O documento descreve o sistema nervoso humano e as redes neurais artificiais, incluindo sua estrutura, funcionamento e processos de aprendizado como a regra Delta. As redes neurais são usadas em sistemas de inteligência artificial conexionista que aprendem com a experiência ao invés de seguir regras programadas.

1. Redes Neurais
Alex Alonso
Antônio Nunes
Carolina Borges
Everton Ramos
Kézia bittencourt

2. O sistema nervoso
 O cérebro humano possui
aproximadamente 10 bilhões de
neurônios;
 São conectados através de sinapses;
 Formam a rede neural;

3. O sistema nervoso
 As sinapses transmitem estímulos
através de diferentes concentrações
de Na+ (Sódio) e K+ (Potássio), e o
resultado disto pode ser estendido por
todo o corpo humano.
Sinapse

4. O sistema nervoso
 Os neurônios têm um papel essencial na
determinação do
funcionamento, comportamento e do
raciocínio do ser humano.
 Ao contrário das redes neurais
artificiais, redes neurais naturais não
transmitem sinais negativos, sua
ativação é medida pela frequência com
que emite pulsos, frequência esta de
pulsos contínuos e positivos.

5. Redes Neurais artificiais
 Redes Neurais Artificiais são técnicas
computacionais que apresentam um
modelo matemático inspirado na
estrutura neural de organismos
inteligentes e que adquirem
conhecimento através da experiência.

6. Redes Neurais artificiais -
Histórico
 As pesquisas sobre redes neurais
artificias começaram basicamente
com três publicações muito
importantes neste
universo, desenvolvidas por:
McCulloch e Pitts (1943), Hebb
(1949), e Rosemblatt (1958).

7. Redes Neurais artificiais
 McCulloch - neurônio possuia apenas
uma saída, que era uma função de
entrada (threshold) da soma do valor
de suas diversas entradas;

8. Redes Neurais artificiais
 Rosemblatt - os neurônios eram
organizados em camada de entrada e
saída, onde os pesos das conexões
eram adaptados a fim de se atingir a
eficiência sináptica;

9. Redes Neurais artificiais
 Rumelhart, Hinton e Williams – famoso
backpropagation. Modelo de 3 camadas:
 Camada de Entrada: onde os padrões são
apresentados à rede;

10. Redes Neurais artificiais
 Camadas Intermediárias ou Escondidas:
onde é feita a maior parte do
processamento, através das conexões
ponderadas; podem ser consideradas
como extratoras de características;
 Camada de Saída: onde o resultado final é
concluído e apresentado.

11. Processos de aprendizado
 Aprendizado Supervisionado: quando é
utilizado um agente externo que indica à
rede a resposta desejada para o padrão de
entrada;
 Aprendizado Não Supervisionado: (auto-
organização), quando não existe um
agente externo indicando a resposta
desejada para os padrões de entrada;
 Reforço: quando um crítico externo avalia
a resposta fornecida pela rede.

12. Processos de aprendizado
 Modo Padrão: A correção dos pesos
acontece a cada apresentação à rede de
um exemplo do conjunto de treinamento.
Cada correção de pesos baseia-se
somente no erro do exemplo apresentado
naquela iteração. Assim, em cada ciclo
ocorrem N correções.
 Modo Batch: Apenas uma correção é feita
por ciclo. Todos os exemplos do conjunto
de treinamento são apresentados à rede,
seu erro médio é calculado e a partir deste
erro fazem-se as correções dos pesos.

13. Treinamento supervisionado
 Adotado no Perceptron, consiste em ajustar
os pesos e os thresholds de suas unidades
para que a classificação desejada seja
obtida.
 Cada informação processada gera um
peso, dependendo do resultado. Se for um
acerto, ela ganha um ponto, se for um
erro, ela perde meio ponto. Dessa forma, o
sistema cria a rotina de seguir o caminho

14. Treinamento supervisionado
 Quanto mais tentativas, mais aprimorado
fica o sistema, chegando, ao final de um
processo de aprendizado, a executar
tarefas quase sem erro algum.
 Em sistemas bem elaborados, uma rede
neural consegue aprender qualquer função
que uma pessoa possa saber e não há
limites para a quantidade de informação
que ela possa processar.

15. Treinamento supervisionado
 Regra Delta:
1) Iniciar todas as conexões com pesos
aleatórios;
2) Repita até que o erro E seja
satisfatoriamente pequeno (E=e);
3) Para cada par de treinamento
(X,d), faça:
1) Calcular resposta obtida O;
2) Se o erro não for satisfatoriamente
pequeno E > e, então:
4) Atualizar pesos: Wnovo := W anterior +
neta E X

16. Treinamento supervisionado
 Regra Delta:
1) Iniciar todas as conexões com pesos
aleatórios;
2) Repita até que o erro E seja
satisfatoriamente pequeno (E=e);
3) Para cada par de treinamento (X,d),
faça:
1) Calcular resposta obtida O;
2) Se o erro não for satisfatoriamente
pequeno E > e, então:
4) Atualizar pesos: Wnovo := W anterior +
neta E X

17. Treinamento supervisionado
 Regra Delta:

18. Inteligência Artificial
 As redes neurais são principalmente
utilizadas para criar sistemas de
inteligência artificial.
 a inteligência artificial gerada por
computadores tradicionais são simulações
de inteligência real, ou seja, apresentam
respostas segundo regras e comandos de
um programa pré-estabelecido.

19. Inteligência Artificial
 Simbólica:
 simula o comportamento inteligente. Ela é
baseada em uma programação que indica
quais respostas devem ser dadas diante de
determinados comandos.
 corretores ortográficos ou simuladores ;
 esses programas dificilmente aprendem coisas
novas, somente se você incluir novas
programações.

20. Inteligência Artificial
 Conexionista:
 conexionista simula a estrutura do cérebro,
pois acredita-se que a inteligência está na
forma de processar informação e não na
informação processada.
 aprender com seus erros e executar
diferentes processos, independente de
instruções

21. Perceptron
 foi à primeira máquina criada para
processamento de informação feita sobre o
sistema de redes neurais.
 Ele é construído com neurônios
artificiais, formando redes de
processamento.

22. Perceptron
 ele não executa programas, mas os
aprende.
 As informações não são gravadas, mas
aprendidas.
 é capaz de múltiplos processamentos e
testes de hipóteses em paralelo