Upload
internet
View
105
Download
1
Embed Size (px)
Citation preview
ROBERTO TADEU RAITTZ
1
Redes Neuronais/Neurais/Conexionistas
Introdução
Introdução2
Modelos inspirados no Cérebro humanoVarias unidades de processamento
(neurônios)Interligadas por grande número de conexões
(sinapses)Eficientes onde métodos tradicionais são
inadequados
Propriedades das RNA3
Capacidade de se adaptar ou aprenderGeneralizarAgrupar ou organizar dados
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.
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)
Por que utilizar6
Habilidade de tratar sistemas não linearesTolerância a falhasAdaptabilidadeAprendizadoGeneralizaçãoAbstração
Comentário7
As Redes Neurais Artificiais
Aprendem através de Exemplos
Áreas de aplicação8
Classificação (reconhecimento) de padrões Clustering/ CategorizaçãoAproximação de funçõesPrevisãoOtimizaçãoControle
Neurônios9
Neurônios10
Estrutura geral das RNAs11
Unidades de processamento ConexõesTopologia
Estrutura geral das RNAs12
Unidades de Processamento13
Função: Receber sinal da camada anterior, computar e enviar resultado para a próxima camada
Função de ativação14
Processa conjunto de entradas e o transforma em estado de ativação (de um neurônio)
Função de saída15
Transforma o estado de ativação de uma unidade em seu sinal de saída
Geralmente é uma função identidade
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
Topologia17
Número de camadas da redeNúmero de nodos em cada camadaTipo da conexão entre os nodos
Como as funções são interconectadas
Arquitetura de uma RNA18
Tipo da rede utilizadaForma como é utilizada
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.
Formas de Aprendizado20
SupervisionadoNão SupervisionadoHíbrido
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
Aprendizado Não Supervisionado22
A rede procura realizar um agrupamento coerente das informações que dispõe. Clusterização.
Aprendizado Híbrido23
Combina aprendizado supervisionado e não supervisionado
RBF (Radial Basis Function-Função de Base Radial)
Redes Feedforward24
Sinais seguem em uma única direçãoExemplos: Perceptron/ RBF
Redes recorrentes (com feedback)25
Possuem conexões ligando a saída da rede à sua entrada
Projetando...26
Sistemas Convencionais
Formular modelo a partir de observações do ambiente
Validar modelo com dados reaisConstruir o sistema usando o modelo
Projetando...27
RNAsÉ baseado apenas nos dadosExemplos para treinar a rede devem
contemplar todos os casos de saída representativos
Projeto de Uma RNA28
Escolher um modeloSelecionar a arquitetura adequadaFazer um pré-processamento adequado
Conjuntos de Dados de Treinamento29
Discussão com a turma
Aprendizado por Correção de Erro30
Minimizar a função de Custo
Aprendizado competitivo31
Neurônios competem entre si para serem ativados
Aprendizado por reforço32
Se a ação tomada pelo sistema é satisfatória o sistema é fortalecido caso contrário o sistema é enfraquecido
Recompensa e penalizaçãoFAN
Seminários33
Origens das redes Neuronais com modelos das primeiras aplicações
MLP com backpropagationRBFAplicações