Inteligência Artificial

1. Computação Neural - Perceptron Multicamada Inteligência Artificial

2. Perceptron Multicamada (PMC) • Características: • Função de ativação: não-linear, como sigmóide ou hiperbólica. • Topologia: a rede é feedforward, com várias camadas tipicamente completamente conectadas. • Algoritmo de aprendizagem: supervisionado, através da retropropagação do erro. • Aplicações: classificação de padrões em geral, como reconhecimento de objetos ou letras em imagens, de fonemas ou palavras em sons, síntese de voz, previsões baseadas em dados históricos, entre outros.

3. PMC - Topologia

4. PMC – Fase de Classificação • Similar ao processo do Perceptron • Inicia-se pelo cálculo da saída de todos os neurônios da primeira camada oculta, utilizando as entradas (cada neurônio de uma dada camada pode ser calculado em paralelo). • Em seguida, com as saídas da primeira camada, calcula-se as saídas da segunda, e assim sucessivamente, até a última camada que fornece as saídas da rede.

5. PMC – Aprendizado • O algoritmo de aprendizado do PMC, conhecido como backpropagation, é um dos grandes responsáveis pelo ressurgimento da área de computação neural. • Lembrando as definições do erro e atualização de peso do Perceptron:

6. PMC – Aprendizado • Primeiramente, para o delta usado para atualização de pesos, substitui-se o erro por um parâmetro sigma: • Sendo que sigma é calculado de forma diferente para neurônios de camadas diferentes. Ele representa o gradiente do erro (direção em que o erro decresce mais rapidamente).

7. PMC – Aprendizado • O cálculo do sigma para a camada saída é o seguinte: • Se o neurônio estiver na camada oculta, o sigma da camada posterior é usado para calcular seu sigma:

8. PMC – Aprendizado • Para o caso da função sigmóide, a derivada é: • Portanto, os parâmetros sigma são calculados da seguinte maneira: