O documento apresenta uma introdução às redes neurais artificiais, definindo o que é inteligência artificial e descrevendo a história e principais conceitos de redes neurais, incluindo neurônios artificiais, arquiteturas e aplicações. Também explica o algoritmo de treinamento de perceptrons e funções de limiar em redes neurais de uma camada.
1. Introdução à Redes Neurais
Artificiais para análise de dados
Antônio Milhomens
Robson Gomes
2. Inteligência Artificial
“A Inteligência Artificial é o estudo de como fazer os
computadores realizarem tarefas em que, no momento,
as pessoas são melhores.”
─ Elaine Rich
Termo proposto em 1956 por Jhon MacCarthy.
6. Redes Neurais
Artificiais (RNAs)
“Redes Neurais Artificiais (RNAs) são técnicas
computacionais que apresentam um modelo
matemático inspirado na estrutura neural de
organismos inteligentes e que adquirem
conhecimento através da experiência.”
─ André Ponce de Leon F. de Carvalho
7. RNAs - História
Desenvolvidas, originalmente, na década de 40, pelo
neurofisiologista McCulloch e pelo matemático
Walter Pitts da Universidade de Illinois, os quais,
dentro do espírito cibernético, fizeram uma analogia
entre células nervosas vivas e o processo eletrônico
num trabalho publicado sobre neurônios formais.
8. Neurônio Artificial
Onde:
X0, X1, ...Xn são os valores de entradas,
W0, W1, ...Wn são os respetivos pesos
correspondes à cada entrada fornecida,
A função de Soma é responsável por realizar a
soma ponderada
A função de Transferência é responsável por
comparar o valor resultante da função de soma, e
de acordo com o valor obtido, ativa ou não o
neurônio.
Neurônio de McCulloch e Pitts.
𝑖=0
𝑛
𝑥𝑖 . 𝑤𝑖
9. Principais arquiteturas de RNAs
a) Rede feedforward de uma única camada (Perceptron). b) Rede feedforward de múltiplas camadas
c) Rede com recorrência entre saídas d) Rede com recorrência auto-associativa
10. Quadro comparativo entre computadores e neurocomputadores
Máquinas de von Neumann Neurocomputadores
Executa programas Aprende
Executa operações lógicas Executa operações não lógicas, transformações,
comparações
Depende do modelo ou do programador Descobre relações ou regra dos dados e
exemplos
Testa uma hipótese por vez Testa todas as possibilidades em pararelo
11. RNAs - Aplicações
Classificação de dados;
Predição;
Processamento de imagens e sinais;
Robótica;
Reconhecimento de padrões em linhas de montagem;
Análise de crédito;
Análise de voz;
Etc.
12. Perceptron
Criado em 1957 por Frank Rosenblatt
Rede Neural de apenas uma camada
Implementa um classificado linear
Aproximador universal de funções
14. Funções de limiar
1 u = 𝑖=0
𝑛
𝑥𝑖 . 𝑤𝑖 ≥ 0
0 u = 𝑖=0
𝑛
𝑥𝑖 . 𝑤𝑖 < 0y = f(u) =
Função de limiar linear
x0
x1
w0
w1
w2
x2
yΣ f(u)
Realiza a comparação da soma
ponderada das entradas com um
valor limiar (threshold).
15. Algoritmo de treinamento
1. Inicialize 𝜼;
2. Inicialize o vetor de pesos 𝒘 com valores aleatórios;
3. Aplique a regra de atualização dos pesos
𝒘 𝒊 + 𝟏 = 𝒘 𝒊 + 𝜼 ∙ 𝒆 ∙ 𝒙(𝒊)
para todos os p pares (𝑥𝑖, 𝑦𝑖) do conjunto de treinamento;
4. Repita o passo anterior até que 𝒆 = 𝟎 para todos os elementos do
conjunto de treinamento.