Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a RNA Inteligência Artificial
Semelhante a RNA Inteligência Artificial (20)
RNA Inteligência Artificial
- 2. Agenda • Introdução • Neurônio natural • Histórico • Neurônio artificial • Perceptron • Perceptron Multicamada • Backpropagation • Exemplos recentes • Conclusão • Referências bibliográficas
- 3. Introdução • Capacidade cognitiva do ser humano • O neurônio natural • Inteligência humana • Neurônios artificiais • Aplicabilidade
- 5. Neurônio natural • Corpo celular e núcleo (soma) Onde são realizadas reações químicas e elétricas (processamento das informações). •Axônio Responsável pelo transporte das informações processadas pela soma. •Arborização terminal Distribuem as informações processadas para outros neurônios.
- 6. Neurônio natural • Dendrites Recebe conexões de outros neurônios. • Sinapse Conexões entre neurônios.
- 7. Neurônio natural • Robustez e tolerância a falhas • Capacidade de aprendizagem • Processamento de informação incerta • Paralelismo
- 8. Histórico • 1936 - Maquina de Turing (Máquina Universal). • 1940 - Pato de Voucanson (Von Neumann) • 1943 - Primeiro modelo - Macculloch and Pitts (MIT - Instituto Tecnológico de Massachusetts) • 1951 - Neuro computador Snark (Mavin Minsky) • 1956 - Inteligência artificial Simbólica e Conexionista • 1958 - Perceptron - Rosenblatt (simulados em um computador IBM 704) • 1960 - ADALINE - Widrow and Hoff (Mark I) • 1969 - Publicação do Livro Perceptrons (Minsky e Papert)
- 9. Histórico • 1970 - Publicações Pessimistas • 1986 - Backpropagation (Rumelhart, Hilton & Willians) • Identificação da estrutura das proteínas • Hifenização de palavras em inglês • Reconhecimento de fala • Previsão do tempo
- 10. Neurônios Artificiais • Imitam as principais características e funcionalidades do neurônio humano • Mesmo com algum componente danificado, continuam fornecendo informações aceitáveis devido à sua arquitetura redundante • Tem a capacidade de aprender através da fase de aprendizagem • Reconhecimento de padrões • Dependendo do hardware pode fornecer informações em real time
- 11. Neurônios Artificiais •Tipos de rede • Feedfoward • Recurrent
- 12. Neurônios Artificiais Tipos de aprendizagem: • Supervisionada • Não supervisionada (Auto organização) • Por reforço
- 13. Perceptron • Capaz de classificar classes linearmente separáveis • Aplicado em : • Reconhecimento de caracteres • Detecção de falhas em processos • Identificação de pessoas (Iris, Voz, Digital) • Diagnóstico médico • Data mining • Previsão em teclados virtuais • Aproximação de funções • Classificações
- 14. Perceptron • Utiliza pesos para chegar ao resultado desejado • Utiliza a função do modelo de Macculloch e Pitts
- 15. Rede Perceptron Pesos sinápticos Sinais de entrada
- 16. Rede Perceptron • Função de agregação u = (xi * wi ) - Θ • Função de ativação y = (u >= 0) ? 1 : 0
- 17. Perceptron Exemplos de funções de ativação • Degrau • Degrau bipolar • Sigmoide
- 18. Perceptron Classifica classes separáveis linearmente
- 19. Perceptron Não classifica classes não separáveis linearmente
- 20. Perceptron • Exemplo de classes separáveis linearmente Sinal 1 (x) Sinal 2 (y) Saída (x OR y) 0 0 0 (Vermelho) 0 1 1 (Verde) 1 0 1 (Verde) 1 1 1 (Verde) Representação dos Sinais e Saídas y x0 1 0 1 Representação dos Sinais, Saídas e Possíveis Retas (Soluções) y x0 1 0 1
- 21. Perceptron • Exemplo de classes não separáveis linearmente Sinal 1 (x) Sinal 2 (y) Saída (x XOR y) 0 0 0 (Vermelho) 0 1 1 (Verde) 1 0 1 (Verde) 1 1 0 (Vermelho) Representação dos Sinais e Saídas y x0 1 0 1 Representação dos Sinais, Saídas e Impossível Separar Linearmente y x0 1 0 1
- 23. Perceptron • Processo de treinamento • n = Constante de taxa de aprendizado (0 < n < 1) • y = Valor de saída produzido pelo perceptron • d^(k) = Valor desejado para k-ésima amostra de treinamento • x^(k) = Valor da amostra de treinamento • w = Vetor contendo os pesos
- 24. Perceptron Processo de ajuste dos pesos w atual = w anterior + n * (dˆ(k) - y) * xˆ(k)
- 25. Rede Perceptron Algoritmo de treinamento (regra delta)
- 26. Rede Perceptron Algoritmo de operação
- 27. Rede Perceptron Exemplo de execução x1 (Fósforo - mg) x2 (Acidez - mg) x3 (Cálcio - mg) Classe (1 = tangerina) (-1 = laranja) 0,1 0,4 0,7 1 0,5 0,7 0,1 1 0,6 0,9 0,8 -1 0,3 0,7 0,2 -1 Tangerina Laranja
- 28. Perceptron Multicamada e Backpropagation Era conhecido que a adição de mais camadas poderia resolver os problemas que o perceptron single layer não conseguia Mas não se conhecia um método de adaptação dos pesos para o perceptron mult layer Os Valores de saída são comparados com a resposta correta e o resultado armazenado em uma função de erro Utiliza uma função sigmoide como função de ativação
- 29. Perceptron Multicamada e Backpropagation Pode ser aplicada em: • Previsões • Controle automático • Identificação de plantas • Aproximação universal de funções
- 30. Neurogrid Capaz de emular o cerebro humano Utiliza pouca energia Capaz de simular 1.000.000 de neurônios Um cérebro de um rato opera 9.000x mais rápido que um computador convencional Um cérebro humano opera infinitas vezes mais rápido que o mais potente super-computador quântico, utilizando bem menos energia Pode ser utilizado em próteses conectadas ao córtex
- 31. Neurogrid
- 36. Gmail
- 37. Google Photos
- 38. Conclusão As RNAs podem ser utilizadas para resolver a maioria dos problemas que podem ser modelados computacionalmente, porém não devem ser utilizadas para todos estes problemas, devem ser utilizadas para resolver problemas que não possuem uma outra solução conhecida.
- 39. Referências bibliográficas • Introdução a redes neurais artificiais (IA); https://www.youtube.com/playlist?list=PLb2oL4vcRzBP G-Q-S2xxqtQqRf1iwy6yT, Acesso em 09/08/2015 • Neurogrid: conheça o microchip que simula o cérebro humano, Eduardo Harada; http://www.tecmundo.com.br/tecnologia/54056- neurogrid-conheca-o-microchip-que-simula-o-cerebro- humano.htm, Acesso em 10/08/2015 • Silva, I. N; Redes Neurais Artificiais para engenharia e ciências aplicadas • Thomas W. Rauber; Redes Neurais Artificiais, UFES.