SlideShare uma empresa Scribd logo
1 de 22
Redes neurais artificias, o que são
(e onde vivem)?
MSc. José Ahirton Batista Lopes Filho
São Paulo, 01 de fevereiro de 2018
About Me
Motivação Básica
A mente humana, diferente dos computadores
digitais, possui uma habilidade notável para
processar e armazenar informação imprecisa,
parcial, ambígua e pouco estruturada.
Motivação Básica
O cérebro é capaz de perceber regularidades no
meio e gerar abstrações que capturam a estrutura
destas regularidades, possibilitando a predição de
observações futuras e o planejamento de ações
visando o atendimento de múltiplos objetivos.
O Cérebro
 Características incríveis do cérebro:
 Adaptabilidade por intermédio de aprendizado.
 Comportamento sensível ao contexto.
 Tolerância a erro.
 Capacidade de operar com conhecimento parcial.
 Grande capacidade de memória (acessada por conteúdo).
 Capacidade de processamento paralelo e em tempo real.
O Cérebro
 O órgão mais complexo do corpo humano, com uma imensa
quantidade de células nervosas interconectadas com ramificações
que se estendem desde o cérebro até as partes mais distantes,
como a ponta dos dedos dos pés.
 O cérebro é especialista em desempenhar funções importantes,
tais como reconhecimento de padrões, controle motor, percepção,
inferência, intuição, adivinhações, etc.
 É capaz de armazenar e processar informação e capaz de
manipular os estímulos do ambiente (externo e interno)
O Sistema Nervoso
Moléculas
Sinapses
Neurônios
Rede Neural
Mapas
Sistemas
Sistema Nervoso
O Sistema Nervoso
Visão Geral
Os Neurônios
 Unidades básicas de processamento do cérebro.
 Células com a função específica de receber, processar e enviar
informação a outras partes do organismo.
Dendrito
Corpo da Célula (soma)
Núcleo
Axônio
Sinapses
Os Neurônios
 Os neurônios recebem sinais de outros
neurônios por meio dos dendritos
(receptores) e transmitem o sinal gerado
pelo corpo celular ao longo do axônio
(potenciais elétricos ou potenciais de
ação).
 Os neurônios são conectados por meio de
conexões sinápticas (sinapses).
 Quando um impulso chega à sinapse,
estimula a liberação de substâncias
químicas (neurotransmissores) que se
espalham pela fenda sináptica para
estimular ou inibir a emissão de impulsos
elétricos pelo neurônio receptor.
Os Neurônios
 A natureza do processamento de informações nos neurônios é
eletroquímica:
 A transmissão de impulsos nervosos dentro do neurônio é um
processo de natureza elétrica:
 Os sinais viajam através dos axônios em forma de potenciais de ação –
potenciais elétricos breves.
 A transmissão sináptica é efetivada por meio de um processo de
natureza química, realizado pela ação de neurotransmissores.
Redes Neurais Artificiais
Redes neurais artificiais podem ser entendidas como estruturas de
processamento matemático desenvolvidas com inspiração no sistema
nervoso humano e que têm como objetivo principal solucionar
problemas complexos.
A Rede Neural
 De maneira geral, é uma máquina projetada para modelar a
maneira como o cérebro realiza uma tarefa particular.
 É composta por unidades de processamento simples capazes de
processar informação e armazenar o conhecimento adquirido com
as experiências passadas.
 Possui três princípios básicos:
 O conhecimento é adquirido (do ambiente) pela rede por meio de um
processo de aprendizado;
 Os pesos das conexões entre neurônios, conhecidos como pesos sinápticos,
são utilizados para armazenar o conhecimento adquirido;
 Uma função de ativação g() é responsável por definir a ativação de saída do
neurônio em termos do seu nível de ativação interna. Normalmente o sinal
de ativação do neurônio pertence ao intervalo (0, 1) ou (-1, 1).
Neurônio Artificial
McCulloch and Pitts (1943)
Multiplayer Perceptron
 Um perceptron multicamadas (MLP) é uma rede neural com mais
de uma camada de neurônios em alimentação direta.
 Tal tipo de rede é composta por camadas de neurônios ligadas
entre si por sinapses com pesos. O aprendizado nesse tipo de rede
é geralmente feito através do algoritmo de retro-propagação do
erro (backpropagation).
Backpropagation
 1. Inicialização. Inicialize os pesos da rede aleatoriamente ou
segundo algum método.
 2. Processamento direto. Apresente um padrão à rede. Compute
as ativações de todos os neurônios da rede e então calcule o erro.
 3. Passo reverso. Calcule os novos pesos para cada neurônio da
rede, no sentido retroativo (isto é, da saída para a entrada),
camada a camada.
 4. Teste de parada. Teste o critério de parada adotado. Se
satisfeito, termine o algoritmo;
 5. senão volte ao passo 2.
Camada Sigmoide / Camada Softmax
 A função de ativação softmax é usada em redes neurais de
classificação. Ela força a saída de uma rede neural a representar a
probabilidade dos dados serem de uma das classes definidas. Sem
ela as saídas dos neurônios são simplesmente valores numéricos
onde o maior indica a classe vencedora.
MNIST
 O banco de dados MNIST de dígitos manuscritos, disponível nesta
página, possui um conjunto de treinamento de 60.000 exemplos e
um conjunto de testes de 10.000 exemplos. É um subconjunto de
um conjunto maior disponível no NIST. Os dígitos foram
normalizados em tamanho e centrados em uma imagem de
tamanho fixo (LeCun et al., 1998).
Aplicações
 Processamento de Imagens
 Reconhecimento de
Padrões
 Robótica
 Games
 Arte
 Análise e Mineração de
Dados
 Medicina
 Segurança
 Economia e Finanças
 Meteorologia
 Aproximação de função e
predição de séries temporais
 Entre outras
Redes Neurais Artificiais
 Benefícios das Redes Neurais Artificiais (Haykin, Simon S., et al.,
2009)
 Mapeamento de entradas e saídas
 Adaptabilidade
 Tolerância a falhas
 Uniformidade de análise e projeto
 Analogia neurobiológica
“É preciso provocar sistematicamente
confusão. Isso promove a criatividade.
Tudo aquilo que é contraditório gera
vida ”
Salvador Dalí
Obrigado!
ahirtonlopes@gmail.com

Mais conteúdo relacionado

Mais procurados

PyData Delhi 2018 : Creating Art with Neural Nets
PyData Delhi 2018 : Creating Art with Neural NetsPyData Delhi 2018 : Creating Art with Neural Nets
PyData Delhi 2018 : Creating Art with Neural Netssrish1
 
Feedforward neural network
Feedforward neural networkFeedforward neural network
Feedforward neural networkSopheaktra YONG
 
Deep reinforcement learning from scratch
Deep reinforcement learning from scratchDeep reinforcement learning from scratch
Deep reinforcement learning from scratchJie-Han Chen
 
Group 2 Handling and Processing of big data.pptx
Group 2 Handling and Processing of big data.pptxGroup 2 Handling and Processing of big data.pptx
Group 2 Handling and Processing of big data.pptxsalutiontechnology
 
Distributed machine learning
Distributed machine learningDistributed machine learning
Distributed machine learningStanley Wang
 
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...Subrata Kumer Paul
 
Deep deterministic policy gradient
Deep deterministic policy gradientDeep deterministic policy gradient
Deep deterministic policy gradientSlobodan Blazeski
 
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...Databricks
 
Feature Engineering
Feature Engineering Feature Engineering
Feature Engineering odsc
 
Artificial Neural Networks
Artificial Neural NetworksArtificial Neural Networks
Artificial Neural NetworksArslan Zulfiqar
 
Reinforcement Learning with Deep Energy-Based Policies
Reinforcement Learning with Deep Energy-Based PoliciesReinforcement Learning with Deep Energy-Based Policies
Reinforcement Learning with Deep Energy-Based PoliciesSangwoo Mo
 
AlphaGo Zero Introduction
AlphaGo Zero IntroductionAlphaGo Zero Introduction
AlphaGo Zero Introduction友誠 張
 

Mais procurados (20)

PyData Delhi 2018 : Creating Art with Neural Nets
PyData Delhi 2018 : Creating Art with Neural NetsPyData Delhi 2018 : Creating Art with Neural Nets
PyData Delhi 2018 : Creating Art with Neural Nets
 
Feedforward neural network
Feedforward neural networkFeedforward neural network
Feedforward neural network
 
LSTM Basics
LSTM BasicsLSTM Basics
LSTM Basics
 
Deep reinforcement learning from scratch
Deep reinforcement learning from scratchDeep reinforcement learning from scratch
Deep reinforcement learning from scratch
 
Group 2 Handling and Processing of big data.pptx
Group 2 Handling and Processing of big data.pptxGroup 2 Handling and Processing of big data.pptx
Group 2 Handling and Processing of big data.pptx
 
Distributed machine learning
Distributed machine learningDistributed machine learning
Distributed machine learning
 
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...
Chapter 6. Mining Frequent Patterns, Associations and Correlations Basic Conc...
 
Deep deterministic policy gradient
Deep deterministic policy gradientDeep deterministic policy gradient
Deep deterministic policy gradient
 
Lec3 dqn
Lec3 dqnLec3 dqn
Lec3 dqn
 
Perceptron & Neural Networks
Perceptron & Neural NetworksPerceptron & Neural Networks
Perceptron & Neural Networks
 
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...
Real-Time Fraud Detection at Scale—Integrating Real-Time Deep-Link Graph Anal...
 
Feature Engineering
Feature Engineering Feature Engineering
Feature Engineering
 
Recurrent Neural Network
Recurrent Neural NetworkRecurrent Neural Network
Recurrent Neural Network
 
Meta learning tutorial
Meta learning tutorialMeta learning tutorial
Meta learning tutorial
 
Artificial Neural Networks
Artificial Neural NetworksArtificial Neural Networks
Artificial Neural Networks
 
Hmm
HmmHmm
Hmm
 
Robustness in deep learning
Robustness in deep learningRobustness in deep learning
Robustness in deep learning
 
Reinforcement Learning with Deep Energy-Based Policies
Reinforcement Learning with Deep Energy-Based PoliciesReinforcement Learning with Deep Energy-Based Policies
Reinforcement Learning with Deep Energy-Based Policies
 
AlphaGo Zero Introduction
AlphaGo Zero IntroductionAlphaGo Zero Introduction
AlphaGo Zero Introduction
 
PCR 1
PCR 1PCR 1
PCR 1
 

Semelhante a [José Ahirton Lopes] Apresentação MLP

INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
RNA - Redes neurais artificiais
RNA - Redes neurais artificiaisRNA - Redes neurais artificiais
RNA - Redes neurais artificiaisiaudesc
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02siridakis
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiaisrafael.joi
 
1Generalidades - Cópia.pdf
1Generalidades - Cópia.pdf1Generalidades - Cópia.pdf
1Generalidades - Cópia.pdfDavidSalvador48
 
Machine Learning e Redes Neuronais
Machine Learning e Redes NeuronaisMachine Learning e Redes Neuronais
Machine Learning e Redes Neuronaiseurosigdoc acm
 

Semelhante a [José Ahirton Lopes] Apresentação MLP (12)

Redes neurais
Redes neuraisRedes neurais
Redes neurais
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
RNA - Redes neurais artificiais
RNA - Redes neurais artificiaisRNA - Redes neurais artificiais
RNA - Redes neurais artificiais
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
IA Redes Neurais Artificiais
IA Redes Neurais ArtificiaisIA Redes Neurais Artificiais
IA Redes Neurais Artificiais
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
1Generalidades - Cópia.pdf
1Generalidades - Cópia.pdf1Generalidades - Cópia.pdf
1Generalidades - Cópia.pdf
 
rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
P910Aula05
P910Aula05P910Aula05
P910Aula05
 
Machine Learning e Redes Neuronais
Machine Learning e Redes NeuronaisMachine Learning e Redes Neuronais
Machine Learning e Redes Neuronais
 

Mais de Ahirton 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
 
[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de AulaAhirton 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
 
[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aulaAhirton Lopes
 
[Jose Ahirton Lopes] IA e para todos
[Jose Ahirton Lopes] IA e para todos[Jose Ahirton Lopes] IA e para todos
[Jose Ahirton Lopes] IA e para todosAhirton Lopes
 
[Jose Ahirton Lopes] O que se espera da tal equipe de dados
[Jose Ahirton Lopes] O que se espera da tal equipe de dados[Jose Ahirton Lopes] O que se espera da tal equipe de dados
[Jose Ahirton Lopes] O que se espera da tal equipe de dadosAhirton Lopes
 
[Jose Ahirton Lopes] Detecção Precoce de Estudantes em Risco de Evasão Usan...
[Jose Ahirton Lopes]   Detecção Precoce de Estudantes em Risco de Evasão Usan...[Jose Ahirton Lopes]   Detecção Precoce de Estudantes em Risco de Evasão Usan...
[Jose Ahirton Lopes] Detecção Precoce de Estudantes em Risco de Evasão Usan...Ahirton Lopes
 
[Jose Ahirton Lopes] Transfer Learning e GANS 101
[Jose Ahirton Lopes] Transfer Learning e GANS 101[Jose Ahirton Lopes] Transfer Learning e GANS 101
[Jose Ahirton Lopes] Transfer Learning e GANS 101Ahirton Lopes
 
[Jose Ahirton Lopes] GANs 101
[Jose Ahirton Lopes] GANs 101[Jose Ahirton Lopes] GANs 101
[Jose Ahirton Lopes] GANs 101Ahirton Lopes
 
Aula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAhirton Lopes
 
[Jose Ahirton Lopes] Transfer Learning e GANs 101
[Jose Ahirton Lopes] Transfer Learning e GANs 101[Jose Ahirton Lopes] Transfer Learning e GANs 101
[Jose Ahirton Lopes] Transfer Learning e GANs 101Ahirton Lopes
 
[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de AulaAhirton Lopes
 
[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aulaAhirton Lopes
 
[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados
[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados
[Jose Ahirton Lopes] O que se espera do tal Cientista de DadosAhirton Lopes
 
[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better DataAhirton Lopes
 
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem VisualAhirton Lopes
 
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOTAhirton Lopes
 
[Aula 01] School of AI SP - Back to Basics
[Aula 01] School of AI SP - Back to Basics[Aula 01] School of AI SP - Back to Basics
[Aula 01] School of AI SP - Back to BasicsAhirton Lopes
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem VisualAhirton Lopes
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem VisualAhirton Lopes
 

Mais de Ahirton Lopes (20)

[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] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula
 
[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] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula
 
[Jose Ahirton Lopes] IA e para todos
[Jose Ahirton Lopes] IA e para todos[Jose Ahirton Lopes] IA e para todos
[Jose Ahirton Lopes] IA e para todos
 
[Jose Ahirton Lopes] O que se espera da tal equipe de dados
[Jose Ahirton Lopes] O que se espera da tal equipe de dados[Jose Ahirton Lopes] O que se espera da tal equipe de dados
[Jose Ahirton Lopes] O que se espera da tal equipe de dados
 
[Jose Ahirton Lopes] Detecção Precoce de Estudantes em Risco de Evasão Usan...
[Jose Ahirton Lopes]   Detecção Precoce de Estudantes em Risco de Evasão Usan...[Jose Ahirton Lopes]   Detecção Precoce de Estudantes em Risco de Evasão Usan...
[Jose Ahirton Lopes] Detecção Precoce de Estudantes em Risco de Evasão Usan...
 
[Jose Ahirton Lopes] Transfer Learning e GANS 101
[Jose Ahirton Lopes] Transfer Learning e GANS 101[Jose Ahirton Lopes] Transfer Learning e GANS 101
[Jose Ahirton Lopes] Transfer Learning e GANS 101
 
[Jose Ahirton Lopes] GANs 101
[Jose Ahirton Lopes] GANs 101[Jose Ahirton Lopes] GANs 101
[Jose Ahirton Lopes] GANs 101
 
Aula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neuraisAula1 mba fiap_2018_redes_neurais
Aula1 mba fiap_2018_redes_neurais
 
[Jose Ahirton Lopes] Transfer Learning e GANs 101
[Jose Ahirton Lopes] Transfer Learning e GANs 101[Jose Ahirton Lopes] Transfer Learning e GANs 101
[Jose Ahirton Lopes] Transfer Learning e GANs 101
 
[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula[Jose Ahirton Lopes] ML na Sala de Aula
[Jose Ahirton Lopes] ML na Sala de Aula
 
[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula[Jose Ahirton Lopes] ML na sala de aula
[Jose Ahirton Lopes] ML na sala de aula
 
[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados
[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados
[Jose Ahirton Lopes] O que se espera do tal Cientista de Dados
 
[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data
 
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem Visual
 
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOT
 
[Aula 01] School of AI SP - Back to Basics
[Aula 01] School of AI SP - Back to Basics[Aula 01] School of AI SP - Back to Basics
[Aula 01] School of AI SP - Back to Basics
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
 
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
 

[José Ahirton Lopes] Apresentação MLP

  • 1. Redes neurais artificias, o que são (e onde vivem)? MSc. José Ahirton Batista Lopes Filho São Paulo, 01 de fevereiro de 2018
  • 3. Motivação Básica A mente humana, diferente dos computadores digitais, possui uma habilidade notável para processar e armazenar informação imprecisa, parcial, ambígua e pouco estruturada.
  • 4. Motivação Básica O cérebro é capaz de perceber regularidades no meio e gerar abstrações que capturam a estrutura destas regularidades, possibilitando a predição de observações futuras e o planejamento de ações visando o atendimento de múltiplos objetivos.
  • 5. O Cérebro  Características incríveis do cérebro:  Adaptabilidade por intermédio de aprendizado.  Comportamento sensível ao contexto.  Tolerância a erro.  Capacidade de operar com conhecimento parcial.  Grande capacidade de memória (acessada por conteúdo).  Capacidade de processamento paralelo e em tempo real.
  • 6. O Cérebro  O órgão mais complexo do corpo humano, com uma imensa quantidade de células nervosas interconectadas com ramificações que se estendem desde o cérebro até as partes mais distantes, como a ponta dos dedos dos pés.  O cérebro é especialista em desempenhar funções importantes, tais como reconhecimento de padrões, controle motor, percepção, inferência, intuição, adivinhações, etc.  É capaz de armazenar e processar informação e capaz de manipular os estímulos do ambiente (externo e interno)
  • 7. O Sistema Nervoso Moléculas Sinapses Neurônios Rede Neural Mapas Sistemas Sistema Nervoso
  • 9. Os Neurônios  Unidades básicas de processamento do cérebro.  Células com a função específica de receber, processar e enviar informação a outras partes do organismo. Dendrito Corpo da Célula (soma) Núcleo Axônio Sinapses
  • 10. Os Neurônios  Os neurônios recebem sinais de outros neurônios por meio dos dendritos (receptores) e transmitem o sinal gerado pelo corpo celular ao longo do axônio (potenciais elétricos ou potenciais de ação).  Os neurônios são conectados por meio de conexões sinápticas (sinapses).  Quando um impulso chega à sinapse, estimula a liberação de substâncias químicas (neurotransmissores) que se espalham pela fenda sináptica para estimular ou inibir a emissão de impulsos elétricos pelo neurônio receptor.
  • 11. Os Neurônios  A natureza do processamento de informações nos neurônios é eletroquímica:  A transmissão de impulsos nervosos dentro do neurônio é um processo de natureza elétrica:  Os sinais viajam através dos axônios em forma de potenciais de ação – potenciais elétricos breves.  A transmissão sináptica é efetivada por meio de um processo de natureza química, realizado pela ação de neurotransmissores.
  • 12. Redes Neurais Artificiais Redes neurais artificiais podem ser entendidas como estruturas de processamento matemático desenvolvidas com inspiração no sistema nervoso humano e que têm como objetivo principal solucionar problemas complexos.
  • 13. A Rede Neural  De maneira geral, é uma máquina projetada para modelar a maneira como o cérebro realiza uma tarefa particular.  É composta por unidades de processamento simples capazes de processar informação e armazenar o conhecimento adquirido com as experiências passadas.  Possui três princípios básicos:  O conhecimento é adquirido (do ambiente) pela rede por meio de um processo de aprendizado;  Os pesos das conexões entre neurônios, conhecidos como pesos sinápticos, são utilizados para armazenar o conhecimento adquirido;  Uma função de ativação g() é responsável por definir a ativação de saída do neurônio em termos do seu nível de ativação interna. Normalmente o sinal de ativação do neurônio pertence ao intervalo (0, 1) ou (-1, 1).
  • 15. Multiplayer Perceptron  Um perceptron multicamadas (MLP) é uma rede neural com mais de uma camada de neurônios em alimentação direta.  Tal tipo de rede é composta por camadas de neurônios ligadas entre si por sinapses com pesos. O aprendizado nesse tipo de rede é geralmente feito através do algoritmo de retro-propagação do erro (backpropagation).
  • 16. Backpropagation  1. Inicialização. Inicialize os pesos da rede aleatoriamente ou segundo algum método.  2. Processamento direto. Apresente um padrão à rede. Compute as ativações de todos os neurônios da rede e então calcule o erro.  3. Passo reverso. Calcule os novos pesos para cada neurônio da rede, no sentido retroativo (isto é, da saída para a entrada), camada a camada.  4. Teste de parada. Teste o critério de parada adotado. Se satisfeito, termine o algoritmo;  5. senão volte ao passo 2.
  • 17. Camada Sigmoide / Camada Softmax  A função de ativação softmax é usada em redes neurais de classificação. Ela força a saída de uma rede neural a representar a probabilidade dos dados serem de uma das classes definidas. Sem ela as saídas dos neurônios são simplesmente valores numéricos onde o maior indica a classe vencedora.
  • 18. MNIST  O banco de dados MNIST de dígitos manuscritos, disponível nesta página, possui um conjunto de treinamento de 60.000 exemplos e um conjunto de testes de 10.000 exemplos. É um subconjunto de um conjunto maior disponível no NIST. Os dígitos foram normalizados em tamanho e centrados em uma imagem de tamanho fixo (LeCun et al., 1998).
  • 19. Aplicações  Processamento de Imagens  Reconhecimento de Padrões  Robótica  Games  Arte  Análise e Mineração de Dados  Medicina  Segurança  Economia e Finanças  Meteorologia  Aproximação de função e predição de séries temporais  Entre outras
  • 20. Redes Neurais Artificiais  Benefícios das Redes Neurais Artificiais (Haykin, Simon S., et al., 2009)  Mapeamento de entradas e saídas  Adaptabilidade  Tolerância a falhas  Uniformidade de análise e projeto  Analogia neurobiológica
  • 21. “É preciso provocar sistematicamente confusão. Isso promove a criatividade. Tudo aquilo que é contraditório gera vida ” Salvador Dalí