1 / 17

Cérebro

Cérebro. Artificial Intelligence, a modern approach. Computador vs cérebro. Rede neural. Redes neurais procuram simular o funcionamento do cérebro definindo uma rede de operadores (neurônios). Cada operador calcula um nível de ativação em função das ativações que ele recebe. Neurônio.

hua
Download Presentation

Cérebro

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Cérebro Artificial Intelligence, a modern approach Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  2. Computador vs cérebro Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  3. Rede neural • Redes neurais procuram simular o funcionamento do cérebro definindo uma rede de operadores (neurônios). • Cada operador calcula um nível de ativação em função das ativações que ele recebe. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  4. Neurônio Nesse modelo, um neurônio é definido da forma seguinte: Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  5. Exemplo de funções de ativação Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  6. Estrutura de redes neurais • A caracterização de redes neurais inspira-se do funcionamento do cérebro. As definições de estruturas de redes não procuram copiar estruturas internas do cérebro. • Assim, com a definição de neurônio, podemos conceber múltiplas estruturas. Em geral, as redes mais estudadas são “feed-forward” e algumas redes “recurrent”. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  7. Redes “feed-forward” As redes feed-forward são constituídas de unidades de entrada, de saída e eventualmente unidades escondidas organizadas em camadas (layers). • As unidades de entrada recebem um sinal, • As unidades de saída dão o resultado da ativação, • As unidades escondidas são as outras unidades que participam da determinação do estado da rede, sem ser de saída ou entrada. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  8. Redes de perceptrons Um caso particular de rede “feed-forward” que só tem unidades de entrada e saída é chamado perceptron. Uma rede de tipo perceptron pode ser decomposta em vários perceptrons. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  9. Aprendizagem • No contexto de redes neurais, a aprendizagem consista na determinação dos valores dos pesos (Wi,j). • Essa aprendizagem ocorra com o treinamento da rede sobre exemplo com resultados conhecidos. • O erro (diferencia entre o resultado da rede e o resultado conhecido) modifica os pesos (Wi,j) para ser minimizada. • O algoritmo (“back propagation”) vai repercutindo as modificação das saídas ate as entradas. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  10. Aprendizagem (perceptron) • Err=O - T (O=saída da rede, T=saída correta) • Wj<- Wj + ax Ij x Err a é o coeficiente de aprendizagem (learning rate) Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  11. Aprendizagem (Feed-forward) • Wj,i <- Wj,i + a x aj x Di, Di éErrix g’(ini) • Wk,j <- Wk,j + a x Ik x Dj, Dj ég’(inj) x S(Wj,i x Dj) Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  12. Redes “recurrent” Uma rede “recurrent” pode ter qualquer topologia. Existem dois tipos mais conhecidos: • Rede Hopfield • Todas unidades são saídas e entradas, • Bidirecional conexões com pesos simétricos, • A função de ativação é a função signo (±1), • Associativa memória. • Maquina Boltzmann • Bidirecional conexões com pesos simétricos, • Tem unidades escondidas, • A função de ativação é resultado de uma probabilidade sobre a soma dos pesos da unidade. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  13. Dificuldade • Determinar a topologia a mais adaptada para resolver tipos de problemas: • Pesquisar dentro de conjunto de redes, • usar e adaptar outras redes, • começar com uma pequena rede e ampliar, • começar com uma grande rede e diminuir. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  14. Discussão • Expressividade • Tempo de calculo • Generalidade • Sensibilidade para “noise” • Transparência • Conhecimento inicial Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  15. Caso do nariz • Cada sensor determina a presencia de um componente químico. Sistema de sensores que produz uma tabela de componentes identificados: um padrão. • A rede, depois de uma aprendizagem, reconhece diversas odores. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br http://www.emsl.pnl.gov:2080/proj/neuron/papers/keller.mmvr95.abs.html http://www.emsl.pnl.gov:2080/proj/neuron//neural/papers/

  16. Um exemplo • Exemplo de uma rede “feed-forward” usada para a detecção de combinação de 8 componentes. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

  17. Tele-cheiro • Descrição de um sistema de reconhecimento e reconstrução a distancia de cheiros. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br

More Related