SlideShare uma empresa Scribd logo
1 de 52
Baixar para ler offline
Redes Neurais Artificiais
Jonas Rocha Lima Amaro
Ricardo Solon Zalla
27-09-2016
Trabalho para a disciplina de Inteligência Artifical do 5º ano do curso de Engenharia da Computação do
Instituto Militar de Engenharia
Agenda
1. As redes neurais vão mudar sua vida
2. Como funcionam
3. Exemplos
4. Aplicações
As redes neurais já
mudam sua vida!
por exemplo...
Classificar gatinhos no Facebook!
Self-driving car: risco de atropelamento
MNIST - Com erro de 0.87%
Um pouco de
contexto
Redes Neurais Artificais
- Inspiradas pelas redes neurais biológicas
(sistema nervoso animal - cérebro)
- A abstração da topologia de rede neural geralmente é
convertida com facilidade e produto de matrizes.
- Ultimamente tem apresentado bons resultados na resolução
de problemas de alta complexidade como o CIFAR-10, MNIST
e Detecção de Expressão Facial.
1. Topologia
a. Padrão de conexão entre as camadas de neurônios
2. Função de ativação
a. Conversão da entrada na camada com pesos das interconexões para
ativação no dado de saída da camada
3. Regra de aprendizado
a. Atualização dos pesos entre as interconexões
Tipicamente, são definidas por
Uma rede se parece com isso
Queremos reduzir o custo
- Função custo:
- Método Gradiente para corrigir os pesos
- Erro é propagado -> Retropropagação
Método gradiente
Retropropagação
- Entrada
- Intermediário
- Saída
- Retropropagação
Recapitulando
- Exemplos!
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Nota na prova (Hsono, Hestudo)
Modelo final
Nota na prova (Hsono, Hestudo)
Treinar a rede neural
=
Minimizar a função de custo
Nota na prova (Hsono, Hestudo)
Treinar a rede neural
=
Minimizar a função de custo
Minimizando o custo
Minimizando o custo
Minimizando o custo
Treinar a rede neural
=
Minimizar a função de custo
Minimizando o custo
Minimizando o custo
Propriedades
Toda rede neural tem as seguintes propriedades
- Poder computacional
- Pesos racionais tem o mesmo poder computacional de uma MT universal
- Pesos irracionais podem prover outputs não computáveis à uma MT
- Capacidade
- Quantidade de informação que a rede pode armazenar;
- Capacidade de modelar uma função de complexidade qualquer
- Convergência
- Capacidade de convergir de um mínimo local para o global;
- Depende do modelo, função de custo, método de otimização
- Generalização e estatística
- Problema de over-training -> cross validation x regularization
Tipos de redes
neurais
Existem alguns tipos...
- Aplicações
Focaremos em aplicações
Statics: perceptron
Apenas input layer e output layer
Ex: w1
I1
+ w2
I2
< t
OR perceptron: w1=1; w2=1; t=0.5
-> w1
I1
+ w2
I2
= 0.5
Statics: perceptron
Apenas input layer e output layer
Ex: w1
I1
+ w2
I2
< t
OR perceptron: w1=1; w2=1; t=0.5
-> w1
I1
+ w2
I2
= 0.5
Resolve problemas binários;
Não resolve o XOR
Statics: perceptron
2 layers
Acréscimo da hidden layer possibilita um novo plano
Dynamic feed-forward
Acréscimo da hidden layer possibilita um novo plano
Em ação
Tensonflow Playground
Problemas
Nem tudo é perfeito
- Training
- Base de dados suficientemente diversificada e elevada
- Isso se torna problema para principalmente para algoritmos
supervisionados
- Theoretical
- Não modelam problemas computacionalmente difíceis
- Back propagation nega princípio forward das sinapses
- Definições dos princípios ainda não foram provadas
-> associação estatística é descrita como aprendizado
- Hardware
- Requerem levado processamento e armazenamento
Conclusão
O mais importante para
construir a sua rede neural
Escolha do modelo - dependem da representação dos dados e da aplicação
Algoritmo de aprendizado - Existem grandes trade-offs e todos funcionam, mas é
preciso selecionar o mais adequado para o treinamento de dados
Função de custo - deve ser selecionada apropriadamente para um resultado
robusto
- https://www.youtube.com/watch?v=0qVOUD76JOg
- https://www.youtube.com/watch?v=bxe2T-V8XRs
- http://arxiv.org/pdf/1306.0239.pdf
- https://en.wikipedia.org/wiki/Artificial_neural_network
Referências
Backup
Work by Hava Siegelmann and Eduardo D. Sontag has provided a proof that a specific
recurrent architecture with rational valued weights (as opposed to full precision real
number-valued weights) has the full power of a Universal Turing Machine[55]
using a finite
number of neurons and standard linear connections. Further, it has been shown that the use
of irrational values for weights results in a machine with super-Turing power.[56]
Hypercomputation or super-Turing computation refers to models of computation that can
provide outputs that are not Turing computable. For example, a machine that could solve the
halting problem would be a hypercomputer; so too would one that can correctly evaluate
every statement in Peano arithmetic.
Computational Power
Theoretical problem
“A central claim of artificial neural networks is therefore that it embodies
some new and powerful general principle for processing information.
Unfortunately, these general principles are ill defined and it is often
claimed that they are emergent from the neural network itself.”
->
This allows simple statistical association (the basic function of artificial
neural networks) to be described as learning or recognition. As a result,
artificial neural networks have a "something-for-nothing quality, one that
imparts a peculiar aura of laziness and a distinct lack of curiosity about
just how good these computing systems are. No human hand (or mind) intervenes;
solutions are found as if by magic; and no one, it seems, has learned
anything".[57]
Tipos de aplicações
Real-life applications
The tasks artificial neural networks are applied to tend to fall within
the following broad categories:
●Function approximation, or regression analysis, including time series
prediction, fitness approximation and modeling
●Classification, including pattern and sequence recognition, novelty
detection and sequential decision making
●Data processing, including filtering, clustering, blind source
separation and compression
●Robotics, including directing manipulators, prosthesis.
●Control, including Computer numerical control
Minimizando o custo

Mais conteúdo relacionado

Mais procurados

Capitulo 3 redes neurais artificiais
Capitulo 3   redes neurais artificiaisCapitulo 3   redes neurais artificiais
Capitulo 3 redes neurais artificiaisVânia Moura
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neuraisLeo Laurett
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Bruno Catão
 
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
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Bruno Catão
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Ricardo Brasil
 
Inteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoInteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoCristiane Zimmermann
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep LearningCristian Muñoz
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisLeonardo Goliatt
 
Inteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoInteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoLeonardo Goliatt
 

Mais procurados (20)

Capitulo 3 redes neurais artificiais
Capitulo 3   redes neurais artificiaisCapitulo 3   redes neurais artificiais
Capitulo 3 redes neurais artificiais
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neurais
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2
 
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
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
 
P910Aula05
P910Aula05P910Aula05
P910Aula05
 
Inteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoInteligência artificial por Marina Fouto
Inteligência artificial por Marina Fouto
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
Deep Learning
Deep LearningDeep Learning
Deep Learning
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep Learning
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
 
Inteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – IntroduçãoInteligência Computacional Unidade 01 – Introdução
Inteligência Computacional Unidade 01 – Introdução
 

Destaque

Algorítmo de Identificação de Imagens Através da Implementação de RNA
Algorítmo de Identificação de Imagens Através da Implementação de RNAAlgorítmo de Identificação de Imagens Através da Implementação de RNA
Algorítmo de Identificação de Imagens Através da Implementação de RNALucas Sabadini
 
Inteligência Artificial e Ciência dos Dados
Inteligência Artificial e Ciência dos DadosInteligência Artificial e Ciência dos Dados
Inteligência Artificial e Ciência dos DadosAnderson Tenório Sergio
 
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...E-Commerce Brasil
 
Tendências de tecnologia da informação (1)
Tendências de tecnologia da informação (1)Tendências de tecnologia da informação (1)
Tendências de tecnologia da informação (1)Ademir Milton Piccoli
 
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik Macedo
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik MacedoApresentacao Grupo de Pesquisa pii :: Prof. Hendrik Macedo
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik MacedoRogerio P C do Nascimento
 
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....E-Commerce Brasil
 
The Future Of Work & The Work Of The Future
The Future Of Work & The Work Of The FutureThe Future Of Work & The Work Of The Future
The Future Of Work & The Work Of The FutureArturo Pelayo
 
What Makes Great Infographics
What Makes Great InfographicsWhat Makes Great Infographics
What Makes Great InfographicsSlideShare
 
Masters of SlideShare
Masters of SlideShareMasters of SlideShare
Masters of SlideShareKapost
 
STOP! VIEW THIS! 10-Step Checklist When Uploading to Slideshare
STOP! VIEW THIS! 10-Step Checklist When Uploading to SlideshareSTOP! VIEW THIS! 10-Step Checklist When Uploading to Slideshare
STOP! VIEW THIS! 10-Step Checklist When Uploading to SlideshareEmpowered Presentations
 
10 Ways to Win at SlideShare SEO & Presentation Optimization
10 Ways to Win at SlideShare SEO & Presentation Optimization10 Ways to Win at SlideShare SEO & Presentation Optimization
10 Ways to Win at SlideShare SEO & Presentation OptimizationOneupweb
 
How To Get More From SlideShare - Super-Simple Tips For Content Marketing
How To Get More From SlideShare - Super-Simple Tips For Content MarketingHow To Get More From SlideShare - Super-Simple Tips For Content Marketing
How To Get More From SlideShare - Super-Simple Tips For Content MarketingContent Marketing Institute
 
How to Make Awesome SlideShares: Tips & Tricks
How to Make Awesome SlideShares: Tips & TricksHow to Make Awesome SlideShares: Tips & Tricks
How to Make Awesome SlideShares: Tips & TricksSlideShare
 

Destaque (15)

Algorítmo de Identificação de Imagens Através da Implementação de RNA
Algorítmo de Identificação de Imagens Através da Implementação de RNAAlgorítmo de Identificação de Imagens Através da Implementação de RNA
Algorítmo de Identificação de Imagens Através da Implementação de RNA
 
Inteligência Artificial e Ciência dos Dados
Inteligência Artificial e Ciência dos DadosInteligência Artificial e Ciência dos Dados
Inteligência Artificial e Ciência dos Dados
 
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...
Fórum 2016 - O uso de inteligência artificial e bots no atendimento do e-comm...
 
Tendências de tecnologia da informação (1)
Tendências de tecnologia da informação (1)Tendências de tecnologia da informação (1)
Tendências de tecnologia da informação (1)
 
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik Macedo
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik MacedoApresentacao Grupo de Pesquisa pii :: Prof. Hendrik Macedo
Apresentacao Grupo de Pesquisa pii :: Prof. Hendrik Macedo
 
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....
Congresso E-Commerce Brasil 2017 - Marketplace: Raio-x dos modelos no Brasil....
 
Retardo mental
Retardo mentalRetardo mental
Retardo mental
 
The Future Of Work & The Work Of The Future
The Future Of Work & The Work Of The FutureThe Future Of Work & The Work Of The Future
The Future Of Work & The Work Of The Future
 
What Makes Great Infographics
What Makes Great InfographicsWhat Makes Great Infographics
What Makes Great Infographics
 
Masters of SlideShare
Masters of SlideShareMasters of SlideShare
Masters of SlideShare
 
STOP! VIEW THIS! 10-Step Checklist When Uploading to Slideshare
STOP! VIEW THIS! 10-Step Checklist When Uploading to SlideshareSTOP! VIEW THIS! 10-Step Checklist When Uploading to Slideshare
STOP! VIEW THIS! 10-Step Checklist When Uploading to Slideshare
 
You Suck At PowerPoint!
You Suck At PowerPoint!You Suck At PowerPoint!
You Suck At PowerPoint!
 
10 Ways to Win at SlideShare SEO & Presentation Optimization
10 Ways to Win at SlideShare SEO & Presentation Optimization10 Ways to Win at SlideShare SEO & Presentation Optimization
10 Ways to Win at SlideShare SEO & Presentation Optimization
 
How To Get More From SlideShare - Super-Simple Tips For Content Marketing
How To Get More From SlideShare - Super-Simple Tips For Content MarketingHow To Get More From SlideShare - Super-Simple Tips For Content Marketing
How To Get More From SlideShare - Super-Simple Tips For Content Marketing
 
How to Make Awesome SlideShares: Tips & Tricks
How to Make Awesome SlideShares: Tips & TricksHow to Make Awesome SlideShares: Tips & Tricks
How to Make Awesome SlideShares: Tips & Tricks
 

Semelhante a Redes Neurais: Como funcionam e aplicações em

Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasFamília Schmidt
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#POANETMeetup
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRenato Ximenes
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02siridakis
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]ronaldo ramos
 
Redes_Neurais.ppt
Redes_Neurais.pptRedes_Neurais.ppt
Redes_Neurais.pptCsfe076280
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosDiego Negretto
 

Semelhante a Redes Neurais: Como funcionam e aplicações em (9)

Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturas
 
rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzy
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]
 
Redes_Neurais.ppt
Redes_Neurais.pptRedes_Neurais.ppt
Redes_Neurais.ppt
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de Dados
 

Último

LEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaLEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaGuilhermeLucio9
 
A Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralA Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralFranciscaArrudadaSil
 
Treinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção IndividualTreinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção Individualpablocastilho3
 
Eletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréEletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréGuilhermeLucio9
 
Tecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraTecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraGuilhermeLucio9
 
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICA
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICADESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICA
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICAPabloVinicius40
 
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfLivro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfSamuel Ramos
 

Último (7)

LEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurançaLEAN SIX SIGMA - Garantia da qualidade e segurança
LEAN SIX SIGMA - Garantia da qualidade e segurança
 
A Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboralA Importância dos EPI's no trabalho e no dia a dia laboral
A Importância dos EPI's no trabalho e no dia a dia laboral
 
Treinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção IndividualTreinamento de NR06 Equipamento de Proteção Individual
Treinamento de NR06 Equipamento de Proteção Individual
 
Eletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante TamandaréEletricista instalador - Senai Almirante Tamandaré
Eletricista instalador - Senai Almirante Tamandaré
 
Tecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade AnhangueraTecnólogo em Mecatrônica - Universidade Anhanguera
Tecnólogo em Mecatrônica - Universidade Anhanguera
 
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICA
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICADESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICA
DESTRAVANDO O NOVO EDITAL DA CAIXA ECONOMICA
 
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdfLivro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
Livro Vibrações Mecânicas - Rao Singiresu - 4ª Ed.pdf
 

Redes Neurais: Como funcionam e aplicações em

  • 1. Redes Neurais Artificiais Jonas Rocha Lima Amaro Ricardo Solon Zalla 27-09-2016 Trabalho para a disciplina de Inteligência Artifical do 5º ano do curso de Engenharia da Computação do Instituto Militar de Engenharia
  • 2. Agenda 1. As redes neurais vão mudar sua vida 2. Como funcionam 3. Exemplos 4. Aplicações
  • 3. As redes neurais já mudam sua vida!
  • 6. Self-driving car: risco de atropelamento
  • 7. MNIST - Com erro de 0.87%
  • 9. Redes Neurais Artificais - Inspiradas pelas redes neurais biológicas (sistema nervoso animal - cérebro) - A abstração da topologia de rede neural geralmente é convertida com facilidade e produto de matrizes. - Ultimamente tem apresentado bons resultados na resolução de problemas de alta complexidade como o CIFAR-10, MNIST e Detecção de Expressão Facial.
  • 10. 1. Topologia a. Padrão de conexão entre as camadas de neurônios 2. Função de ativação a. Conversão da entrada na camada com pesos das interconexões para ativação no dado de saída da camada 3. Regra de aprendizado a. Atualização dos pesos entre as interconexões Tipicamente, são definidas por
  • 11. Uma rede se parece com isso
  • 12. Queremos reduzir o custo - Função custo: - Método Gradiente para corrigir os pesos - Erro é propagado -> Retropropagação
  • 15. - Entrada - Intermediário - Saída - Retropropagação Recapitulando
  • 17. Nota na prova (Hsono, Hestudo)
  • 18. Nota na prova (Hsono, Hestudo)
  • 19. Nota na prova (Hsono, Hestudo)
  • 20. Nota na prova (Hsono, Hestudo)
  • 21. Nota na prova (Hsono, Hestudo)
  • 22. Nota na prova (Hsono, Hestudo)
  • 23. Nota na prova (Hsono, Hestudo)
  • 24. Nota na prova (Hsono, Hestudo) Modelo final
  • 25. Nota na prova (Hsono, Hestudo) Treinar a rede neural = Minimizar a função de custo
  • 26. Nota na prova (Hsono, Hestudo) Treinar a rede neural = Minimizar a função de custo
  • 29. Minimizando o custo Treinar a rede neural = Minimizar a função de custo
  • 33. Toda rede neural tem as seguintes propriedades - Poder computacional - Pesos racionais tem o mesmo poder computacional de uma MT universal - Pesos irracionais podem prover outputs não computáveis à uma MT - Capacidade - Quantidade de informação que a rede pode armazenar; - Capacidade de modelar uma função de complexidade qualquer - Convergência - Capacidade de convergir de um mínimo local para o global; - Depende do modelo, função de custo, método de otimização - Generalização e estatística - Problema de over-training -> cross validation x regularization
  • 37. Statics: perceptron Apenas input layer e output layer Ex: w1 I1 + w2 I2 < t OR perceptron: w1=1; w2=1; t=0.5 -> w1 I1 + w2 I2 = 0.5
  • 38. Statics: perceptron Apenas input layer e output layer Ex: w1 I1 + w2 I2 < t OR perceptron: w1=1; w2=1; t=0.5 -> w1 I1 + w2 I2 = 0.5 Resolve problemas binários; Não resolve o XOR
  • 40. 2 layers Acréscimo da hidden layer possibilita um novo plano
  • 41. Dynamic feed-forward Acréscimo da hidden layer possibilita um novo plano
  • 44. Nem tudo é perfeito - Training - Base de dados suficientemente diversificada e elevada - Isso se torna problema para principalmente para algoritmos supervisionados - Theoretical - Não modelam problemas computacionalmente difíceis - Back propagation nega princípio forward das sinapses - Definições dos princípios ainda não foram provadas -> associação estatística é descrita como aprendizado - Hardware - Requerem levado processamento e armazenamento
  • 46. O mais importante para construir a sua rede neural Escolha do modelo - dependem da representação dos dados e da aplicação Algoritmo de aprendizado - Existem grandes trade-offs e todos funcionam, mas é preciso selecionar o mais adequado para o treinamento de dados Função de custo - deve ser selecionada apropriadamente para um resultado robusto
  • 47. - https://www.youtube.com/watch?v=0qVOUD76JOg - https://www.youtube.com/watch?v=bxe2T-V8XRs - http://arxiv.org/pdf/1306.0239.pdf - https://en.wikipedia.org/wiki/Artificial_neural_network Referências
  • 49. Work by Hava Siegelmann and Eduardo D. Sontag has provided a proof that a specific recurrent architecture with rational valued weights (as opposed to full precision real number-valued weights) has the full power of a Universal Turing Machine[55] using a finite number of neurons and standard linear connections. Further, it has been shown that the use of irrational values for weights results in a machine with super-Turing power.[56] Hypercomputation or super-Turing computation refers to models of computation that can provide outputs that are not Turing computable. For example, a machine that could solve the halting problem would be a hypercomputer; so too would one that can correctly evaluate every statement in Peano arithmetic. Computational Power
  • 50. Theoretical problem “A central claim of artificial neural networks is therefore that it embodies some new and powerful general principle for processing information. Unfortunately, these general principles are ill defined and it is often claimed that they are emergent from the neural network itself.” -> This allows simple statistical association (the basic function of artificial neural networks) to be described as learning or recognition. As a result, artificial neural networks have a "something-for-nothing quality, one that imparts a peculiar aura of laziness and a distinct lack of curiosity about just how good these computing systems are. No human hand (or mind) intervenes; solutions are found as if by magic; and no one, it seems, has learned anything".[57]
  • 51. Tipos de aplicações Real-life applications The tasks artificial neural networks are applied to tend to fall within the following broad categories: ●Function approximation, or regression analysis, including time series prediction, fitness approximation and modeling ●Classification, including pattern and sequence recognition, novelty detection and sequential decision making ●Data processing, including filtering, clustering, blind source separation and compression ●Robotics, including directing manipulators, prosthesis. ●Control, including Computer numerical control