Redes neurais
Redes neurais artificiais
Abstrações matemáticas de
neurônios biológicos
Redes neurais artificiais
Aprendem relações, não
conceitos
Aprendizado Hebbiniano
“Neurônios que disparam
juntos criam sinapses fortes”
Estrutura básica
● Topologia
● Algoritmo de treinamento
● Função de ativação
Química do aprendizado
Neurônio
1
Neurônio
2
↑Na+
Dentrito
↓K+
0mV
50mV
Disparo
0mV
↓Na+ K+
Axônio Sinapse
Perceptron - 1957
x1
y
xn
∑
w1
wn
b
wn+1
Perceptron - 1957 - Treinamento
Perceptron - 1957 - Ativação
Perceptron - 1957 - Pesos
Perceptron - Operador OR
0
0
0
(0.02*0)+
(-0.02*0)+
(-0.05*-1)
0.02
(0.05 > 0)?
Sim, ∴ 1
-0.02
-1
-0.05
Δwn
Perceptron - Operador OR
O treinamento é realizado até
o erro (gn-yn) ou o tempo t
atinja um limite
Nem tudo é fácil...
Perceptrons só aprendem
sobre dados que são
linearmente separáveis.
Nem tudo é fácil... - OR
1
1
0
0
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 1
Nem tudo é fácil... - XOR
1
1
0
0
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 0
?
Feedforward - Werbos - 1969
10
0
1
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 0
MLP - Minsky & Papert - 1975
x1
y
xn
h1
h2
h3
hn
wn
b
wn
Matematicamente,
Redes neurais “não-lineares”
são aproximadores
universais de funções
Prós
● Plasticidade
● Flexibilidade
● Paralelismo
Cons
● Normalização
● Treinamento
● Interpretação
2005-Hoje
● Deep Learning
○ Retornou o interesse por ANNs
○ Resolveu problemas de
profundidade
○ Permitiu escalabilidade
○...
Quem usa?
● Street View
● Otimização do Data
Center
● Reconhecimento
de voz
● Recomendações
● Previsões
Quem usa?
● Reconhecimento
facial
● Modelos de
personalidade
● Previsões
Redes neurais
Redes neurais
Redes neurais
Redes neurais
Redes neurais
Próximos SlideShares
Carregando em…5
×

Redes neurais

343 visualizações

Publicada em

A maioria das pessoas já ouviu falar de redes neurais, mas não faz ideia o que elas realmente sejam. Nesta (realmente) sucinta introdução, conheça aplicações, empresas que a usam, e entenda a rede neural primordial, o perceptron.

Publicada em: Ciências
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
343
No SlideShare
0
A partir de incorporações
0
Número de incorporações
10
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Redes neurais

  1. 1. Redes neurais
  2. 2. Redes neurais artificiais Abstrações matemáticas de neurônios biológicos
  3. 3. Redes neurais artificiais Aprendem relações, não conceitos
  4. 4. Aprendizado Hebbiniano “Neurônios que disparam juntos criam sinapses fortes”
  5. 5. Estrutura básica ● Topologia ● Algoritmo de treinamento ● Função de ativação
  6. 6. Química do aprendizado Neurônio 1 Neurônio 2 ↑Na+ Dentrito ↓K+ 0mV 50mV Disparo 0mV ↓Na+ K+ Axônio Sinapse
  7. 7. Perceptron - 1957 x1 y xn ∑ w1 wn b wn+1
  8. 8. Perceptron - 1957 - Treinamento
  9. 9. Perceptron - 1957 - Ativação
  10. 10. Perceptron - 1957 - Pesos
  11. 11. Perceptron - Operador OR 0 0 0 (0.02*0)+ (-0.02*0)+ (-0.05*-1) 0.02 (0.05 > 0)? Sim, ∴ 1 -0.02 -1 -0.05 Δwn
  12. 12. Perceptron - Operador OR O treinamento é realizado até o erro (gn-yn) ou o tempo t atinja um limite
  13. 13. Nem tudo é fácil... Perceptrons só aprendem sobre dados que são linearmente separáveis.
  14. 14. Nem tudo é fácil... - OR 1 1 0 0 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 1
  15. 15. Nem tudo é fácil... - XOR 1 1 0 0 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 0 ?
  16. 16. Feedforward - Werbos - 1969 10 0 1 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 0
  17. 17. MLP - Minsky & Papert - 1975 x1 y xn h1 h2 h3 hn wn b wn
  18. 18. Matematicamente, Redes neurais “não-lineares” são aproximadores universais de funções
  19. 19. Prós ● Plasticidade ● Flexibilidade ● Paralelismo Cons ● Normalização ● Treinamento ● Interpretação
  20. 20. 2005-Hoje ● Deep Learning ○ Retornou o interesse por ANNs ○ Resolveu problemas de profundidade ○ Permitiu escalabilidade ○ Redes convolucionais ○ Deep Belief Nets
  21. 21. Quem usa? ● Street View ● Otimização do Data Center ● Reconhecimento de voz ● Recomendações ● Previsões
  22. 22. Quem usa? ● Reconhecimento facial ● Modelos de personalidade ● Previsões

×