O documento discute redes neurais artificiais, definindo seus componentes e tipos de aprendizagem. Aprendizado supervisionado é usado para reconhecimento de padrões, enquanto aprendizado não supervisionado é usado quando as classes de padrões são desconhecidas. Aprendizado por reforço é usado para treinar comportamentos de robôs.

1. Inteligência Artificial
Lista 1
1. Defina Redes Neurais Artificias?
A rede neural artificial é uma técnica de Inteligência Artificial (IA)
especialmente projetada para processar informações e aquisição de
conhecimento do cérebro humano através de simulação computacional.
2. Descreva os componentes de uma rede neural, explicando a
funcionalidade de cada um dos elementos básicos do elemento de
processamento (neurônio artificial) e as suas possíveis estruturas de
interconexão (possíveis topologias para interconexão dos
processadores).
Os componentes básicos são: os pesos sinápticos, a função de soma, e a
função de transferência também conhecida como função de ativação.
Os pesos sinápticos, são as conexões entre os neurônios, responsáveis pelo
armazenamento das informações.
A função de soma processa todos os estímulos ponderados pelos respectivos
pesos.
A função de transferência, ou função de ativação, tem a finalidade de evitar
o acréscimo progressivo dos valores de saída ao longo das camadas da rede,
visto que tais funções possuem valores máximos e mínimos contidos em
intervalos determinados para cada tipo de função.
3. Explique o funcionamento dos três tipos básicos de aprendizagem:
Supervisionado;Não-supervisionado;e aprendizado por reforço. Indique
as possíveis aplicações para cada tipo de aprendizado.
Aprendizado Supervisionado,quando é utilizado um agente externo que indica
à rede a resposta desejada para o padrão de entrada;
O aprendizado supervisionado é normalmente usado aplicação como
reconhecimento de padrões, visto que a partir de um certo dado de entrada
buscasse o padrão desejado ou equivalente usando a rede neural como
classificador de padrões.
Aprendizado Não Supervisionado (auto-organização), quando não existe um
agente externo indicando a resposta desejada para os padrões de entrada;
O aprendizado não supervisionado é usado em situações onde não sabemos de
antemão a qual classe um padrão pertence nem quais são as classes em q o
nosso problema ade divide. Para tal um mecanismo de reconhecimento de
padrões se encarregará de detectar as semelhanças. Exemplo
Reforço, quando um crítico externo avalia a resposta fornecida pela rede.

2. Aprendizado por Reforço, Aplicasse em áreas como treinamento de
comportamento de robóticas onde os androids são submetidos a uma serie de
teste até se adaptarem aos comportamentos desejados, para efetuar uma
determinada tarefa.
4. Considerando redes Muli-Layer Perceptrons (MLP) treinadas com o
algoritmo Back Propagation, discuta o problema denominado Bias and
Variance Dilemma (Convergência x Generalização).
Convergência - É a capacidade da rede neural aprender todos os padrões do
conjunto de treinamento. Quando uma rede neural for pequena, não será capaz
de armazenar todos os padrões necessários. Portanto, a rede não deve ser
rígida ao ponto de não modelar fielmente todos os dados.
Generalização – É a capacidade da rede neural responder adequadamente a
padrões jamais vistos. Uma rede muito grande com número de neurônios muito
superior aos necessários para o problema em análise, não responderá
corretamente a padrões nunca vistos, perderá a capacidade de generalizar. Isto
ocorrerá pois os pesos sinápticos da rede aprenderão os vetores de entrada e
também o ruído presente nos dados de treinamento.
A capacidade de generalização de uma rede neural é afetada por três fatores:
1. Tamanho e eficiência dos dados de treinamento.
2. Arquitetura da rede e número de processadores nas camadas ocultas.
3. Complexidade do problema.
5. Quando se justifica utilizar num MLP duas camadas (uma escolhida) ou
três camadas (duas escolhidas) e que tipos de funções podem ser
implementadas em cada caso?
A partir de extensões do Teorema de Kolmogoroff, são necessárias no máximo
duas camadas intermediárias, com um número suficiente de unidades por
camada, para se produzir quaisquer mapeamentos. Também foi provado que
apenas uma camada intermediária é suficiente para aproximar qualquer
função contínua.
6. Por que o algoritmo backpropagation é chamado de regra delta
generalizada?
Porque as redes que utilizam backpropagation trabalham com uma
variação da regra delta, apropriada para redes multicamadas, a regra
delta generalizada. A regra delta padrão essencialmente implementa
um gradiente descendente no quadrado da soma do erro para
funções de ativação lineares.
7. Por que se utiliza gradiente descendente para treinar?

3. Porque no processo de treinamento são utilizados os conjuntos de dados de
treinamento e validação que contém as variáveis selecionadas para a
construção do modelo de entrada e saídas desejadas. Na regra delta
implementasse um gradiente descendente no quadro da soma de erros para a
funções de ativação lineares
8. O que é overfitting?
Overfitting ou Sobre ajuste é um termo usado em aprendizagem de maquinas
e estatística, para quando um modelo estatístico se ajusta em demasiado ao
conjunto de dados ou amostras. É muito comum que a amostra apresente
desvios causados por erros de medição ou fatores aleatórios, porem isso ocorre
quando o modelo se ajusta a estes.
9. O que são as redes neurais?
Redes neurais é o conjunto de neurônios conectados uns aos outros através de
sinapses.
10. Quais são os elementos principais do neurônio biológico?
Os dentritos, que tem por função, receber os estímulos transmitidos
pelos outros neurônios;
O corpo de neurônio, também chamado de somma, que é responsável
por coletar e combinar informações vindas de outros neurônios;
E finalmente o axônio,que é constituído de uma fibra tubular que pode
alcançar até alguns metros, e é responsável por transmitir os estímulos
para outras células.
11. Quais são os elementos principais do neurônio artificial?
Os elementos principais do neurônio artificial são:
Conjunto de sinapses ou elos de conexão, onde cada elo de conexão é
caraterizado por um estimulo de entrada (x) e por um peso (w).
Combinador Linear (∑) efetua o somatório dos sinais ponderados de entrada
do neurônio.
Função de ativação usa o somatório do item anterior como parâmetro para
produzir a saída do neurônio que é calculada usando a formula
Onde:
w são os pesos das conexões do neurônio k;
x é o valor de cada um dos m estímulos que chegam ao neurônio k;
b é o valor do bias que será somado ao valor do combinador linear.
12.
13. Qual é o papel da função de ativação?
Função de ativação, tem a finalidade ou função, evitar o acréscimo
progressivo dos valores de saída ao longo das camadas da rede.

4. 14. Em relação a atividade de um neurônio, quais formam as conclusão
obtidas por McCulloch e Pitts?
McCulloch e Pitts eles sugeriam a construção de uma máquina baseada ou
inspirada no cérebro humano, estabelecendo as bases da neurocomputação,
com modelos matemáticos.
15. Defina um neurônio McCulloch – Pitts capaz de representar as
seguintes funções booleanas.
X Y SAÍDA
0 0 0
0 1 1
1 0 0
1 1 1
Se net > 0 y = 1
Se net ≤ 0 y = 0
Treinamento
b = 0
w1 = 0
w2 = 0
net = b ∗ 1 + w1 ∗ 0 + w2 ∗ 0
net = 0 ∗ 1 + 0 ∗ 0 + 0 ∗ 0 = 0
y = 0 e x = 0
16. Quais são os três componentes do modelo Perceptron?
Aprendizado supervisionado
Representação binária
Apenas uma camada de pesos ajustáveis
17. Qual é o tipo de aprendizado supervisionado utilizado no modelo
perceptron?
O tipo de aprendizado usado é o treinamento.
wij(k+1) = wij (k) + λ*ei wij (k)*xj
onde: ei (k) = ydi – yi e λ – taxa de aprendizado
18. O que é o treinamento de uma rede neural?
O treinamento da rede corresponde ao processo de ajuste de pesos.

5. 19. Como é a superfície de decisão implementada por um perceptron?
20. O que representa a taxa de aprendizagem no algoritmo de
aprendizagem.