Redes neurais

364 visualizações

Publicada em

A maioria das pessoas já ouviu falar de redes neurais, mas não faz ideia o que elas realmente sejam. Nesta (realmente) sucinta introdução, conheça aplicações, empresas que a usam, e entenda a rede neural primordial, o perceptron.

Publicada em: Ciências
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
364
No SlideShare
0
A partir de incorporações
0
Número de incorporações
10
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Redes neurais

  1. 1. Redes neurais
  2. 2. Redes neurais artificiais Abstrações matemáticas de neurônios biológicos
  3. 3. Redes neurais artificiais Aprendem relações, não conceitos
  4. 4. Aprendizado Hebbiniano “Neurônios que disparam juntos criam sinapses fortes”
  5. 5. Estrutura básica ● Topologia ● Algoritmo de treinamento ● Função de ativação
  6. 6. Química do aprendizado Neurônio 1 Neurônio 2 ↑Na+ Dentrito ↓K+ 0mV 50mV Disparo 0mV ↓Na+ K+ Axônio Sinapse
  7. 7. Perceptron - 1957 x1 y xn ∑ w1 wn b wn+1
  8. 8. Perceptron - 1957 - Treinamento
  9. 9. Perceptron - 1957 - Ativação
  10. 10. Perceptron - 1957 - Pesos
  11. 11. Perceptron - Operador OR 0 0 0 (0.02*0)+ (-0.02*0)+ (-0.05*-1) 0.02 (0.05 > 0)? Sim, ∴ 1 -0.02 -1 -0.05 Δwn
  12. 12. Perceptron - Operador OR O treinamento é realizado até o erro (gn-yn) ou o tempo t atinja um limite
  13. 13. Nem tudo é fácil... Perceptrons só aprendem sobre dados que são linearmente separáveis.
  14. 14. Nem tudo é fácil... - OR 1 1 0 0 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 1
  15. 15. Nem tudo é fácil... - XOR 1 1 0 0 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 0 ?
  16. 16. Feedforward - Werbos - 1969 10 0 1 1 x1 x2 y 0 0 0 1 0 1 0 1 1 1 1 0
  17. 17. MLP - Minsky & Papert - 1975 x1 y xn h1 h2 h3 hn wn b wn
  18. 18. Matematicamente, Redes neurais “não-lineares” são aproximadores universais de funções
  19. 19. Prós ● Plasticidade ● Flexibilidade ● Paralelismo Cons ● Normalização ● Treinamento ● Interpretação
  20. 20. 2005-Hoje ● Deep Learning ○ Retornou o interesse por ANNs ○ Resolveu problemas de profundidade ○ Permitiu escalabilidade ○ Redes convolucionais ○ Deep Belief Nets
  21. 21. Quem usa? ● Street View ● Otimização do Data Center ● Reconhecimento de voz ● Recomendações ● Previsões
  22. 22. Quem usa? ● Reconhecimento facial ● Modelos de personalidade ● Previsões

×