SlideShare uma empresa Scribd logo
1 de 52
Baixar para ler offline
9/5/2007 1
Redes Neurais
Prof. Germano CrispimVasconcelos
gcv@cin.ufpe.br
ramal 21268430 r-4310
Redes Neurais
Prof. Germano CrispimVasconcelos
gcv@cin.ufpe.br
ramal 21268430 r-4310
Objetivos da Disciplina (1)
Apresentar a filosofia da abordagem,
principais fundamentos, modelos de Redes
Neurais, aplicações e desenvolvimento de
soluções
(Conceitos - Teoria)
Objetivos da Disciplina (2)
Permitir ao aluno investigar de forma prática a
solução de um problema usando Redes Neurais
em uma aplicação de interesse ...
- Reconhecimento de padrões
- Previsão de séries temporais
- Processamento de imagens
- Mineração de dados e mineração na web
- Otimização
- Controle
(Projeto - Prática)
Programa da Disciplina
1a Parte: Fundamentos
Aula 1 : Introdução e fundamentos matemáticos
Aula 2 : Fundamentos e modelos de aprendizagem
2a Parte: Arquiteturas e Modelos
• Redes feedforward
Aula 3 : Adaline e Perceptrons
Aula 4 : Multilayer Perceptrons (MLP)
Aula 5 : Redes de Funções de Base Radial (RBF)
Aula 6 : Máquina de Vetores de Suporte (SVM)
• Redes recorrentes
Aula 7 : Rede de Jordan
Aula 8 : Rede de Elman e outros modelos
• Redes auto-organizáveis
Aula 9 : Modelo de Hopfield
Aula 10 : Modelo de Kohonen
Aula 11 : Modelos ART
• Redes construtivas
Aula 12 : Cascade-correlation (CASCOR)
Programa da Disciplina
• Lista de Exercícios - Valendo Nota
3a Parte: Desenvolvimento de Soluções
Aula 13 : Aplicações
Aula 14 : Solução de Problemas
Aula 15 : Pré-processamento de Dados
Aula 16 : Pós-processamento de Dados
Aula 17 : Revisão geral
Aula 18 : 1o Exercício Escolar
4a Parte: Tópicos Especiais (Seminários)
Aula 19 : Sistemas Híbridos (Neuro-fuzzy, RN-AG, etc)
Aula 20 : Reconhecimento de Padrões e Processamento de Imagens
Aula 21 : Otimização e Controle
Aula 22 : Mineração de Dados
Aula 23 : Previsão de Séries Temporais
Programa da Disciplina
5a Parte: Projeto
Aula 24 : Definição de Projeto em Aplicação do Mundo Real
(tópicos dirigidos para interesses dos alunos)
Aula 25 : Acompanhamento do Projeto
Aula 26 : Acompanhamento do Projeto
Aula 27 : Acompanhamento do Projeto
Aula 28 : Acompanhamento do Projeto
Aula 29 : Acompanhamento do Projeto
Aula 30 : Acompanhamento do Projeto
Aula 31 : Acompanhamento do Projeto
Aula 32 : Entrega do Relatório (2o Exercício)
Aula 33 : Exame Final
Material Didático
• Livro 1
– Neural Computing : An Introduction. R. Beale, T. Jackson. (1990).
• Livro 2
– Redes Neurais Artificiais: Teoria e Aplicações. Braga, A.P, Ludermir,
T.B, Carvalho, A. F. (2000)
• Livro 3
– Neural Computation : A Comprehensive Foundation. Simon Haykin.
(1993).
• Outros Livros de Redes Neurais
• Listas de Exercícios
Interesses da
Inteligência Computacional
• Automação de tarefas “inteligentes”
• Modelagem do processamento biológico de
informação
• Modelagem do processo cognitivo
Inteligência Computacional
• Objetiva a criação de modelos para a
inteligência e o desenvolvimento de
sistemas baseados nestes modelos
• Investiga formas de habilitar o computador
a realizar tarefas onde o ser humano tem um
melhor desempenho
Inteligência Computacional -
Áreas
• Redes Neurais
• IA Simbólica
• Teoria da Aprendizagem Computacional
• Reconhecimento de Padrões
• Lógica Nebulosa/Difusa
• Algoritmos Genéticos
• Sistemas Híbridos
Principais Abordagens
• Abordagem Simbólica
• Abordagem Conexionista
• Abordagem Estatística
Abordagem Simbólica
• Toma como base a representação do mundo
através de símbolos que representam
conceitos.
• A manipulação destes símbolos permite a
obtenção de conclusões e geração de novos
conhecimentos sobre o mundo.
Abordagem Simbólica
Engenheiro do
Conhecimento
Usuário
Usuário
Mecanismo de
Raciocínio
Genérico
Base de
Conhecimento
Heurística
Aquisição do
Conhecimento
Explicação do
Raciocínio Especialista
INTERFACE
ExplicaçõesDados
Dados
Pesquisa - IA Simbólica
• Aquisição do conhecimento
• Representação do conhecimento
• Métodos de raciocínio
• Tratamento de Incerteza
• Aprendizagem e Adaptabilidade
• Sistemas Especialistas
• Capacidades sensório-motoras
Aplicações
• Resolução de problemas de diagnóstico, previsão,
monitoramento, análise, planejamento e projeto
• Tradução, interpretação e geração de linguagem
natural
• Jogos: xadrez, damas, go, etc.
• Mineração de dados e mineração na web
• Prova de teoremas, resolução de equações
Aplicações
• Otimização e busca heurística
• Auxílio à educação, estratégias
pedagógicas, modelagem do aluno
• Manipulação, navegação, monitoramento
em Robótica
• Visão, tato, olfato, audição e paladar
Redes Neurais
Sobre Redes Neurais...
• É uma abordagem alternativa à forma
algorítmica de resolver problemas
• A partir de exemplos do problema
• Fornecem soluções particularmemte
importantes onde não há como se definir
regras
• Em boa parte dos problemas do mundo real
Redes Neurais
• Cérebro como fonte de “inspiração” para o
desenvolvimento de sistemas inteligentes
• Sistemas paralelos distribuídos compostos por
unidades de processamento simples interligadas
entre si e com o ambiente
• Conexões estão associadas a pesos que
armazenam o conhecimento da rede
• Conhecimento Aprendizagem
Redes Neurais
• Sistemas distribuidos inspirados no cérebro
humano que “aprendem” a resolver problemas
extraindo informações estatísticas do dados
• Virtudes
– Capacidade de aprender por exemplos e de se
adaptar continuamente ao ambiente
– Habilidade para lidar com problemas
complexos, imprecisos e ruidosos
Abordagem Conexionista
Professor,
Crítico,
Não-Supervisionado
Comparador
Conhecimento
representado
nos pesos da rede
Dados
(Treinamento)
Dados Dados
APRENDIZAGEM UTILIZAÇÃO
Usuário
Dados
Pesos
Dados
Usuário
Redes Neurais Naturais
Neurônio Natural
Corpo
Dendritos
Axônio
Sinal
Sinapse
Neurônio McCulloch-Pitts
(MCP)
y
Reconhecimento de Padrões
Peso Bailarina
Halterofilista
Altura
Peso
9/5/2007 26
Visualização do Treinamento
1
2 3
4
5
6 78
Uma Visão Matemática do MCP
X1
X2 Classe 1
Classe 2
f(x)=Σwi.xi - θ
f(x)=(|W|.|X| cosΦ) - θ
Considere o ponto onde
f(x) = 0:
w1.x1 + w2.x2 - θ = 0
x2 = -w1/w2.x1 + θ/ w2
(y = m.x +c)
f(x)
Reconhecimento de Padrões
Peso Bailarina
Halterofilista
Altura
Largura da coxa
9/5/2007 29
Classificadores lineares
X1
X2
Classe 1
Classe 2
Classe 2
Classe 2
d2
d1
CLASSIFICAÇÃO SINAL DA LINHA
DE DECISÃO
d1 d2
Classe 1 + +
Classe 2 + -
Classe 2 - +
Classe 2 - -+
-
+
-
Como Funciona uma Rede Neural ?
• Solução baseada
na estatística dos
dados
• Capacidade de
estabelecer
relações entre
grande
quantidade de
variáveisconexões
INADIMPLENTE
ADIMPLENTE
IDADE
SEXO
RENDA
. . . . .
Aplicações
Animação Facial
Animação
Vida Artificial
Organismos
Evolutivos:
Controle de
Perseguição
e Fuga
• Robótica ...
Leitura Labial
Conversão de Sons para
Imagens
Estimação de Trajetórias para
Reconhecimento de Eventos
Monitoramento e
Segurança
Realidade Virtual
FIFA SoccerThe Sims
Produção de Jogos e Histórias
Interativas
Busca de Informação na Web
Previsão
• Como prever o valor do dólar amanhã?
• Que dados são relevantes? Há
comportamentos recorrentes?
Detecção de Intrusão e Filtragem de
Spam
• Como saber se uma mensagem é lixo ou
de fato interessa?
• Como saber se um dado comportamento
de usuário é suspeito e com lidar com
isto?
• Como brecar o carro sem as rodas deslizarem em função
da velocidade, atrito, ...
• Como focar a câmera em função de luminosidade,
distância, ...
• Como ajustar a temperatura em função da quantidade de
roupa, fluxo de água, ...
Sistemas de Controle
Recomendação de produtos
• Recomendações personalizadas de produtos...
• Modelagem dos perfis dos compradores...
Outras Aplicações
Análise de
mercado
Análise de
crédito
Rec. odores
Previsão séries
Det. fraudes
Data mining
Proc. sinais
Proc. voz
Diagnose
médica
Interfaces
O Mercado Mundial
Empresas ...
Sharp
US supermarket chains
Microsoft
Citibank
Barclays
AT&T
Visa
Siemens
Mastercard
Britvic Soft Drinks
Gerber Baby Foods
Fujitsu
M&M/MarsUSAir
Wal-Mart
Empresas Especializadas em
Redes Neurais
Caere
Neuristics Corporation
Nestor Inc.
PNNL
RetekAT&T
BehavHeuristics Inc
Siemens
Microsoft
Neural Applications Corp.NeuralWare
HNC Corporation
Visionics
NeuroTech
A Realidade no Brasil ...
Grupo Martins
Redes Varejistas
Financeiras
Bancos
CHESF e Celpe
Volkswagen
CDLs
Empresas Atacadistas
Em Que o Grupo Desenvolve
Pesquisas ...
Redes Neurais
Teoria FerramentasAplicações
Equipe do CIn-UFPE (redes neurais)
• Germano C. Vasconcelos (PhD, Kent - UK)
• Edson C.B. Carvalho Filho (PhD, Kent - UK)
• Paulo J. L. Adeodato (PhD, King’s College - UK)
• Teresa B. Ludermir (PhD, Imperial College - UK)
• Aluizio Araújo (PhD, Sussex - UK)
• George Darmiton (Doutor, CIn-UFPE)
• Tsang Ing Ren

Mais conteúdo relacionado

Mais procurados

Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoJackson Daner
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Computadores de redes neurais
Computadores de redes neuraisComputadores de redes neurais
Computadores de redes neuraisSanclé Porchéra
 
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
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
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
 
Redes Neuronais Artificiais
Redes Neuronais ArtificiaisRedes Neuronais Artificiais
Redes Neuronais Artificiaiseurosigdoc acm
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Bruno Catão
 
Machine Learning e Redes Neuronais
Machine Learning e Redes NeuronaisMachine Learning e Redes Neuronais
Machine Learning e Redes Neuronaiseurosigdoc acm
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Bruno Catão
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Ricardo Brasil
 
Inteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoInteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoLeonardo Goliatt
 

Mais procurados (20)

Redes neurais
Redes neuraisRedes neurais
Redes neurais
 
Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de Aprendizado
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
P910Aula05
P910Aula05P910Aula05
P910Aula05
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
Computadores de redes neurais
Computadores de redes neuraisComputadores de redes neurais
Computadores de redes neurais
 
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
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
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
 
Redes Neuronais Artificiais
Redes Neuronais ArtificiaisRedes Neuronais Artificiais
Redes Neuronais Artificiais
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2
 
Machine Learning e Redes Neuronais
Machine Learning e Redes NeuronaisMachine Learning e Redes Neuronais
Machine Learning e Redes Neuronais
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
 
Inteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoInteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – Introdução
 

Destaque

Previsão de Inadimplência por Redes Neurais Artificiais
Previsão de Inadimplência por Redes Neurais ArtificiaisPrevisão de Inadimplência por Redes Neurais Artificiais
Previsão de Inadimplência por Redes Neurais ArtificiaisAnderson Pinho
 
Visitando a literatura em redes neurais recorrentes
Visitando a literatura em redes neurais recorrentesVisitando a literatura em redes neurais recorrentes
Visitando a literatura em redes neurais recorrentesDiogenes Freitas
 
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4FGV | Fundação Getulio Vargas
 
Redes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesRedes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesgpolo
 
Introdução a Cloud Computing com Amazon Web Services
Introdução a Cloud Computing com Amazon Web ServicesIntrodução a Cloud Computing com Amazon Web Services
Introdução a Cloud Computing com Amazon Web ServicesJose Papo, MSc
 
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...Leinylson Fontinele
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural networkmustafa aadel
 
Neural network & its applications
Neural network & its applications Neural network & its applications
Neural network & its applications Ahmed_hashmi
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural networkDEEPASHRI HK
 

Destaque (11)

Previsão de Inadimplência por Redes Neurais Artificiais
Previsão de Inadimplência por Redes Neurais ArtificiaisPrevisão de Inadimplência por Redes Neurais Artificiais
Previsão de Inadimplência por Redes Neurais Artificiais
 
Visitando a literatura em redes neurais recorrentes
Visitando a literatura em redes neurais recorrentesVisitando a literatura em redes neurais recorrentes
Visitando a literatura em redes neurais recorrentes
 
Redes neurais
Redes neuraisRedes neurais
Redes neurais
 
Mapas de kohonen
Mapas de kohonenMapas de kohonen
Mapas de kohonen
 
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4
FGV - RAE Revista de Administração de Empresas, 2015. Volume 55, Número 4
 
Redes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesRedes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementações
 
Introdução a Cloud Computing com Amazon Web Services
Introdução a Cloud Computing com Amazon Web ServicesIntrodução a Cloud Computing com Amazon Web Services
Introdução a Cloud Computing com Amazon Web Services
 
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...
Utilização de Heurísticas Bioinspiradas em Sistemas de Inteligência Coletiva ...
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural network
 
Neural network & its applications
Neural network & its applications Neural network & its applications
Neural network & its applications
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural network
 

Semelhante a Redes Neurais: Fundamentos, Modelos e Aplicações

Minicurso de mineração de dados
Minicurso de mineração de dadosMinicurso de mineração de dados
Minicurso de mineração de dadosRenato Fabbri
 
Rene Seguranca Ai Agents
Rene Seguranca Ai AgentsRene Seguranca Ai Agents
Rene Seguranca Ai AgentsMarco Manso
 
Introduction to Data Science in IoT Projects.
Introduction to Data Science in IoT Projects.Introduction to Data Science in IoT Projects.
Introduction to Data Science in IoT Projects.Roberto Williams Batista
 
Computação Cognitiva: conceitos e aplicações
Computação Cognitiva: conceitos e aplicaçõesComputação Cognitiva: conceitos e aplicações
Computação Cognitiva: conceitos e aplicaçõesDiego Cavalca
 
Escolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaEscolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaAlexandre Duarte
 
Inteligencia artificial 1
Inteligencia artificial 1Inteligencia artificial 1
Inteligencia artificial 1Nauber Gois
 
Análise de Redes Sociais - Agroplus
Análise de Redes Sociais - AgroplusAnálise de Redes Sociais - Agroplus
Análise de Redes Sociais - Agroplusequipeagroplus
 
Apresentação do procc by Michel e Rogério
Apresentação do procc by Michel e RogérioApresentação do procc by Michel e Rogério
Apresentação do procc by Michel e RogérioKalil Araujo Bispo
 
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...Adolfo Guimaraes
 
First Big Data Week
First Big Data Week First Big Data Week
First Big Data Week Hélio Silva
 
“Ativando inteligência com Big Data”.
“Ativando inteligência com Big Data”.“Ativando inteligência com Big Data”.
“Ativando inteligência com Big Data”.digitaltuesday
 
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptx
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptxanalise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptx
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptxMoysesOliveira3
 
Uma breve introdução ao Big Data e Inteligência Artificial.pptx
Uma breve introdução ao Big Data e Inteligência Artificial.pptxUma breve introdução ao Big Data e Inteligência Artificial.pptx
Uma breve introdução ao Big Data e Inteligência Artificial.pptxAlessandro Binhara
 
Aula 1 - Interaction Design From Ethnography, Mental Models to IA
Aula 1 - Interaction Design From Ethnography, Mental Models to IAAula 1 - Interaction Design From Ethnography, Mental Models to IA
Aula 1 - Interaction Design From Ethnography, Mental Models to IAAmyris Fernandez
 
Plano de ensino - Princípios de Sistemas da Informação
Plano de ensino - Princípios de Sistemas da InformaçãoPlano de ensino - Princípios de Sistemas da Informação
Plano de ensino - Princípios de Sistemas da Informaçãoefjunior
 
PRINC DE SIST DE INFORMACAO
PRINC DE SIST DE INFORMACAOPRINC DE SIST DE INFORMACAO
PRINC DE SIST DE INFORMACAOpaulocsm
 
Ativando Inteligência com Big Data
Ativando Inteligência com Big DataAtivando Inteligência com Big Data
Ativando Inteligência com Big DataHélio Silva
 
sistemas especialistas
sistemas especialistassistemas especialistas
sistemas especialistasJean Carvalho
 
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3Roberto C. S. Pacheco
 

Semelhante a Redes Neurais: Fundamentos, Modelos e Aplicações (20)

Minicurso de mineração de dados
Minicurso de mineração de dadosMinicurso de mineração de dados
Minicurso de mineração de dados
 
Rene Seguranca Ai Agents
Rene Seguranca Ai AgentsRene Seguranca Ai Agents
Rene Seguranca Ai Agents
 
Introduction to Data Science in IoT Projects.
Introduction to Data Science in IoT Projects.Introduction to Data Science in IoT Projects.
Introduction to Data Science in IoT Projects.
 
Computação Cognitiva: conceitos e aplicações
Computação Cognitiva: conceitos e aplicaçõesComputação Cognitiva: conceitos e aplicações
Computação Cognitiva: conceitos e aplicações
 
00 apresentacao
00   apresentacao00   apresentacao
00 apresentacao
 
Escolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaEscolhendo um Projeto de Pesquisa
Escolhendo um Projeto de Pesquisa
 
Inteligencia artificial 1
Inteligencia artificial 1Inteligencia artificial 1
Inteligencia artificial 1
 
Análise de Redes Sociais - Agroplus
Análise de Redes Sociais - AgroplusAnálise de Redes Sociais - Agroplus
Análise de Redes Sociais - Agroplus
 
Apresentação do procc by Michel e Rogério
Apresentação do procc by Michel e RogérioApresentação do procc by Michel e Rogério
Apresentação do procc by Michel e Rogério
 
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...
Minicurso: O que o twitter está pensando? Extraindo informações do twitter ut...
 
First Big Data Week
First Big Data Week First Big Data Week
First Big Data Week
 
“Ativando inteligência com Big Data”.
“Ativando inteligência com Big Data”.“Ativando inteligência com Big Data”.
“Ativando inteligência com Big Data”.
 
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptx
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptxanalise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptx
analise-de-sistemas-aula-01-bcc-noturno-ema908915a.pptx
 
Uma breve introdução ao Big Data e Inteligência Artificial.pptx
Uma breve introdução ao Big Data e Inteligência Artificial.pptxUma breve introdução ao Big Data e Inteligência Artificial.pptx
Uma breve introdução ao Big Data e Inteligência Artificial.pptx
 
Aula 1 - Interaction Design From Ethnography, Mental Models to IA
Aula 1 - Interaction Design From Ethnography, Mental Models to IAAula 1 - Interaction Design From Ethnography, Mental Models to IA
Aula 1 - Interaction Design From Ethnography, Mental Models to IA
 
Plano de ensino - Princípios de Sistemas da Informação
Plano de ensino - Princípios de Sistemas da InformaçãoPlano de ensino - Princípios de Sistemas da Informação
Plano de ensino - Princípios de Sistemas da Informação
 
PRINC DE SIST DE INFORMACAO
PRINC DE SIST DE INFORMACAOPRINC DE SIST DE INFORMACAO
PRINC DE SIST DE INFORMACAO
 
Ativando Inteligência com Big Data
Ativando Inteligência com Big DataAtivando Inteligência com Big Data
Ativando Inteligência com Big Data
 
sistemas especialistas
sistemas especialistassistemas especialistas
sistemas especialistas
 
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3
Engenharia do Conhecimento e Inteligência Artificial - Aula 1/3
 

Último

A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.pptA EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.pptssuserb964fe
 
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfLivro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfSamuel Ramos
 
LEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaLEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaGuilhermeLucio9
 
Eletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréEletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréGuilhermeLucio9
 
Tecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraTecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraGuilhermeLucio9
 
A Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralA Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralFranciscaArrudadaSil
 
Treinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção IndividualTreinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção Individualpablocastilho3
 

Último (7)

A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.pptA EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
 
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfLivro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
 
LEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaLEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurança
 
Eletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréEletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante Tamandaré
 
Tecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraTecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade Anhanguera
 
A Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralA Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboral
 
Treinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção IndividualTreinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção Individual
 

Redes Neurais: Fundamentos, Modelos e Aplicações

  • 1. 9/5/2007 1 Redes Neurais Prof. Germano CrispimVasconcelos gcv@cin.ufpe.br ramal 21268430 r-4310 Redes Neurais Prof. Germano CrispimVasconcelos gcv@cin.ufpe.br ramal 21268430 r-4310
  • 2. Objetivos da Disciplina (1) Apresentar a filosofia da abordagem, principais fundamentos, modelos de Redes Neurais, aplicações e desenvolvimento de soluções (Conceitos - Teoria)
  • 3. Objetivos da Disciplina (2) Permitir ao aluno investigar de forma prática a solução de um problema usando Redes Neurais em uma aplicação de interesse ... - Reconhecimento de padrões - Previsão de séries temporais - Processamento de imagens - Mineração de dados e mineração na web - Otimização - Controle (Projeto - Prática)
  • 4. Programa da Disciplina 1a Parte: Fundamentos Aula 1 : Introdução e fundamentos matemáticos Aula 2 : Fundamentos e modelos de aprendizagem 2a Parte: Arquiteturas e Modelos • Redes feedforward Aula 3 : Adaline e Perceptrons Aula 4 : Multilayer Perceptrons (MLP) Aula 5 : Redes de Funções de Base Radial (RBF) Aula 6 : Máquina de Vetores de Suporte (SVM) • Redes recorrentes Aula 7 : Rede de Jordan Aula 8 : Rede de Elman e outros modelos • Redes auto-organizáveis Aula 9 : Modelo de Hopfield Aula 10 : Modelo de Kohonen Aula 11 : Modelos ART • Redes construtivas Aula 12 : Cascade-correlation (CASCOR)
  • 5. Programa da Disciplina • Lista de Exercícios - Valendo Nota 3a Parte: Desenvolvimento de Soluções Aula 13 : Aplicações Aula 14 : Solução de Problemas Aula 15 : Pré-processamento de Dados Aula 16 : Pós-processamento de Dados Aula 17 : Revisão geral Aula 18 : 1o Exercício Escolar 4a Parte: Tópicos Especiais (Seminários) Aula 19 : Sistemas Híbridos (Neuro-fuzzy, RN-AG, etc) Aula 20 : Reconhecimento de Padrões e Processamento de Imagens Aula 21 : Otimização e Controle Aula 22 : Mineração de Dados Aula 23 : Previsão de Séries Temporais
  • 6. Programa da Disciplina 5a Parte: Projeto Aula 24 : Definição de Projeto em Aplicação do Mundo Real (tópicos dirigidos para interesses dos alunos) Aula 25 : Acompanhamento do Projeto Aula 26 : Acompanhamento do Projeto Aula 27 : Acompanhamento do Projeto Aula 28 : Acompanhamento do Projeto Aula 29 : Acompanhamento do Projeto Aula 30 : Acompanhamento do Projeto Aula 31 : Acompanhamento do Projeto Aula 32 : Entrega do Relatório (2o Exercício) Aula 33 : Exame Final
  • 7. Material Didático • Livro 1 – Neural Computing : An Introduction. R. Beale, T. Jackson. (1990). • Livro 2 – Redes Neurais Artificiais: Teoria e Aplicações. Braga, A.P, Ludermir, T.B, Carvalho, A. F. (2000) • Livro 3 – Neural Computation : A Comprehensive Foundation. Simon Haykin. (1993). • Outros Livros de Redes Neurais • Listas de Exercícios
  • 8. Interesses da Inteligência Computacional • Automação de tarefas “inteligentes” • Modelagem do processamento biológico de informação • Modelagem do processo cognitivo
  • 9. Inteligência Computacional • Objetiva a criação de modelos para a inteligência e o desenvolvimento de sistemas baseados nestes modelos • Investiga formas de habilitar o computador a realizar tarefas onde o ser humano tem um melhor desempenho
  • 10. Inteligência Computacional - Áreas • Redes Neurais • IA Simbólica • Teoria da Aprendizagem Computacional • Reconhecimento de Padrões • Lógica Nebulosa/Difusa • Algoritmos Genéticos • Sistemas Híbridos
  • 11. Principais Abordagens • Abordagem Simbólica • Abordagem Conexionista • Abordagem Estatística
  • 12. Abordagem Simbólica • Toma como base a representação do mundo através de símbolos que representam conceitos. • A manipulação destes símbolos permite a obtenção de conclusões e geração de novos conhecimentos sobre o mundo.
  • 13. Abordagem Simbólica Engenheiro do Conhecimento Usuário Usuário Mecanismo de Raciocínio Genérico Base de Conhecimento Heurística Aquisição do Conhecimento Explicação do Raciocínio Especialista INTERFACE ExplicaçõesDados Dados
  • 14. Pesquisa - IA Simbólica • Aquisição do conhecimento • Representação do conhecimento • Métodos de raciocínio • Tratamento de Incerteza • Aprendizagem e Adaptabilidade • Sistemas Especialistas • Capacidades sensório-motoras
  • 15. Aplicações • Resolução de problemas de diagnóstico, previsão, monitoramento, análise, planejamento e projeto • Tradução, interpretação e geração de linguagem natural • Jogos: xadrez, damas, go, etc. • Mineração de dados e mineração na web • Prova de teoremas, resolução de equações
  • 16. Aplicações • Otimização e busca heurística • Auxílio à educação, estratégias pedagógicas, modelagem do aluno • Manipulação, navegação, monitoramento em Robótica • Visão, tato, olfato, audição e paladar
  • 18. Sobre Redes Neurais... • É uma abordagem alternativa à forma algorítmica de resolver problemas • A partir de exemplos do problema • Fornecem soluções particularmemte importantes onde não há como se definir regras • Em boa parte dos problemas do mundo real
  • 19. Redes Neurais • Cérebro como fonte de “inspiração” para o desenvolvimento de sistemas inteligentes • Sistemas paralelos distribuídos compostos por unidades de processamento simples interligadas entre si e com o ambiente • Conexões estão associadas a pesos que armazenam o conhecimento da rede • Conhecimento Aprendizagem
  • 20. Redes Neurais • Sistemas distribuidos inspirados no cérebro humano que “aprendem” a resolver problemas extraindo informações estatísticas do dados • Virtudes – Capacidade de aprender por exemplos e de se adaptar continuamente ao ambiente – Habilidade para lidar com problemas complexos, imprecisos e ruidosos
  • 21. Abordagem Conexionista Professor, Crítico, Não-Supervisionado Comparador Conhecimento representado nos pesos da rede Dados (Treinamento) Dados Dados APRENDIZAGEM UTILIZAÇÃO Usuário Dados Pesos Dados Usuário
  • 25. Reconhecimento de Padrões Peso Bailarina Halterofilista Altura Peso
  • 26. 9/5/2007 26 Visualização do Treinamento 1 2 3 4 5 6 78
  • 27. Uma Visão Matemática do MCP X1 X2 Classe 1 Classe 2 f(x)=Σwi.xi - θ f(x)=(|W|.|X| cosΦ) - θ Considere o ponto onde f(x) = 0: w1.x1 + w2.x2 - θ = 0 x2 = -w1/w2.x1 + θ/ w2 (y = m.x +c) f(x)
  • 28. Reconhecimento de Padrões Peso Bailarina Halterofilista Altura Largura da coxa
  • 29. 9/5/2007 29 Classificadores lineares X1 X2 Classe 1 Classe 2 Classe 2 Classe 2 d2 d1 CLASSIFICAÇÃO SINAL DA LINHA DE DECISÃO d1 d2 Classe 1 + + Classe 2 + - Classe 2 - + Classe 2 - -+ - + -
  • 30. Como Funciona uma Rede Neural ? • Solução baseada na estatística dos dados • Capacidade de estabelecer relações entre grande quantidade de variáveisconexões INADIMPLENTE ADIMPLENTE IDADE SEXO RENDA . . . . .
  • 37. Conversão de Sons para Imagens
  • 38. Estimação de Trajetórias para Reconhecimento de Eventos
  • 41. FIFA SoccerThe Sims Produção de Jogos e Histórias Interativas
  • 43. Previsão • Como prever o valor do dólar amanhã? • Que dados são relevantes? Há comportamentos recorrentes?
  • 44. Detecção de Intrusão e Filtragem de Spam • Como saber se uma mensagem é lixo ou de fato interessa? • Como saber se um dado comportamento de usuário é suspeito e com lidar com isto?
  • 45. • Como brecar o carro sem as rodas deslizarem em função da velocidade, atrito, ... • Como focar a câmera em função de luminosidade, distância, ... • Como ajustar a temperatura em função da quantidade de roupa, fluxo de água, ... Sistemas de Controle
  • 46. Recomendação de produtos • Recomendações personalizadas de produtos... • Modelagem dos perfis dos compradores...
  • 47. Outras Aplicações Análise de mercado Análise de crédito Rec. odores Previsão séries Det. fraudes Data mining Proc. sinais Proc. voz Diagnose médica Interfaces
  • 48. O Mercado Mundial Empresas ... Sharp US supermarket chains Microsoft Citibank Barclays AT&T Visa Siemens Mastercard Britvic Soft Drinks Gerber Baby Foods Fujitsu M&M/MarsUSAir Wal-Mart
  • 49. Empresas Especializadas em Redes Neurais Caere Neuristics Corporation Nestor Inc. PNNL RetekAT&T BehavHeuristics Inc Siemens Microsoft Neural Applications Corp.NeuralWare HNC Corporation Visionics NeuroTech
  • 50. A Realidade no Brasil ... Grupo Martins Redes Varejistas Financeiras Bancos CHESF e Celpe Volkswagen CDLs Empresas Atacadistas
  • 51. Em Que o Grupo Desenvolve Pesquisas ... Redes Neurais Teoria FerramentasAplicações
  • 52. Equipe do CIn-UFPE (redes neurais) • Germano C. Vasconcelos (PhD, Kent - UK) • Edson C.B. Carvalho Filho (PhD, Kent - UK) • Paulo J. L. Adeodato (PhD, King’s College - UK) • Teresa B. Ludermir (PhD, Imperial College - UK) • Aluizio Araújo (PhD, Sussex - UK) • George Darmiton (Doutor, CIn-UFPE) • Tsang Ing Ren