ROBERTO TADEU RAITTZ

1

Redes Neuronais/Neurais/Conexionistas

Introdução

Introdução2

Modelos inspirados no Cérebro humanoVarias unidades de processamento

(neurônios)Interligadas por grande número de conexões

(sinapses)Eficientes onde métodos tradicionais são

inadequados

Propriedades das RNA3

Capacidade de se adaptar ou aprenderGeneralizarAgrupar ou organizar dados

Definição4

Uma RNA é um processador maciçamente e paralelamente distribuído constituído de unidades de processamento simples (+-) (neurônios), que têm a propensão neural para armazenar conhecimento experimental e torná-lo disponível para o uso.

Semelhança com o Cérebro5

O conhecimento é adquirido pela rede a partir de seu ambiente através de um procedimento de aprendizagem

Forças de conexões entre neurônios, conhecidas como pesos sinápticos são utilizados para armazenar o conhecimento adquirido (MLP)

Por que utilizar6

Habilidade de tratar sistemas não linearesTolerância a falhasAdaptabilidadeAprendizadoGeneralizaçãoAbstração

Comentário7

As Redes Neurais Artificiais

Aprendem através de Exemplos

Áreas de aplicação8

Classificação (reconhecimento) de padrões Clustering/ CategorizaçãoAproximação de funçõesPrevisãoOtimizaçãoControle

Neurônios9

Neurônios10

Estrutura geral das RNAs11

Unidades de processamento ConexõesTopologia

Estrutura geral das RNAs12

Unidades de Processamento13

Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada

Função de ativação14

Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)

Função de saída15

Transforma o estado de ativação de uma unidade em seu sinal de saída

Geralmente é uma função identidade

Conexões16

Definem como os neurônios são conectadosCodificam o conhecimento ou memória da

redeSão o equivalente às sinapses nas RN

naturaisAqui ocorre o resultado do aprendizado

Topologia17

Número de camadas da redeNúmero de nodos em cada camadaTipo da conexão entre os nodos

Como as funções são interconectadas

Arquitetura de uma RNA18

Tipo da rede utilizadaForma como é utilizada

Algoritmo de treinamento19

Forma pela qual os parâmetros são configurados.

Uma rede pode ser treinada de várias formas diferentes.

A aplicação da rede treinada é independente do algoritmo usado para treiná-la.

Formas de Aprendizado20

SupervisionadoNão SupervisionadoHíbrido

Aprendizado supervisionado21

A rede é treinada para promover o casamento entre as entradas e a saída desejada.

Deve haver um conjunto conhecido de dados para treinar a rede

Aprendizado Não Supervisionado22

A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.

Aprendizado Híbrido23

Combina aprendizado supervisionado e não supervisionado

RBF (Radial Basis Function-Função de Base Radial)

Redes Feedforward24

Sinais seguem em uma única direçãoExemplos: Perceptron/ RBF

Redes recorrentes (com feedback)25

Possuem conexões ligando a saída da rede à sua entrada

Projetando...26

Sistemas Convencionais

Formular modelo a partir de observações do ambiente

Validar modelo com dados reaisConstruir o sistema usando o modelo

Projetando...27

RNAsÉ baseado apenas nos dadosExemplos para treinar a rede devem

contemplar todos os casos de saída representativos

Projeto de Uma RNA28

Escolher um modeloSelecionar a arquitetura adequadaFazer um pré-processamento adequado

Conjuntos de Dados de Treinamento29

Discussão com a turma

Aprendizado por Correção de Erro30

Minimizar a função de Custo

Aprendizado competitivo31

Neurônios competem entre si para serem ativados

Aprendizado por reforço32

Se a ação tomada pelo sistema é satisfatória o sistema é fortalecido caso contrário o sistema é enfraquecido

Recompensa e penalizaçãoFAN

Seminários33

Origens das redes Neuronais com modelos das primeiras aplicações

MLP com backpropagationRBFAplicações