SlideShare uma empresa Scribd logo
1 de 41
Redes Neurais Artificiais
Marcos Castro
Redes Neurais Artificiais
• Redes Neurais Artificiais (RNAs) são modelos computacionais
inspirados no sistema nervoso central que são capazes de realizar o
aprendizado de máquina bem como o reconhecimento de padrões.
• O aprendizado de máquina (machine learning) é uma subárea da
Inteligência Artificial dedicado ao desenvolvimento de algoritmos e
técnicas que permitam o computador aprender algo, ou seja,
aperfeiçoar o seu desempenho em alguma tarefa.
• Exemplos da aplicação de redes neurais artificiais:
• Reconhecimento de voz
• Reconhecimento de escrita manual
2
Redes Neurais Artificiais
• O sistema nervoso é formado por um conjunto bastante complexo de
neurônios.
• Nos neurônios, a comunicação é realizada através de impulsos.
• Quando um impulso é recebido, o neurônio processa e dispara um
segundo impulso que produz uma substância neurotransmissora do
qual flui do corpo celular para o axônio.
• Ao contrário das redes neurais artificiais, as redes neurais naturais
não transmitem sinais negativos e não são uniformes.
3
Redes Neurais Artificiais
• Tem-se um grande desejo de se criar máquinas que operem
independentemente do controle humano.
• Máquinas inspiradas na biologia podem coordenar diversos graus de
liberdade durante a execução de tarefas complicadas sem que
tenham que desenvolver um modelo matemático específico.
• Existem vários tipos de redes artificiais:
• Rede Perceptron
• Rede Adalaine
4
Redes Neurais Artificiais
• Redes neurais artificiais (assim como algoritmos genéticos) é mais
uma abstração da biologia trazida para a computação.
5
Redes Neurais Artificiais
• Os dendritos são responsáveis por receber os sinais.
6
Redes Neurais Artificiais
• O axônio transmite os sinais para as terminações sinápticas e isso é
repassado para outros neurônios.
7
Redes Neurais Artificiais
• Temos uma entrada e uma saída, pode-se ter várias entradas e várias
saídas, isso varia de problema para problema.
8
Redes Neurais Artificiais
• Neurônio
• Sinais de entrada {x1, x2, x3, ..., xn}
• Pesos sinápticos {w1, w2, w3, ..., wn}
Limiar de ativação
9
Função agregadora
Redes Neurais Artificiais
• Os sinais de entrada {x1, x2, xn} são ponderados por {w1, w2, wn}.
• Existe um produto do sinal de entrada pelo peso que pondera.
• Isso é dado como entrada para o neurônio.
10
Redes Neurais Artificiais
• Os sinais são informações do problema.
• Os pesos sinápticos {w1, w2, wn} ponderam a entrada.
• Para cada uma das entradas, tem o peso para ponderar.
11
Redes Neurais Artificiais
• A função agregadora recebe todos os sinais e realiza a soma dos
produtos dos sinais.
12
Função agregadora
Redes Neurais Artificiais
• O neurônio deixa passar ou inibe um determinado sinal ou até
mesmo altera a saída de acordo com a entrada.
13
Redes Neurais Artificiais
• O limiar é uma constante (geralmente é ponderada) que vai indicar
um limiar para o sinal passar ou não.
14
Limiar de ativação
Redes Neurais Artificiais
• “g” é a função de ativação. O valor “u” é dado como entrada para a
função de ativação.
15
Potencial de ativação
Redes Neurais Artificiais
• Potencial de ativação:
16
Potencial de ativação
Somatório do produto das entradas
u = g(u)
A função de ativação deixa o sinal passar ou não
Redes Neurais Artificiais
• Existem algumas funções de ativação:
• Função degrau
17
1 significa que houve ativação
0 significa que não houve ativação
Redes Neurais Artificiais
• Função degrau bipolar
18
Redes Neurais Artificiais
• Função logística
19
Os limites de saída são de 0 a 1.
Redes Neurais Artificiais
• Função tangente hiperbólica
20
Os limites de saída são de -1 a 1.
Redes Neurais Artificiais
• Função Gaussiana
21
Muito utilizada em estatística e reconhecimento de padrões.
Redes Neurais Artificiais
• Função Gaussiana
22
A ideia é concentrar as entradas no intervalo do meio.
Redes Neurais Artificiais
• Função Gaussiana
23
Os sinais fora do desvio padrão vão tender a 0.
Redes Neurais Artificiais
• Função linear g(u) = u
24
Rede Perceptron
• Rede muito simples.
• Possui apenas um neurônio.
25
Rede Perceptron
• Se o nosso “g” é a função degrau bipolar, então a saída será 1 ou -1.
• Será 1 se o somatório dos produtos for >= 0.
• Será -1 se o somatório dos produtos for < 0.
26
Rede Perceptron
27
Rede Perceptron
• Exemplo de classificação: linearmente separável.
28
Reta que separa as classes
Bias = -1
Se não houvesse o bias, a reta sempre iria passar pela origem.
Rede Perceptron
• A rede Perceptron não classifica amostras que não são linearmente
separáveis.
29
Rede Perceptron
• Problemas reais, na maioria das vezes, são mais complexos.
30
Rede Perceptron
• A operação OR por exemplo é linearmente separável.
• (0, 0) = 0
• (1, 0) = 1
• (0, 1) = 1
• (1, 1) = 1
• Já a operação XOR não é linearmente serpável.
• (0, 0) = 0
• (1, 0) = 1
• (0, 1) = 1
• (1, 1) = 0
31
Rede Perceptron
• Treinamento: a cada iteração vai tentando achar a reta que faz a
separação das classes.
32
Rede Perceptron
• Aprender em uma rede neural é ajustar os pesos de forma que
tenhamos a saída desejada.
33
Rede Perceptron
• Processo de treinamento:
• O objetivo é o ajuste dos pesos!
• O algoritmo vai fazendo atualizações iterativamente até chegar aos pesos
corretos.
• Na primeira iteração os pesos são gerados aleatoriamente.
• Normalmente os pesos que são gerados estão no intervalo (0, 1).
34
Rede Perceptron
• Processo de treinamento:
35
Rede Perceptron
• Processo de treinamento:
• A taxa de aprendizado diz o quão rápido a rede chega ao seu processo de
classificação. Se colocar um valor muito pequeno, demora a convergir. Se
colocar um valor muito alto, pode sair fora do ajuste e nunca convergir.
36
Rede Perceptron
• Processo de treinamento:
• O “y” é o valor produzido pelo neurônio.
37
Rede Perceptron
• Algoritmo:
38
Rede Perceptron
• Após o treinamento, temos a fase de operação:
39
Dica de livro
40
Contato
mcastrosouza@live.com
www.geeksbr.com
https://twitter.com/mcastrosouza
41

Mais conteúdo relacionado

Mais procurados

Matemática Discreta - Introdução
Matemática Discreta - IntroduçãoMatemática Discreta - Introdução
Matemática Discreta - IntroduçãoUlrich Schiel
 
Python - Programação funcional
Python - Programação funcionalPython - Programação funcional
Python - Programação funcionalfabiocerqueira
 
O que é bit e byte
O que é bit e byteO que é bit e byte
O que é bit e bytenikepassos
 
Algoritmos e Técnicas de Programação - Curso Completo
Algoritmos e Técnicas de Programação - Curso CompletoAlgoritmos e Técnicas de Programação - Curso Completo
Algoritmos e Técnicas de Programação - Curso Completothomasdacosta
 
Lógica de Programação - Entrada/saída de dados
Lógica de Programação - Entrada/saída de dadosLógica de Programação - Entrada/saída de dados
Lógica de Programação - Entrada/saída de dadosWesley R. Bezerra
 
Problema da Mochila 0-1 (Knapsack problem)
Problema da Mochila 0-1 (Knapsack problem)Problema da Mochila 0-1 (Knapsack problem)
Problema da Mochila 0-1 (Knapsack problem)Marcos Castro
 
Introdução aos Algoritmos Genéticos
Introdução aos Algoritmos GenéticosIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos GenéticosNorton Guimarães
 
Aula - Introdução a Engenharia de Software
Aula - Introdução a Engenharia de SoftwareAula - Introdução a Engenharia de Software
Aula - Introdução a Engenharia de SoftwareCloves da Rocha
 
Lógica e algoritmos
Lógica e algoritmosLógica e algoritmos
Lógica e algoritmosJocelma Rios
 
Mini Curso Sistemas Embarcados
Mini Curso Sistemas EmbarcadosMini Curso Sistemas Embarcados
Mini Curso Sistemas EmbarcadosSuzana Viana Mota
 
Linguagem C - Funções e ponteiros
Linguagem C - Funções e ponteiros Linguagem C - Funções e ponteiros
Linguagem C - Funções e ponteiros Karoline Tavares
 
Biologia - Proteínas
Biologia - ProteínasBiologia - Proteínas
Biologia - ProteínasCarson Souza
 
Fluxograma (Lógica de Programação)
Fluxograma (Lógica de Programação)Fluxograma (Lógica de Programação)
Fluxograma (Lógica de Programação)Gercélia Ramos
 
Matemática Discreta - Parte IV teoria dos-conjuntos
Matemática Discreta - Parte IV teoria dos-conjuntosMatemática Discreta - Parte IV teoria dos-conjuntos
Matemática Discreta - Parte IV teoria dos-conjuntosUlrich Schiel
 
Aula de Sistemas Distribuídos - Tolerância a Falhas
Aula de Sistemas Distribuídos - Tolerância a FalhasAula de Sistemas Distribuídos - Tolerância a Falhas
Aula de Sistemas Distribuídos - Tolerância a FalhasVictor Hazin da Rocha
 
Lógica de Programação - Algoritmos
Lógica de Programação - AlgoritmosLógica de Programação - Algoritmos
Lógica de Programação - AlgoritmosRoney Sousa
 
안.전.제.일. 강화학습!
안.전.제.일. 강화학습!안.전.제.일. 강화학습!
안.전.제.일. 강화학습!Dongmin Lee
 
Lista de exercicios algoritmos resolvida-
Lista de exercicios   algoritmos  resolvida-Lista de exercicios   algoritmos  resolvida-
Lista de exercicios algoritmos resolvida-Mauro Pereira
 

Mais procurados (20)

Matemática Discreta - Introdução
Matemática Discreta - IntroduçãoMatemática Discreta - Introdução
Matemática Discreta - Introdução
 
Python - Programação funcional
Python - Programação funcionalPython - Programação funcional
Python - Programação funcional
 
O que é bit e byte
O que é bit e byteO que é bit e byte
O que é bit e byte
 
Algoritmos e Técnicas de Programação - Curso Completo
Algoritmos e Técnicas de Programação - Curso CompletoAlgoritmos e Técnicas de Programação - Curso Completo
Algoritmos e Técnicas de Programação - Curso Completo
 
Lógica de Programação - Entrada/saída de dados
Lógica de Programação - Entrada/saída de dadosLógica de Programação - Entrada/saída de dados
Lógica de Programação - Entrada/saída de dados
 
Problema da Mochila 0-1 (Knapsack problem)
Problema da Mochila 0-1 (Knapsack problem)Problema da Mochila 0-1 (Knapsack problem)
Problema da Mochila 0-1 (Knapsack problem)
 
Introdução aos Algoritmos Genéticos
Introdução aos Algoritmos GenéticosIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos
 
Aula - Introdução a Engenharia de Software
Aula - Introdução a Engenharia de SoftwareAula - Introdução a Engenharia de Software
Aula - Introdução a Engenharia de Software
 
PHP - Arrays
PHP - ArraysPHP - Arrays
PHP - Arrays
 
Lógica e algoritmos
Lógica e algoritmosLógica e algoritmos
Lógica e algoritmos
 
Mini Curso Sistemas Embarcados
Mini Curso Sistemas EmbarcadosMini Curso Sistemas Embarcados
Mini Curso Sistemas Embarcados
 
Linguagem C - Funções e ponteiros
Linguagem C - Funções e ponteiros Linguagem C - Funções e ponteiros
Linguagem C - Funções e ponteiros
 
Biologia - Proteínas
Biologia - ProteínasBiologia - Proteínas
Biologia - Proteínas
 
Algoritmos
AlgoritmosAlgoritmos
Algoritmos
 
Fluxograma (Lógica de Programação)
Fluxograma (Lógica de Programação)Fluxograma (Lógica de Programação)
Fluxograma (Lógica de Programação)
 
Matemática Discreta - Parte IV teoria dos-conjuntos
Matemática Discreta - Parte IV teoria dos-conjuntosMatemática Discreta - Parte IV teoria dos-conjuntos
Matemática Discreta - Parte IV teoria dos-conjuntos
 
Aula de Sistemas Distribuídos - Tolerância a Falhas
Aula de Sistemas Distribuídos - Tolerância a FalhasAula de Sistemas Distribuídos - Tolerância a Falhas
Aula de Sistemas Distribuídos - Tolerância a Falhas
 
Lógica de Programação - Algoritmos
Lógica de Programação - AlgoritmosLógica de Programação - Algoritmos
Lógica de Programação - Algoritmos
 
안.전.제.일. 강화학습!
안.전.제.일. 강화학습!안.전.제.일. 강화학습!
안.전.제.일. 강화학습!
 
Lista de exercicios algoritmos resolvida-
Lista de exercicios   algoritmos  resolvida-Lista de exercicios   algoritmos  resolvida-
Lista de exercicios algoritmos resolvida-
 

Destaque

Problema do Caixeiro Viajante
Problema do Caixeiro ViajanteProblema do Caixeiro Viajante
Problema do Caixeiro ViajanteMarcos Castro
 
Expressões Regulares com Python 3
Expressões Regulares com Python 3Expressões Regulares com Python 3
Expressões Regulares com Python 3Marcos Castro
 
Python - Dicionários
Python - DicionáriosPython - Dicionários
Python - DicionáriosMarcos Castro
 
Busca em largura - BFS
Busca em largura - BFSBusca em largura - BFS
Busca em largura - BFSMarcos Castro
 
Análise Assintótica
Análise AssintóticaAnálise Assintótica
Análise AssintóticaMarcos Castro
 
Listas, tuplas, conjuntos e dicionários
Listas, tuplas, conjuntos e dicionáriosListas, tuplas, conjuntos e dicionários
Listas, tuplas, conjuntos e dicionáriosMarcos Castro
 
Programação dinâmica
Programação dinâmicaProgramação dinâmica
Programação dinâmicaMarcos Castro
 
Metaheurística Simulated Annealing
Metaheurística Simulated AnnealingMetaheurística Simulated Annealing
Metaheurística Simulated AnnealingMarcos Castro
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiaisrafael.joi
 
Problema das N rainhas (Backtracking)
Problema das N rainhas (Backtracking)Problema das N rainhas (Backtracking)
Problema das N rainhas (Backtracking)Marcos Castro
 
Algoritmo de Knuth-Morris-Pratt - KMP
Algoritmo de Knuth-Morris-Pratt - KMPAlgoritmo de Knuth-Morris-Pratt - KMP
Algoritmo de Knuth-Morris-Pratt - KMPMarcos Castro
 
Maratona de Programação
Maratona de ProgramaçãoMaratona de Programação
Maratona de ProgramaçãoMarcos Castro
 
Estruturas de dados com C++ e STL
Estruturas de dados com C++ e STLEstruturas de dados com C++ e STL
Estruturas de dados com C++ e STLMarcos Castro
 
Árvores de Decisão
Árvores de DecisãoÁrvores de Decisão
Árvores de DecisãoMarcos Castro
 
www.AulasDeMatematicanoRJ.Com.Br -Matemática - Função Afim
 www.AulasDeMatematicanoRJ.Com.Br  -Matemática -  Função Afim www.AulasDeMatematicanoRJ.Com.Br  -Matemática -  Função Afim
www.AulasDeMatematicanoRJ.Com.Br -Matemática - Função AfimClarice Leclaire
 
Computação Evolucionária - Seleção por roleta
Computação Evolucionária - Seleção por roletaComputação Evolucionária - Seleção por roleta
Computação Evolucionária - Seleção por roletaMarcelo Maia
 

Destaque (20)

Binary heap
Binary heapBinary heap
Binary heap
 
Problema do Caixeiro Viajante
Problema do Caixeiro ViajanteProblema do Caixeiro Viajante
Problema do Caixeiro Viajante
 
Tabela Hash
Tabela HashTabela Hash
Tabela Hash
 
Expressões Regulares com Python 3
Expressões Regulares com Python 3Expressões Regulares com Python 3
Expressões Regulares com Python 3
 
Python - Dicionários
Python - DicionáriosPython - Dicionários
Python - Dicionários
 
Python - Set
Python - SetPython - Set
Python - Set
 
Busca em largura - BFS
Busca em largura - BFSBusca em largura - BFS
Busca em largura - BFS
 
Análise Assintótica
Análise AssintóticaAnálise Assintótica
Análise Assintótica
 
Algoritmos gulosos
Algoritmos gulososAlgoritmos gulosos
Algoritmos gulosos
 
Listas, tuplas, conjuntos e dicionários
Listas, tuplas, conjuntos e dicionáriosListas, tuplas, conjuntos e dicionários
Listas, tuplas, conjuntos e dicionários
 
Programação dinâmica
Programação dinâmicaProgramação dinâmica
Programação dinâmica
 
Metaheurística Simulated Annealing
Metaheurística Simulated AnnealingMetaheurística Simulated Annealing
Metaheurística Simulated Annealing
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiais
 
Problema das N rainhas (Backtracking)
Problema das N rainhas (Backtracking)Problema das N rainhas (Backtracking)
Problema das N rainhas (Backtracking)
 
Algoritmo de Knuth-Morris-Pratt - KMP
Algoritmo de Knuth-Morris-Pratt - KMPAlgoritmo de Knuth-Morris-Pratt - KMP
Algoritmo de Knuth-Morris-Pratt - KMP
 
Maratona de Programação
Maratona de ProgramaçãoMaratona de Programação
Maratona de Programação
 
Estruturas de dados com C++ e STL
Estruturas de dados com C++ e STLEstruturas de dados com C++ e STL
Estruturas de dados com C++ e STL
 
Árvores de Decisão
Árvores de DecisãoÁrvores de Decisão
Árvores de Decisão
 
www.AulasDeMatematicanoRJ.Com.Br -Matemática - Função Afim
 www.AulasDeMatematicanoRJ.Com.Br  -Matemática -  Função Afim www.AulasDeMatematicanoRJ.Com.Br  -Matemática -  Função Afim
www.AulasDeMatematicanoRJ.Com.Br -Matemática - Função Afim
 
Computação Evolucionária - Seleção por roleta
Computação Evolucionária - Seleção por roletaComputação Evolucionária - Seleção por roleta
Computação Evolucionária - Seleção por roleta
 

Semelhante a Redes Neurais Artificiais

Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
Aula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAhirton Lopes
 
Aula01 introducao
Aula01 introducaoAula01 introducao
Aula01 introducaoluanadf
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
Conceitos e técnicas de programação introdução
Conceitos e técnicas de programação introduçãoConceitos e técnicas de programação introdução
Conceitos e técnicas de programação introduçãoRobson Ferreira
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais ArtificiaisRicardo Zalla
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]ronaldo ramos
 
Lógica binária, potas lógicas e circuitos lógicos
Lógica binária, potas lógicas e circuitos lógicosLógica binária, potas lógicas e circuitos lógicos
Lógica binária, potas lógicas e circuitos lógicosMauro Pereira
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
Interligados Apresentação Final
Interligados Apresentação FinalInterligados Apresentação Final
Interligados Apresentação FinalHugo Leonardo
 
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
 
Aula IA - Redes Neurais Artificiais | PML e SOM
Aula IA - Redes Neurais Artificiais  | PML e SOMAula IA - Redes Neurais Artificiais  | PML e SOM
Aula IA - Redes Neurais Artificiais | PML e SOMCloves da Rocha
 

Semelhante a Redes Neurais Artificiais (19)

rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
Aula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neurais
 
P910Aula05
P910Aula05P910Aula05
P910Aula05
 
Aula01 introducao
Aula01 introducaoAula01 introducao
Aula01 introducao
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
Conceitos e técnicas de programação introdução
Conceitos e técnicas de programação introduçãoConceitos e técnicas de programação introdução
Conceitos e técnicas de programação introdução
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais Artificiais
 
ArqOrgCom.ppt
ArqOrgCom.pptArqOrgCom.ppt
ArqOrgCom.ppt
 
Arq orgcom (1)
Arq orgcom (1)Arq orgcom (1)
Arq orgcom (1)
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]
 
Lógica binária, potas lógicas e circuitos lógicos
Lógica binária, potas lógicas e circuitos lógicosLógica binária, potas lógicas e circuitos lógicos
Lógica binária, potas lógicas e circuitos lógicos
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Interligados Apresentação Final
Interligados Apresentação FinalInterligados Apresentação Final
Interligados Apresentação Final
 
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
 
Aula IA - Redes Neurais Artificiais | PML e SOM
Aula IA - Redes Neurais Artificiais  | PML e SOMAula IA - Redes Neurais Artificiais  | PML e SOM
Aula IA - Redes Neurais Artificiais | PML e SOM
 
Algoritmos
AlgoritmosAlgoritmos
Algoritmos
 

Mais de Marcos Castro

Colored de Bruijn Graphs
Colored de Bruijn GraphsColored de Bruijn Graphs
Colored de Bruijn GraphsMarcos Castro
 
Maratona de Programação
Maratona de ProgramaçãoMaratona de Programação
Maratona de ProgramaçãoMarcos Castro
 
Ferramentas para Bioinformática
Ferramentas para BioinformáticaFerramentas para Bioinformática
Ferramentas para BioinformáticaMarcos Castro
 
A importância da Bioinformática
A importância da BioinformáticaA importância da Bioinformática
A importância da BioinformáticaMarcos Castro
 
Agrupamento de sequências biológicas
Agrupamento de sequências biológicasAgrupamento de sequências biológicas
Agrupamento de sequências biológicasMarcos Castro
 
Backtracking - Gerar todos os subconjuntos
Backtracking - Gerar todos os subconjuntosBacktracking - Gerar todos os subconjuntos
Backtracking - Gerar todos os subconjuntosMarcos Castro
 
Longest palindromic subsequence (LPS)
Longest palindromic subsequence (LPS)Longest palindromic subsequence (LPS)
Longest palindromic subsequence (LPS)Marcos Castro
 
Bioinformática com Biopython
Bioinformática com BiopythonBioinformática com Biopython
Bioinformática com BiopythonMarcos Castro
 
Agrupamento (clustering) - K-Means
Agrupamento (clustering) - K-MeansAgrupamento (clustering) - K-Means
Agrupamento (clustering) - K-MeansMarcos Castro
 

Mais de Marcos Castro (13)

Colored de Bruijn Graphs
Colored de Bruijn GraphsColored de Bruijn Graphs
Colored de Bruijn Graphs
 
Maratona de Programação
Maratona de ProgramaçãoMaratona de Programação
Maratona de Programação
 
Bioinformática
BioinformáticaBioinformática
Bioinformática
 
Arquivos FASTQ
Arquivos FASTQArquivos FASTQ
Arquivos FASTQ
 
Ferramentas para Bioinformática
Ferramentas para BioinformáticaFerramentas para Bioinformática
Ferramentas para Bioinformática
 
A importância da Bioinformática
A importância da BioinformáticaA importância da Bioinformática
A importância da Bioinformática
 
Bioinformática
BioinformáticaBioinformática
Bioinformática
 
Fila de prioridades
Fila de prioridadesFila de prioridades
Fila de prioridades
 
Agrupamento de sequências biológicas
Agrupamento de sequências biológicasAgrupamento de sequências biológicas
Agrupamento de sequências biológicas
 
Backtracking - Gerar todos os subconjuntos
Backtracking - Gerar todos os subconjuntosBacktracking - Gerar todos os subconjuntos
Backtracking - Gerar todos os subconjuntos
 
Longest palindromic subsequence (LPS)
Longest palindromic subsequence (LPS)Longest palindromic subsequence (LPS)
Longest palindromic subsequence (LPS)
 
Bioinformática com Biopython
Bioinformática com BiopythonBioinformática com Biopython
Bioinformática com Biopython
 
Agrupamento (clustering) - K-Means
Agrupamento (clustering) - K-MeansAgrupamento (clustering) - K-Means
Agrupamento (clustering) - K-Means
 

Último

Descrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamenteDescrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamenteLeonel Morgado
 
Manual dos Principio básicos do Relacionamento e sexologia humana .pdf
Manual dos Principio básicos do Relacionamento e sexologia humana .pdfManual dos Principio básicos do Relacionamento e sexologia humana .pdf
Manual dos Principio básicos do Relacionamento e sexologia humana .pdfPastor Robson Colaço
 
Atividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfAtividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfmaria794949
 
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAHISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAElianeAlves383563
 
PPP6_ciencias final 6 ano ano de 23/24 final
PPP6_ciencias final 6 ano ano de 23/24 finalPPP6_ciencias final 6 ano ano de 23/24 final
PPP6_ciencias final 6 ano ano de 23/24 finalcarlaOliveira438
 
Semana Interna de Prevenção de Acidentes SIPAT/2024
Semana Interna de Prevenção de Acidentes SIPAT/2024Semana Interna de Prevenção de Acidentes SIPAT/2024
Semana Interna de Prevenção de Acidentes SIPAT/2024Rosana Andrea Miranda
 
CONCORDÂNCIA NOMINAL atividade ensino médio ead.pptx
CONCORDÂNCIA NOMINAL atividade ensino médio  ead.pptxCONCORDÂNCIA NOMINAL atividade ensino médio  ead.pptx
CONCORDÂNCIA NOMINAL atividade ensino médio ead.pptxLuana240603
 
O que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaO que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaHenrique Santos
 
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdf
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdfprova do exame nacional Port. 2008 - 2ª fase - Criterios.pdf
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdfssuser06ee57
 
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...Manuais Formação
 
"Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande""Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande"Ilda Bicacro
 
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptx
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptxEB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptx
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptxIlda Bicacro
 
Movimento Negro Unificado , slide completo.pptx
Movimento Negro Unificado , slide completo.pptxMovimento Negro Unificado , slide completo.pptx
Movimento Negro Unificado , slide completo.pptxmariiiaaa1290
 
O Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoO Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoVALMIRARIBEIRO1
 
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASMARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASyan1305goncalves
 
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...LuizHenriquedeAlmeid6
 
livro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensoriallivro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensorialNeuroppIsnayaLciaMar
 
Unidade 4 (Texto poético) (Teste sem correção) (2).docx
Unidade 4 (Texto poético) (Teste sem correção) (2).docxUnidade 4 (Texto poético) (Teste sem correção) (2).docx
Unidade 4 (Texto poético) (Teste sem correção) (2).docxRaquelMartins389880
 
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....LuizHenriquedeAlmeid6
 
Geometria para 6 ano retas angulos .docx
Geometria para 6 ano retas angulos .docxGeometria para 6 ano retas angulos .docx
Geometria para 6 ano retas angulos .docxlucivaniaholanda
 

Último (20)

Descrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamenteDescrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamente
 
Manual dos Principio básicos do Relacionamento e sexologia humana .pdf
Manual dos Principio básicos do Relacionamento e sexologia humana .pdfManual dos Principio básicos do Relacionamento e sexologia humana .pdf
Manual dos Principio básicos do Relacionamento e sexologia humana .pdf
 
Atividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfAtividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdf
 
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAHISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
 
PPP6_ciencias final 6 ano ano de 23/24 final
PPP6_ciencias final 6 ano ano de 23/24 finalPPP6_ciencias final 6 ano ano de 23/24 final
PPP6_ciencias final 6 ano ano de 23/24 final
 
Semana Interna de Prevenção de Acidentes SIPAT/2024
Semana Interna de Prevenção de Acidentes SIPAT/2024Semana Interna de Prevenção de Acidentes SIPAT/2024
Semana Interna de Prevenção de Acidentes SIPAT/2024
 
CONCORDÂNCIA NOMINAL atividade ensino médio ead.pptx
CONCORDÂNCIA NOMINAL atividade ensino médio  ead.pptxCONCORDÂNCIA NOMINAL atividade ensino médio  ead.pptx
CONCORDÂNCIA NOMINAL atividade ensino médio ead.pptx
 
O que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaO que é, de facto, a Educação de Infância
O que é, de facto, a Educação de Infância
 
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdf
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdfprova do exame nacional Port. 2008 - 2ª fase - Criterios.pdf
prova do exame nacional Port. 2008 - 2ª fase - Criterios.pdf
 
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
 
"Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande""Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande"
 
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptx
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptxEB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptx
EB1 Cumeada Co(n)Vida à Leitura - Livros à Solta_Serta.pptx
 
Movimento Negro Unificado , slide completo.pptx
Movimento Negro Unificado , slide completo.pptxMovimento Negro Unificado , slide completo.pptx
Movimento Negro Unificado , slide completo.pptx
 
O Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoO Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhoso
 
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASMARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
 
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...
Slides Lição 8, Betel, Ordenança para confessar os pecados e perdoar as ofens...
 
livro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensoriallivro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensorial
 
Unidade 4 (Texto poético) (Teste sem correção) (2).docx
Unidade 4 (Texto poético) (Teste sem correção) (2).docxUnidade 4 (Texto poético) (Teste sem correção) (2).docx
Unidade 4 (Texto poético) (Teste sem correção) (2).docx
 
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....
Slides Lição 8, Central Gospel, Os 144 Mil Que Não Se Curvarão Ao Anticristo....
 
Geometria para 6 ano retas angulos .docx
Geometria para 6 ano retas angulos .docxGeometria para 6 ano retas angulos .docx
Geometria para 6 ano retas angulos .docx
 

Redes Neurais Artificiais

  • 2. Redes Neurais Artificiais • Redes Neurais Artificiais (RNAs) são modelos computacionais inspirados no sistema nervoso central que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões. • O aprendizado de máquina (machine learning) é uma subárea da Inteligência Artificial dedicado ao desenvolvimento de algoritmos e técnicas que permitam o computador aprender algo, ou seja, aperfeiçoar o seu desempenho em alguma tarefa. • Exemplos da aplicação de redes neurais artificiais: • Reconhecimento de voz • Reconhecimento de escrita manual 2
  • 3. Redes Neurais Artificiais • O sistema nervoso é formado por um conjunto bastante complexo de neurônios. • Nos neurônios, a comunicação é realizada através de impulsos. • Quando um impulso é recebido, o neurônio processa e dispara um segundo impulso que produz uma substância neurotransmissora do qual flui do corpo celular para o axônio. • Ao contrário das redes neurais artificiais, as redes neurais naturais não transmitem sinais negativos e não são uniformes. 3
  • 4. Redes Neurais Artificiais • Tem-se um grande desejo de se criar máquinas que operem independentemente do controle humano. • Máquinas inspiradas na biologia podem coordenar diversos graus de liberdade durante a execução de tarefas complicadas sem que tenham que desenvolver um modelo matemático específico. • Existem vários tipos de redes artificiais: • Rede Perceptron • Rede Adalaine 4
  • 5. Redes Neurais Artificiais • Redes neurais artificiais (assim como algoritmos genéticos) é mais uma abstração da biologia trazida para a computação. 5
  • 6. Redes Neurais Artificiais • Os dendritos são responsáveis por receber os sinais. 6
  • 7. Redes Neurais Artificiais • O axônio transmite os sinais para as terminações sinápticas e isso é repassado para outros neurônios. 7
  • 8. Redes Neurais Artificiais • Temos uma entrada e uma saída, pode-se ter várias entradas e várias saídas, isso varia de problema para problema. 8
  • 9. Redes Neurais Artificiais • Neurônio • Sinais de entrada {x1, x2, x3, ..., xn} • Pesos sinápticos {w1, w2, w3, ..., wn} Limiar de ativação 9 Função agregadora
  • 10. Redes Neurais Artificiais • Os sinais de entrada {x1, x2, xn} são ponderados por {w1, w2, wn}. • Existe um produto do sinal de entrada pelo peso que pondera. • Isso é dado como entrada para o neurônio. 10
  • 11. Redes Neurais Artificiais • Os sinais são informações do problema. • Os pesos sinápticos {w1, w2, wn} ponderam a entrada. • Para cada uma das entradas, tem o peso para ponderar. 11
  • 12. Redes Neurais Artificiais • A função agregadora recebe todos os sinais e realiza a soma dos produtos dos sinais. 12 Função agregadora
  • 13. Redes Neurais Artificiais • O neurônio deixa passar ou inibe um determinado sinal ou até mesmo altera a saída de acordo com a entrada. 13
  • 14. Redes Neurais Artificiais • O limiar é uma constante (geralmente é ponderada) que vai indicar um limiar para o sinal passar ou não. 14 Limiar de ativação
  • 15. Redes Neurais Artificiais • “g” é a função de ativação. O valor “u” é dado como entrada para a função de ativação. 15 Potencial de ativação
  • 16. Redes Neurais Artificiais • Potencial de ativação: 16 Potencial de ativação Somatório do produto das entradas u = g(u) A função de ativação deixa o sinal passar ou não
  • 17. Redes Neurais Artificiais • Existem algumas funções de ativação: • Função degrau 17 1 significa que houve ativação 0 significa que não houve ativação
  • 18. Redes Neurais Artificiais • Função degrau bipolar 18
  • 19. Redes Neurais Artificiais • Função logística 19 Os limites de saída são de 0 a 1.
  • 20. Redes Neurais Artificiais • Função tangente hiperbólica 20 Os limites de saída são de -1 a 1.
  • 21. Redes Neurais Artificiais • Função Gaussiana 21 Muito utilizada em estatística e reconhecimento de padrões.
  • 22. Redes Neurais Artificiais • Função Gaussiana 22 A ideia é concentrar as entradas no intervalo do meio.
  • 23. Redes Neurais Artificiais • Função Gaussiana 23 Os sinais fora do desvio padrão vão tender a 0.
  • 24. Redes Neurais Artificiais • Função linear g(u) = u 24
  • 25. Rede Perceptron • Rede muito simples. • Possui apenas um neurônio. 25
  • 26. Rede Perceptron • Se o nosso “g” é a função degrau bipolar, então a saída será 1 ou -1. • Será 1 se o somatório dos produtos for >= 0. • Será -1 se o somatório dos produtos for < 0. 26
  • 28. Rede Perceptron • Exemplo de classificação: linearmente separável. 28 Reta que separa as classes Bias = -1 Se não houvesse o bias, a reta sempre iria passar pela origem.
  • 29. Rede Perceptron • A rede Perceptron não classifica amostras que não são linearmente separáveis. 29
  • 30. Rede Perceptron • Problemas reais, na maioria das vezes, são mais complexos. 30
  • 31. Rede Perceptron • A operação OR por exemplo é linearmente separável. • (0, 0) = 0 • (1, 0) = 1 • (0, 1) = 1 • (1, 1) = 1 • Já a operação XOR não é linearmente serpável. • (0, 0) = 0 • (1, 0) = 1 • (0, 1) = 1 • (1, 1) = 0 31
  • 32. Rede Perceptron • Treinamento: a cada iteração vai tentando achar a reta que faz a separação das classes. 32
  • 33. Rede Perceptron • Aprender em uma rede neural é ajustar os pesos de forma que tenhamos a saída desejada. 33
  • 34. Rede Perceptron • Processo de treinamento: • O objetivo é o ajuste dos pesos! • O algoritmo vai fazendo atualizações iterativamente até chegar aos pesos corretos. • Na primeira iteração os pesos são gerados aleatoriamente. • Normalmente os pesos que são gerados estão no intervalo (0, 1). 34
  • 35. Rede Perceptron • Processo de treinamento: 35
  • 36. Rede Perceptron • Processo de treinamento: • A taxa de aprendizado diz o quão rápido a rede chega ao seu processo de classificação. Se colocar um valor muito pequeno, demora a convergir. Se colocar um valor muito alto, pode sair fora do ajuste e nunca convergir. 36
  • 37. Rede Perceptron • Processo de treinamento: • O “y” é o valor produzido pelo neurônio. 37
  • 39. Rede Perceptron • Após o treinamento, temos a fase de operação: 39