicandash Anaacutelise de Batimentos Cardiacuteacosndash Diagnoacutestico Meacutedico da Tuberculosendash Detecccedilatildeo de Eventos Epileacuteticos
bull Linguagem Naturalndash Analisador Sintaacuteticondash Compreensatildeo de Textondash Corretor Gramatical
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
ALGUMAS APLICACcedilOtildeESbull Eng Civilndash Avaliaccedilatildeo da Condiccedilatildeo de Pavimentosndash Gerenciamento da Construccedilatildeondash Previsatildeo da Resistecircncia Mecacircnica do Concreto
bull Eng Eleacutetricandash Processamento de sinaisndash Previsatildeo de carga eleacutetricandash Diagnoacutestico de falhas
bull Financeirandash Previsatildeo da bolsa de valoresndash Previsatildeo de falecircncia de bancos
bull Controle de Processosndash Modelagem Identificaccedilatildeondash Controle Adaptativo e Natildeo-Linearndash Otimizaccedilatildeo de Paracircmetros
ALGUMAS APLICACcedilOtildeES
bull Roboacuteticandash Inteligecircncia do Robocirc (tomada decisatildeo)ndash Planejamento da Trajetoacuteriandash Controle Forccedila seguimento trajetoacuteria
bull Meteorologiandash Previsatildeo do Tempo
bull Biomeacutedicandash Anaacutelise de Batimentos Cardiacuteacosndash Diagnoacutestico Meacutedico da Tuberculosendash Detecccedilatildeo de Eventos Epileacuteticos
bull Linguagem Naturalndash Analisador Sintaacuteticondash Compreensatildeo de Textondash Corretor Gramatical
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
ALGUMAS APLICACcedilOtildeES
bull Roboacuteticandash Inteligecircncia do Robocirc (tomada decisatildeo)ndash Planejamento da Trajetoacuteriandash Controle Forccedila seguimento trajetoacuteria
bull Meteorologiandash Previsatildeo do Tempo
bull Biomeacutedicandash Anaacutelise de Batimentos Cardiacuteacosndash Diagnoacutestico Meacutedico da Tuberculosendash Detecccedilatildeo de Eventos Epileacuteticos
bull Linguagem Naturalndash Analisador Sintaacuteticondash Compreensatildeo de Textondash Corretor Gramatical
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
ALGUMAS APLICACcedilOtildeES
bull Processamento de Voz e Falandash Reconhecimento de Falandash Reconhecimento do Locutor (voz)
bull Agriculturandash Previsatildeo de Produtividade da Lavoura
bull Eng de Produccedilatildeondash Otimizaccedilatildeo de Processos de Fabricaccedilatildeondash Monitoramento de Processos
bull Visatildeo Computacional
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
Um uacutenico neurocircnio pode realizar funccedilotildees de detecccedilatildeo de padrotildees muito simples
O poder de computaccedilatildeo neural vem da conexatildeo dos neurocircnios dentro de uma rede
Se o peso eacute zero natildeo haacute conexatildeo
REDES NEURAIS MULTICAMADAS
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
CLASSIFICACcedilAtildeO DAS RNAs
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
CLASSIFICACcedilAtildeO DAS RNAs
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
1048698 Nuacutemero de camadas
1048698 Tipo de conexatildeo
1048698 Tipo de conectividade
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
Quanto ao nuacutemero de camadas
Redes de camada uacutenica
Redes de muacuteltiplas camadas
CLASSIFICACcedilAtildeO DE ARQUITETURAS
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
Quanto ao tipo de conexatildeo
Redes Recorrentes rdquo(aciacuteclica) - Natildeo haacute direccedilatildeo privilegiada para propagaccedilatildeo da informaccedilatildeo)
Redes ldquoFeedforwardrdquo(aciacuteclica) - Sinal vai sempre das entradas para as saiacutedas)
CLASSIFICACcedilAtildeO DE ARQUITETURAS
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
seratildeo utilizadas 3 camadas
propagaccedilatildeo entradasaiacuteda conjunto de operaccedilatildeo rede treinada
11) FEEDFORWARD
A
B
C
REDENEURA
L
A
B
C
Feedforward
13
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
111) FEEDFORWARD
FEEDFORWARD - EXEMPLO
006
bbaabias WXWXWU 1111 1
060207020101011 U
11 tanh UV
02
02
-01
046
bbaabias WXWXWU 2222 1
50307010103012 U
22 tanh UV
-01
03
03
063
bbaabias WXWXWU 3333 1
740907010101013 U
33 tanh UV
0097
43342241144 1 WVWVWVWU bias
09701063010460100602014 U
4 tanh UY a
01
-01
-01
02
0614
53352251155 1 WVWVWVWU bias
71501163020460500601015 U
5 tanh UY b
11
-01
02
05
006
046
063
14
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
Quanto ao tipo de conectividade
Parcialmente conectada
Completamente conectada
CLASSIFICACcedilAtildeO DE ARQUITETURAS
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
REPRESENTACcedilAtildeO DO CONHECIMENTO
ldquoConhecimento se refere agrave informaccedilatildeo armazenada ou a modelos utilizados por uma pessoa ou maacutequina para interpretar prever e responder apropriadamente a estiacutemulos do mundo exteriorrdquo
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
CONHECIMENTO EM UMA REDE NEURAL
ldquoO conhecimento em uma RN eacute aprendido e armazenado de maneira distribuiacuteda sob a forma dos pesos das conexotildees O nuacutemero e a topologia dos pesos depende do nuacutemero de camadas do tipo de
conexatildeo e de conectividade entre os neurocircniosrdquo
ldquoAprendizagem de uma RN se constitui de um processo pelo qual alguns paracircmetros livres da rede satildeo adaptados em funccedilatildeo das respostas que ela apresenta a estiacutemulos que recebe do meio externordquo
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
O TREINAMENTO DA RNA
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO SUPERVISIONADO
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO SUPERVISIONADO
O facilitador tem conhecimento sobre o ambiente O conhecimento eacute representado por um conjunto de exemplos histoacutericos
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
72) TREINAMENTO SUPERVISIONADO conjunto de treinamento
AB
REDENEURAL
7) TREINAMENTO
ProfessorABerro erro
DRXX B
AAP
1a ITERACcedilAtildeO
2a ITERACcedilAtildeO
3a ITERACcedilAtildeO
X
PADROtildeES
ABok erroABok ok
9
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO NAtildeO SUPERVISIONADO (TENTATIVA OU ERRO)
Natildeo haacute um facilitador para supervisionar o processo de aprendizagem ou seja natildeo haacute exemplos rotulados da funccedilatildeo a ser aprendida pela rede
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
TREINAMENTO POR REFORCcedilO (APRENDE POR AUTO ESTIacuteMULO)
Natildeo haacute um facilitador
Dado um padratildeo de entrada as unidades competem entre si para decidir qual delas seraacute a vencedora
A unidade vencedora tem a sua saiacuteda ativada e seus pesos satildeo atualizados
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
O TREINAMENTO DA RNA
Possiacutevel soluccedilatildeo ajustar pesos manualmente ateacute que a saiacuteda coincida com a desejada para os valores dados de entrada
Soluccedilatildeo melhor definir uma regra de ajuste dos pesos (Regra de aprendizado)
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
POSTULADO DE APRENDIZAGEM DE HEBB
1 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados simultaneamente entatildeo a forccedila daquela sinapse eacute seletivamente aumentada
2 Se dois neurocircnios em ambos os lados de uma sinapse satildeo ativados de forma assiacutencrona entatildeo aquela sinapse eacute seletivamente enfraquecida ou eliminada
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-
ALGORITMO DE TREINAMENTO DA RNA
1 Definir a saiacuteda desejada para cada conjunto de entradas
2 Definir valores iniciais aleatoacuterios para cada peso
3 Colocar um conjunto de valores na entrada
4 Corrigir os pesos seguindo a regra de Hebb ateacute obter a saiacuteda desejada para aquela entrada
5 Voltar ao passo 3 (valor seguinte de entrada)
- Slide 1
- Slide 2
- Slide 3
- Slide 4
- Slide 5
- Slide 6
- Slide 7
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- Slide 12
- Slide 13
- Slide 14
- Slide 15
- Slide 16
- Slide 17
- Slide 18
- Slide 19
- Slide 20
- Slide 21
- Slide 22
- Slide 23
- Slide 24
- Slide 25
- Slide 26
- Slide 27
- Slide 28
- Slide 29
-