1 / 26

Redes Neurais Artificiais (RNA): Introdução

Redes Neurais Artificiais (RNA): Introdução. Disciplina : Inteligência Artificial. CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios Biológicos (4) Neurônios Artificiais (5) Funções de Ativação (6) Principais Arquiteturas. (1) Introdução. Ressurgiu no final da década de 80

Download Presentation

Redes Neurais Artificiais (RNA): Introdução

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. Redes Neurais Artificiais (RNA): Introdução Disciplina: Inteligência Artificial CONTEÚDO (1) Introdução (2) Histórico (3) Redes e Neurônios Biológicos (4) Neurônios Artificiais (5) Funções de Ativação (6) Principais Arquiteturas

  2. (1) Introdução • Ressurgiu no final da década de 80 • Conexionismo: Computação não algorítmica • Lembram a estrutura de um cérebro. • Sistemas paralelos distribuídos, compostos por unidades de processamento (nodos), que calculam funções matemáticas! • Unidades compostas em camadas e interligadas por conexões -> Inspirado no cérebro humano

  3. (1) Introdução • Solução bastante atrativa • Desempenho superior às soluções convencionais. • Fase de Aprendizagem • Exemplos são apresentados; • Extrai-se características necessárias; • Características utilizadas para gerar respostas aos problemas.

  4. (1) Introdução • Capacidade de aprender • Através de exemplos, generalizando a informação aprendida. • É o maior atrativo das RNAs

  5. (2) Histórico • Primeiro modelo artificial – Warren McCulloch e Walter Pitts em 1943 • McCulloch - Psiquiatra e Pitts – Matemático • Modelo de Nodos ou nodos MCP • Discussão em cima dos métodos de aprendizagem. • Modelo MCP – Descrição do modelo artificial.

  6. (2) Histórico • Primeiro trabalho ligado ao aprendizado – Donald Hebb – 1949 • Variação dos pesos de entrada dos nodos • Utilizado hoje em vários algoritmos de aprendizagem • 1958 – Frank Rosenblatt demonstrou que o perceptron poderiam classificar certos tipos de padrões.

  7. (2) Histórico • Perceptron de 3 camadas: • 1 – Valores de Entrada (conexões fixas); • 2 – Recebe os valores de entrada, cuja transmissão é ajustável; • 3 – Envia as saídas como resposta. • Faz classificação dividindo o espaço de valores em regiões distintas. • Valores devem ser linearmente separáveis

  8. (2) Histórico • Os conexionistas buscam até hoje: • Projetar RNAs que fossem capazes de fazer descobertas interessantes sem a necessidade de regras! • Em 1969 – Minsky e Papert descobriram que o perceptron não resolvia “problemas difíceis de aprender”(hard learning problems) – problemas não linearmente separáveis!

  9. (2) Histórico • Problema de tempo e espaço da IA simbólica, logo afetaria os conexionistas. • Anos adormecidos (anos 70), apenas alguns trabalhos na área. • 1982 – artigo de John Hopfield estimula a retomadas das pesquisas na área. • Redes neurais de múltiplas camadas poderiam resolver os “problemas difíceis de aprender”.

  10. (3) Motivação: Redes Biológicas • Cérebro humano, comunicação de neurônios, processamento de informações e comportamento conjunto são a base para as RNAs. • As RNAs tentam reproduzir as funções das redes biológicas. • Mas, pelo menos fisicamente, se diferem bastante.

  11. (3) Motivação: Redes Biológicas • Ambos são baseados em unidades de computação paralela e distribuídas, que se comunicam via conexões sinápticas nervosas. • As RNAs podem reproduzir com fidelidade funções só encontradas no seres humanos.

  12. (3) Motivação: Neurônios Biológicos • Neurônios são divididos em 3 seções: • Corpo, dendritos e o axônio.

  13. (3) Motivação: Neurônios Biológicos • O efeito das sinapses é variável, dando ao neurônio uma capacidade de adaptação. • Sinais recebidos são passados para o corpo, onde são comparados com os outros sinais. • Se o percentual é suficientemente alto, a célula dispara um impulso nervoso!! • Entradas: inibidoras ou excitatórias!

  14. (4) Neurônios Artificiais: modelo MCP • Simplificação do que se sabia sobre os neurônios biológicos. • Modelo de n terminais de entrada x1, x2,...,xn (dendritos) e apenas uma saída y (axônio). • Os terminais de entrada possuem pesos associados: w1, w2,...,wn (que podem ser positivos ou negativos – excitatórias ou inibitórias)

  15. (4) Neurônios Artificiais: modelo MCP • O efeito de uma entrada é dado por: xiwi • Os pesos determinam “em que grau” o neurônio deve considerar sinais de disparo que ocorrem naquela conexão. • Um neurônio biológico dispara quando a soma dos impulsos que ele recebe ultrapassa o seu limiar de excitação (threshold)

  16. n ∑ xiwi ≥ θ i = 1 (4) Neurônios Artificiais: modelo MCP • É feito a soma de cada xiwi (soma ponderada) e decide-se se o neurônio deve ou não disparar (saída 1 ou 0). • No MCP, a ativação é dada pela “função de ativação”, que ativa ou não a saída. Função de Limiar:

  17. (4) Neurônios Artificiais: modelo MCP • É considerado que os nodos de cada camada disparam sincronamente, todos são avaliados ao mesmo tempo. • Limitações do MCP: • Com apenas 1 camada só resolvem problemas linearmente separáveis; • Pesos negativos são mais adequados para representar disparos inibidores; • Proposto com pesos fixos, não ajustáveis.

  18. { + se x >+ - se x ≤ - y = (5) Funções de Ativação • Função DEGRAU: Produz saídas + para os valores de x maiores que zero e saída - para valores de x menores que zero.

  19. (5) Funções de Ativação • Outros modelos propostos que produzem uma saída qualquer (≠ 1 ou ≠ 0) • Função linear: y = αx α – número real y – saída x - entrada

  20. { + se x ≥ + x se |x| < + - se x ≤ - y = (5) Funções de Ativação • Função linear restringida, produzindo valores constantes em uma faixa [-,+], sendo chamada de função RAMPA;

  21. y = 1 1 + є-x/T (5) Funções de Ativação • Função SIGMOIDAL (S-shape): Utilizadas na construção de diversos modelos nas mais diversas áreas. Função Sigmoidal Logística: T - representa a suavidade da curva

  22. (6) Principais Arquiteturas das RNAs • Redes com uma única camada de NODOS MCP, só resolvem problemas linearmente separáveis. • Com mais camadas, resolvem outros tipos de problemas. • Parâmetros da arquitetura: • número de camadas da rede; • número de nodos nas camadas; • tipo de conexão entre os nodos; • topologia da rede.

  23. X1x2x3 x1 x2 x3 x4 x5 x6 (6) Principais Arquiteturas das RNAs • Número de camadas: • Camada única: • Múltiplas camadas:

  24. x1x2x3 x4 x5 x1 x2 x3 x4 x5 x6 (6) Principais Arquiteturas das RNAs • Tipos de conexões: • feedforward ou acíclica: saída de um nodo não pode ser usada como entrada de outro em camada inferior ou na mesma camada.

  25. x1 x2x3 x4 (6) Principais Arquiteturas das RNAs • Tipos de conexões: • feedback ou cíclica: a saída de algum neurônio pode ser usada como entrada de outro em camada inferior ou na mesma camada: Se todas as ligações são cíclicas, a rede é denominada auto-associativa. Úteis para recuperação de padrões de entrada.

  26. X1x2x3 x1x2x3 x4 x5 x1 x2x3 x4 (6) Principais Arquiteturas das RNAs • Conectividade: • Rede fracamente (ou parcialmente) conectada: • Rede completamente conectada:

More Related