Redes neurais aplicadas a android

1.275 visualizações

Publicada em

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
1.275
No SlideShare
0
A partir de incorporações
0
Número de incorporações
55
Ações
Compartilhamentos
0
Downloads
24
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Redes neurais aplicadas a android

  1. 1. Redes Neurais aplicadas a Android Leomário Machado – leomariomachado@gmail.com1 leomariomachado@gmail.com
  2. 2. Quem sou eu  Graduado em ciência da computação – Ufpa  Graduado em sistemas de informação – Iesam  Mestrando em ciência da computação – Ufpa  Desenvolvedor Mobile há 5 anos  Desenvolvedor Android há 3 anos  Linha de pesquisa no mestrado: Redes Neurais aplicadas em localização em redes de sensores sem fio.2 leomariomachado@gmail.com
  3. 3. Por que desenvolver aplicativos inteligentes?  SMARTphonhes  O sistema é inteligente, mas a minha aplicação pode ficar?  Nem toda aplicação precisa de inteligência artificial, mas se bem usada pode ser uma ferramenta muito poderosa  Adaptação ao mundo real de forma mais flexível que algoritmos convencionais3 leomariomachado@gmail.com
  4. 4. O que é Inteligência Artificial  Área computacional que simula o comportamento humano de inteligência para resolver problemas reais.4 leomariomachado@gmail.com
  5. 5. Métodos Inteligentes  Redes Neurais  Algoritmos Genéticos  Fuzzy ou Lógica Nebulosa  Métodos estatísticos  Computação evolucionária5 leomariomachado@gmail.com
  6. 6. Redes Neurais  Simulam o comportamento do cérebro humano  Conjunto de Neurônios  Aprendizado da Rede  Estabelecimento de pesos6 leomariomachado@gmail.com
  7. 7. Fundamento Biológico7 leomariomachado@gmail.com
  8. 8. Fundamento Computacional8 leomariomachado@gmail.com
  9. 9. Quando posso usar?  Reconhecimento de padrões  Mineração de dados  Tratamento de sinais  Series Temporais9 leomariomachado@gmail.com
  10. 10. Estrutura básica de uma Rede Neural Multicamadas10 leomariomachado@gmail.com
  11. 11. Vamos a um exemplo prático  A pretensão inicial era fazer uma rede que identificasse o quanto uma pessoa é feia, mas infelizmente perdi minhas amostras recentemente  Hello world em redes neurais?  Simular as operações and e or em uma rede neural.11 leomariomachado@gmail.com
  12. 12. Passo a Passo  Separar as amostras para treino e teste da rede  Selecionar um método de treino (Rprop, batch, incremental, quickprop, sarprop)  Selecionar as funções de ativação (sigmoid, cosseno, seno, gaussiana, linear)  Selecionar a quantidade de camadas  Selecionar a quantidade de neurônios por camadas  Treinar a rede  Testar a rede  Voltar ao passo 1 caso desejar alterar algum parâmetro para obter melhores resultados12 leomariomachado@gmail.com
  13. 13. Resultado dos pesos para And  Layer 1  From Neuron To Neuron ( 0 ---> 3 ) : Weight : - 3.336094  From Neuron To Neuron ( 1 ---> 3 ) : Weight : - 3.396092  From Neuron To Neuron ( 2 ---> 3 ) : Weight : 2.707293  Layer 2  From Neuron To Neuron ( 3 ---> 5 ) : Weight : - 35.711742  From Neuron To Neuron ( 4 ---> 5 ) : Weight :13 leomariomachado@gmail.com 5.494483
  14. 14. Resultado dos pesos para Or  Layer 1  From Neuron To Neuron ( 0 ---> 3 ) : Weight : 5.480813  From Neuron To Neuron ( 1 ---> 3 ) : Weight : 5.482209  From Neuron To Neuron ( 2 ---> 3 ) : Weight : - 2.884790  Layer 2  From Neuron To Neuron ( 3 ---> 5 ) : Weight : 10.191489  From Neuron To Neuron ( 4 ---> 5 ) : Weight : -14 leomariomachado@gmail.com 4.650279
  15. 15. Transformando em algoritmo  Montar o grafo através de listas ou matrizes  Os pesos determinam os resultados  Note que os pesos para as operações and e or são completamente diferentes15 leomariomachado@gmail.com
  16. 16. Rodando as aplicações http://leomariomachado.net78.net/And.ap k http://leomariomachado.net78.net/Or.apk16 leomariomachado@gmail.com
  17. 17. Obrigado17 leomariomachado@gmail.com

×