SlideShare uma empresa Scribd logo
1 de 39
REDES NEURAIS ARTIFICIAIS
Edmilson Neto
Agenda
• Introdução
• Neurônio natural
• Histórico
• Neurônio artificial
• Perceptron
• Perceptron Multicamada
• Backpropagation
• Exemplos recentes
• Conclusão
• Referências bibliográficas
Introdução
• Capacidade cognitiva do ser humano
• O neurônio natural
• Inteligência humana
• Neurônios artificiais
• Aplicabilidade
Neurônio natural
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.
Neurônio natural
• Dendrites
Recebe conexões de outros neurônios.
• Sinapse
Conexões entre neurônios.
Neurônio natural
• Robustez e tolerância a falhas
• Capacidade de aprendizagem
• Processamento de informação incerta
• Paralelismo
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)
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
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
Neurônios Artificiais
•Tipos de rede
• Feedfoward
• Recurrent
Neurônios Artificiais
Tipos de aprendizagem:
• Supervisionada
• Não supervisionada (Auto organização)
• Por reforço
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
Perceptron
• Utiliza pesos para chegar ao resultado desejado
• Utiliza a função do modelo de Macculloch e Pitts
Rede Perceptron
Pesos sinápticos
Sinais de entrada
Rede Perceptron
• Função de agregação
u = (xi * wi ) - Θ
• Função de ativação
y = (u >= 0) ? 1 : 0
Perceptron
Exemplos de funções de ativação
• Degrau
• Degrau bipolar
• Sigmoide
Perceptron
Classifica classes separáveis linearmente
Perceptron
Não classifica classes não separáveis linearmente
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
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
Perceptron
Processo de treinamento
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
Perceptron
Processo de ajuste dos pesos
w atual = w anterior + n * (dˆ(k) - y) * xˆ(k)
Rede Perceptron
Algoritmo de treinamento (regra delta)
Rede Perceptron
Algoritmo de operação
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
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
Perceptron Multicamada e
Backpropagation
Pode ser aplicada em:
• Previsões
• Controle automático
• Identificação de plantas
• Aproximação universal de funções
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
Neurogrid
Miniaturas Youtube
Rede Sonhadora Google
Rede Sonhadora Google
Rede Sonhadora Google
Gmail
Google Photos
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.
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.

Mais conteúdo relacionado

Mais procurados

Capítulo 5 e 4 transmissão analógica e digital (2º unidade)
Capítulo 5 e 4   transmissão analógica e digital (2º unidade)Capítulo 5 e 4   transmissão analógica e digital (2º unidade)
Capítulo 5 e 4 transmissão analógica e digital (2º unidade)Faculdade Mater Christi
 
Modelamento e Simulação de Redes de Telecomunicações
Modelamento e Simulação de Redes de TelecomunicaçõesModelamento e Simulação de Redes de Telecomunicações
Modelamento e Simulação de Redes de TelecomunicaçõesAntonio Marcos Alberti
 
Circuitos Digitais: Paridade parte 2
Circuitos Digitais: Paridade parte 2Circuitos Digitais: Paridade parte 2
Circuitos Digitais: Paridade parte 2Elaine Cecília Gatto
 
Estatística - Aula 2 - Estatística descritiva
Estatística - Aula 2 - Estatística descritivaEstatística - Aula 2 - Estatística descritiva
Estatística - Aula 2 - Estatística descritivaHelder Lopes
 
Estatística Descritiva - parte 1 (ISMT)
Estatística Descritiva - parte 1 (ISMT)Estatística Descritiva - parte 1 (ISMT)
Estatística Descritiva - parte 1 (ISMT)João Leal
 
Exercício redes cap 3
Exercício redes cap 3Exercício redes cap 3
Exercício redes cap 3Ivan Karneiro
 
Aprendizado de Máquina
Aprendizado de MáquinaAprendizado de Máquina
Aprendizado de Máquinabutest
 
Função Quadrática
Função QuadráticaFunção Quadrática
Função QuadráticaAab2507
 
Estruturas de Dados - Árvores Multivias (Multiway Tree)
Estruturas de Dados - Árvores Multivias (Multiway Tree)Estruturas de Dados - Árvores Multivias (Multiway Tree)
Estruturas de Dados - Árvores Multivias (Multiway Tree)Erick Petrucelli
 
Aula 7 inducao matematica-primeiroprincipio
Aula 7   inducao matematica-primeiroprincipioAula 7   inducao matematica-primeiroprincipio
Aula 7 inducao matematica-primeiroprincipiowab030
 
Lista de exercicios algoritmos resolvida-
Lista de exercicios   algoritmos  resolvida-Lista de exercicios   algoritmos  resolvida-
Lista de exercicios algoritmos resolvida-Mauro Pereira
 
Yapay Sinir Aglari
Yapay Sinir AglariYapay Sinir Aglari
Yapay Sinir Aglariahmetkakici
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosDiego Negretto
 
[PR12] understanding deep learning requires rethinking generalization
[PR12] understanding deep learning requires rethinking generalization[PR12] understanding deep learning requires rethinking generalization
[PR12] understanding deep learning requires rethinking generalizationJaeJun Yoo
 

Mais procurados (20)

Capítulo 5 e 4 transmissão analógica e digital (2º unidade)
Capítulo 5 e 4   transmissão analógica e digital (2º unidade)Capítulo 5 e 4   transmissão analógica e digital (2º unidade)
Capítulo 5 e 4 transmissão analógica e digital (2º unidade)
 
Modelamento e Simulação de Redes de Telecomunicações
Modelamento e Simulação de Redes de TelecomunicaçõesModelamento e Simulação de Redes de Telecomunicações
Modelamento e Simulação de Redes de Telecomunicações
 
Circuitos Digitais: Paridade parte 2
Circuitos Digitais: Paridade parte 2Circuitos Digitais: Paridade parte 2
Circuitos Digitais: Paridade parte 2
 
Algoritmos
AlgoritmosAlgoritmos
Algoritmos
 
Estatística - Aula 2 - Estatística descritiva
Estatística - Aula 2 - Estatística descritivaEstatística - Aula 2 - Estatística descritiva
Estatística - Aula 2 - Estatística descritiva
 
Processador mips - pipeline
Processador mips - pipelineProcessador mips - pipeline
Processador mips - pipeline
 
Flip Flops Parte 1
Flip Flops Parte 1Flip Flops Parte 1
Flip Flops Parte 1
 
Estatística Descritiva - parte 1 (ISMT)
Estatística Descritiva - parte 1 (ISMT)Estatística Descritiva - parte 1 (ISMT)
Estatística Descritiva - parte 1 (ISMT)
 
Exercício redes cap 3
Exercício redes cap 3Exercício redes cap 3
Exercício redes cap 3
 
Aprendizado de Máquina
Aprendizado de MáquinaAprendizado de Máquina
Aprendizado de Máquina
 
Linguagem C - Operadores bit a bit
Linguagem C - Operadores bit a bitLinguagem C - Operadores bit a bit
Linguagem C - Operadores bit a bit
 
Função Quadrática
Função QuadráticaFunção Quadrática
Função Quadrática
 
Problema de transporte
Problema de transporteProblema de transporte
Problema de transporte
 
Estruturas de Dados - Árvores Multivias (Multiway Tree)
Estruturas de Dados - Árvores Multivias (Multiway Tree)Estruturas de Dados - Árvores Multivias (Multiway Tree)
Estruturas de Dados - Árvores Multivias (Multiway Tree)
 
Aula 7 inducao matematica-primeiroprincipio
Aula 7   inducao matematica-primeiroprincipioAula 7   inducao matematica-primeiroprincipio
Aula 7 inducao matematica-primeiroprincipio
 
Lista de exercicios algoritmos resolvida-
Lista de exercicios   algoritmos  resolvida-Lista de exercicios   algoritmos  resolvida-
Lista de exercicios algoritmos resolvida-
 
Yapay Sinir Aglari
Yapay Sinir AglariYapay Sinir Aglari
Yapay Sinir Aglari
 
Álgebra Booleana
Álgebra BooleanaÁlgebra Booleana
Álgebra Booleana
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de Dados
 
[PR12] understanding deep learning requires rethinking generalization
[PR12] understanding deep learning requires rethinking generalization[PR12] understanding deep learning requires rethinking generalization
[PR12] understanding deep learning requires rethinking generalization
 

Semelhante a RNA Inteligência Artificial

Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]ronaldo ramos
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiaisrafael.joi
 
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensRedes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensGDGFoz
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais ArtificiaisRicardo Zalla
 
Redes_Neurais.ppt
Redes_Neurais.pptRedes_Neurais.ppt
Redes_Neurais.pptCsfe076280
 
Redes Neurais Aplicacoes
Redes Neurais AplicacoesRedes Neurais Aplicacoes
Redes Neurais Aplicacoessemanact2007
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasFabio Spanhol
 
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...Sérgio Dias
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#POANETMeetup
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisLeonardo Goliatt
 
Informatica Aplicada às Neurociencias
Informatica Aplicada às NeurocienciasInformatica Aplicada às Neurociencias
Informatica Aplicada às NeurocienciasRenato Sabbatini
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neuraisLeo Laurett
 

Semelhante a RNA Inteligência Artificial (20)

Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiais
 
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagensRedes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais Artificiais
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
Redes_Neurais.ppt
Redes_Neurais.pptRedes_Neurais.ppt
Redes_Neurais.ppt
 
Redes Neurais Aplicacoes
Redes Neurais AplicacoesRedes Neurais Aplicacoes
Redes Neurais Aplicacoes
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
 
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...
Extração e Representação de Conhecimento de Redes Neurais Artificiais Utiliza...
 
Palestra simulação3
Palestra simulação3Palestra simulação3
Palestra simulação3
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#
 
Apresentacao
ApresentacaoApresentacao
Apresentacao
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
 
Informatica Aplicada às Neurociencias
Informatica Aplicada às NeurocienciasInformatica Aplicada às Neurociencias
Informatica Aplicada às Neurociencias
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neurais
 
Big data
Big dataBig data
Big data
 

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
  • 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
  • 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)
  • 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
  • 36. Gmail
  • 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.