Este documento introduz o conceito de redes neurais artificiais, descrevendo suas principais características como alto nível de paralelismo e capacidade de aprendizagem. Explica que as redes neurais são compostas por neurônios que recebem sinais de entrada e os processam usando funções de ativação e pesos sinápticos. Também define os principais fatores que caracterizam as redes neurais: funções de ativação, arquitetura e métodos de treinamento.

1. CENTRO DE CIÊNCIAS FÍSICAS E MATEMÁTICAS DEPARTAMENTO DE MATEMÁTICA INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS: TEORIA E APLICAÇÕES Autor: Eduardo Jorge Siridakis – eduardosiridakis@gmail.com PICME-CNPq INTRODUÇÃO Redes Neurais Artificiais podem ser máquinas físicamente implementadas ou modelos computacionais apresentando características como: - Alto nível de paralelismo na transmissão de informações, gerando tolerância à pequenas falhas; - Capacidade de aprendizagem e armazenamento do conhecimento adquirido. A motivação para o estudo e desenvolvimento das Redes Neurais Artificiais vem da capacidade que o cérebro possui de realizar certos tipos de processamento de informação, como reconhecimento de padrões e controle motor, de forma muito mais eficiente que os computadores digitais disponíveis atualmente. A idéia por trás de uma Rede Neural Artificial é realizar um processamento complexo através da associação de diversos elementos simples denominados neurônios. O NEURÔNIO O neurônio é a célula fundamental de uma rede: Os sinais de entrada, provenientes de uma fonte externa ou das saídas de outros neurônios, são aplicados a uma função linearmente afim (cujos coeficientes são chamados de pesos sinápticos do neurônio) gerando um sinal chamado de campo induzido, o qual por sua vez é aplicado a uma função de ativação para gerar a saída do neurônio. A saída de um neurônio pode ser a saída da rede ou servir como dado de entrada para outros neurônios. CARACTERIZAÇÃO GERAL De maneira geral, podemos caracterizar uma rede neural mediante três fatores principais: - Funções de ativação ; - Arquitetura ; - Métodos e algoritmos de treinamento . As funções de ativação determinam como o neurônio responde ao seu campo local induzido. As funções de ativação mais comuns são a função degrau, identidade e funções sigmóides, com maior destaque para essa última classe, amplamente utilizada devido ao seu caráter contínuo, diferenciável e não-linear. Quanto à arquitetura , podemos definir duas formas principais: - Redes competitivas: Neurônios podem estar todos conectados entre si, enviando e recebendo informações, admitindo-se também laços de realimentação; - Redes alimentadas adiante ( Feedfoward ): Neurônios dispostos em camadas. Neurônios de uma camada possuem as mesmas características e se conectam a todos os neurônios da camada seguinte. Para que uma rede “aprenda” a realizar uma determinada tarefa os seus pesos sinápticos devem ser ajustados adequadamente, para isso se utilizam algoritmos de treinamento . Estes podem ser supervisionados ou não supervisionados. Um algoritmo muito difundido para o treinamento de redes neurais é o Backpropagation , um algoritmo para treinamento supervisionado de redes alimentadas adiante. TESTES PRÁTICOS Paralelamente à pesquisa teórica foram utilizadas ferramentas computacionais para implementação de redes básicas, sendo possível interpolar funções e também obter interessantes resultados de reconhecimento de padrões em dados obtidos por meio de uma análise estatística de DNA bacteriano. Orientador: Prof. Marcelo Sobottka – sobottka@mtm.ufsc.br