Aula introducao-redes-neurais

527 visualizações

Publicada em

Aula introdutória de redes neurais

Publicada em: Engenharia
  • Seja o primeiro a comentar

Aula introducao-redes-neurais

  1. 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. 2. Objetivos da Disciplina (1) Apresentar a filosofia da abordagem, principais fundamentos, modelos de Redes Neurais, aplicações e desenvolvimento de soluções (Conceitos - Teoria)
  3. 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. 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. 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. 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. 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. 8. Interesses da Inteligência Computacional • Automação de tarefas “inteligentes” • Modelagem do processamento biológico de informação • Modelagem do processo cognitivo
  9. 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. 10. Inteligência Computacional - Áreas • Redes Neurais • IA Simbólica • Teoria da Aprendizagem Computacional • Reconhecimento de Padrões • Lógica Nebulosa/Difusa • Algoritmos Genéticos • Sistemas Híbridos
  11. 11. Principais Abordagens • Abordagem Simbólica • Abordagem Conexionista • Abordagem Estatística
  12. 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. 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. 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. 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. 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
  17. 17. Redes Neurais
  18. 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. 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. 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. 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
  22. 22. Redes Neurais Naturais
  23. 23. Neurônio Natural Corpo Dendritos Axônio Sinal Sinapse
  24. 24. Neurônio McCulloch-Pitts (MCP) y
  25. 25. Reconhecimento de Padrões Peso Bailarina Halterofilista Altura Peso
  26. 26. 9/5/2007 26 Visualização do Treinamento 1 2 3 4 5 6 78
  27. 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. 28. Reconhecimento de Padrões Peso Bailarina Halterofilista Altura Largura da coxa
  29. 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. 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 . . . . .
  31. 31. Aplicações
  32. 32. Animação Facial
  33. 33. Animação Vida Artificial
  34. 34. Organismos Evolutivos: Controle de Perseguição e Fuga
  35. 35. • Robótica ...
  36. 36. Leitura Labial
  37. 37. Conversão de Sons para Imagens
  38. 38. Estimação de Trajetórias para Reconhecimento de Eventos
  39. 39. Monitoramento e Segurança
  40. 40. Realidade Virtual
  41. 41. FIFA SoccerThe Sims Produção de Jogos e Histórias Interativas
  42. 42. Busca de Informação na Web
  43. 43. Previsão • Como prever o valor do dólar amanhã? • Que dados são relevantes? Há comportamentos recorrentes?
  44. 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. 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. 46. Recomendação de produtos • Recomendações personalizadas de produtos... • Modelagem dos perfis dos compradores...
  47. 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. 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. 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. 50. A Realidade no Brasil ... Grupo Martins Redes Varejistas Financeiras Bancos CHESF e Celpe Volkswagen CDLs Empresas Atacadistas
  51. 51. Em Que o Grupo Desenvolve Pesquisas ... Redes Neurais Teoria FerramentasAplicações
  52. 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

×