180 likes | 413 Views
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.
E N D
Cérebro Artificial Intelligence, a modern approach Franck Bellemain, CIn - UFPE fb@cin.ufpe.br
Computador vs cérebro Franck Bellemain, CIn - UFPE fb@cin.ufpe.br
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
Neurônio Nesse modelo, um neurônio é definido da forma seguinte: Franck Bellemain, CIn - UFPE fb@cin.ufpe.br
Exemplo de funções de ativação Franck Bellemain, CIn - UFPE fb@cin.ufpe.br
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
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
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
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
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
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
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
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
Discussão • Expressividade • Tempo de calculo • Generalidade • Sensibilidade para “noise” • Transparência • Conhecimento inicial Franck Bellemain, CIn - UFPE fb@cin.ufpe.br
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/
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
Tele-cheiro • Descrição de um sistema de reconhecimento e reconstrução a distancia de cheiros. Franck Bellemain, CIn - UFPE fb@cin.ufpe.br