roberto tadeu raittz 1 redes neuronais/neurais/ conexionistas introdução
TRANSCRIPT
![Page 1: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/1.jpg)
ROBERTO TADEU RAITTZ
1
Redes Neuronais/Neurais/Conexionistas
Introdução
![Page 2: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/2.jpg)
Introdução2
Modelos inspirados no Cérebro humanoVarias unidades de processamento
(neurônios)Interligadas por grande número de conexões
(sinapses)Eficientes onde métodos tradicionais são
inadequados
![Page 3: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/3.jpg)
Propriedades das RNA3
Capacidade de se adaptar ou aprenderGeneralizarAgrupar ou organizar dados
![Page 4: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/4.jpg)
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.
![Page 5: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/5.jpg)
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)
![Page 6: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/6.jpg)
Por que utilizar6
Habilidade de tratar sistemas não linearesTolerância a falhasAdaptabilidadeAprendizadoGeneralizaçãoAbstração
![Page 7: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/7.jpg)
Comentário7
As Redes Neurais Artificiais
Aprendem através de Exemplos
![Page 8: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/8.jpg)
Áreas de aplicação8
Classificação (reconhecimento) de padrões Clustering/ CategorizaçãoAproximação de funçõesPrevisãoOtimizaçãoControle
![Page 9: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/9.jpg)
Neurônios9
![Page 10: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/10.jpg)
Neurônios10
![Page 11: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/11.jpg)
Estrutura geral das RNAs11
Unidades de processamento ConexõesTopologia
![Page 12: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/12.jpg)
Estrutura geral das RNAs12
![Page 13: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/13.jpg)
Unidades de Processamento13
Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada
![Page 14: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/14.jpg)
Função de ativação14
Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)
![Page 15: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/15.jpg)
Função de saída15
Transforma o estado de ativação de uma unidade em seu sinal de saída
Geralmente é uma função identidade
![Page 16: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/16.jpg)
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
![Page 17: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/17.jpg)
Topologia17
Número de camadas da redeNúmero de nodos em cada camadaTipo da conexão entre os nodos
Como as funções são interconectadas
![Page 18: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/18.jpg)
Arquitetura de uma RNA18
Tipo da rede utilizadaForma como é utilizada
![Page 19: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/19.jpg)
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.
![Page 20: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/20.jpg)
Formas de Aprendizado20
SupervisionadoNão SupervisionadoHíbrido
![Page 21: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/21.jpg)
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
![Page 22: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/22.jpg)
Aprendizado Não Supervisionado22
A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.
![Page 23: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/23.jpg)
Aprendizado Híbrido23
Combina aprendizado supervisionado e não supervisionado
RBF (Radial Basis Function-Função de Base Radial)
![Page 24: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/24.jpg)
Redes Feedforward24
Sinais seguem em uma única direçãoExemplos: Perceptron/ RBF
![Page 25: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/25.jpg)
Redes recorrentes (com feedback)25
Possuem conexões ligando a saída da rede à sua entrada
![Page 26: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/26.jpg)
Projetando...26
Sistemas Convencionais
Formular modelo a partir de observações do ambiente
Validar modelo com dados reaisConstruir o sistema usando o modelo
![Page 27: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/27.jpg)
Projetando...27
RNAsÉ baseado apenas nos dadosExemplos para treinar a rede devem
contemplar todos os casos de saída representativos
![Page 28: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/28.jpg)
Projeto de Uma RNA28
Escolher um modeloSelecionar a arquitetura adequadaFazer um pré-processamento adequado
![Page 29: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/29.jpg)
Conjuntos de Dados de Treinamento29
Discussão com a turma
![Page 30: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/30.jpg)
Aprendizado por Correção de Erro30
Minimizar a função de Custo
![Page 31: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/31.jpg)
Aprendizado competitivo31
Neurônios competem entre si para serem ativados
![Page 32: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/32.jpg)
Aprendizado por reforço32
Se a ação tomada pelo sistema é satisfatória o sistema é fortalecido caso contrário o sistema é enfraquecido
Recompensa e penalizaçãoFAN
![Page 33: ROBERTO TADEU RAITTZ 1 Redes Neuronais/Neurais/ Conexionistas Introdução](https://reader036.vdocuments.pub/reader036/viewer/2022070311/552fc154497959413d8e49a3/html5/thumbnails/33.jpg)
Seminários33
Origens das redes Neuronais com modelos das primeiras aplicações
MLP com backpropagationRBFAplicações