1) O documento discute redes neurais artificiais e sua aplicação na análise de séries temporais. 2) É apresentado o funcionamento de neurônios naturais e como foram modelados neurônios artificiais. 3) São explicados conceitos-chave como camadas, pesos, função de ativação e aprendizado de máquina no contexto de redes neurais artificiais.

1. PRO910 PLANEJAMENTO E GESTÃO
DA PRODUÇÃO
AULA 05
Prof. Davi das Chagas Neves
Profa. Irce Fernandes Gomes Guimarães

2. “Algumas pessoas acham que vão ficar ricas
estudando a inteligência artificial, eu por
outro lado, ganhei bastante dinheiro
estudando a estupidez humana.”
Carl Icahn
Médico e bilionário americano
Redes Neurais Artificiais: análise de séries temporais

3. Redes Neurais Artificiais: análise de séries temporais
Inteligência Artificial

4. Redes Neurais Artificiais: análise de séries temporais
Um neurônio natural: 1) Dendritos
2) Axônio
3) Corpo celular
Sinal de entradaSinal de saída
O sinal de entrada num neurônio natural normalmente são íons ou moléculas carregadas, denominados
como neurotransmissores, que no axônio ou no corpo celular são processados gerando gradientes
potenciais eletroquímicos entre membranas e canais intracelulares, que a partir de um certo valor
geram um pulso, representado pelo sinal de saída, transmitido aos neurônios posteriores.

5. Redes Neurais Artificiais: análise de séries temporais
Sinapses são zonas ativas de contato entre uma
terminação nervosa (dendritos).
Serotonina
✓ Ao passear por um parque, quando você
olha para um quiosque de sorvete, uma
cadeia de reações químicas é iniciada
liberando serotonina, o que faz você
comprar uma casquinha.
Hormônio do desejo

6. Redes Neurais Artificiais: análise de séries temporais
Neurônio artificial:
Em 1943 o neurônio artificial foi elaborado por Walter Pitts (matemático) e Warren McCulloch (neuroanatomista).

7. Redes Neurais Artificiais: análise de séries temporais
✓ De acordo com a definição exposta no slide anterior, é lógico concluir que esta
ferramenta seja utilizada para a classificação, conforme sua função de ativação.
Peso
Altura
Tamanho
do Pé
Tamanho
da Mão
Sinais de Entrada
SOMA
PONDERADA
Construção da variável de entrada
para a função de ativação.
x F(x)
Função de Ativação
y
y
x
Homens
Mulheres
F(x)
Os pesos da soma são ajustados
iterativamente, até que a saída da
função de ativação esteja adequada à
resposta esperada, este é o processo
de aprendizagem das máquinas
(machine learn).

8. Redes Neurais Artificiais: análise de séries temporais
Voltando à PRO910
Capítulo 9

9. Redes Neurais Artificiais: análise de séries temporais
❖ Redes neurais são normalmente utilizadas para previsões em séries temporais financeiras.
❖ As redes neurais apresentam um custo computacional alto, mas são eficientes na análise de
sistemas autômatos, tornando-as ideais para controlar processos de manufatura.
❖ Devemos salientar que as redes neurais não são onipotentes, portanto estes modelos devem ser
complementados com aqueles que foram apresentados nas aulas anteriores.

10. Redes Neurais Artificiais: análise de séries temporais
❖ Nós vimos que nos modelos de regressão linear as variáveis podem ser transformadas para
simular sistemas não lineares, em redes neurais este instrumento é aprimorado com a utilização
de múltiplas camadas internas (escondidas) de neurônios artificiais.
❖ Mas uma rede neural não possui apenas as camadas internas, como podemos observar na figura
abaixo:

11. Redes Neurais Artificiais: análise de séries temporais
❖ Observando a figura anterior, vamos iniciar nossa discussão pela camada de entrada, na
qual os dados de entrada devem passar por um pré-processamento:
1) Criar preditores derivados: assim como nos modelos de regressão linear e
especialmente os preditores (variáveis de entrada) devem ser elaborados, como as
versões das series laggeds (lê-se legueadas - com lag).
2) Remover linhas perdidas: quando elaboramos as variáveis de entrada introduzindo os
lags nas séries, muitas linhas adquirem valores vazios, o que remete a esta operação.
3) Escalonamento: em redes neurais é pertinente que os valores de entrada e saída
estejam entre [0,1] ou [-1, 1], portanto o escalonamento destas variáveis se faz
necessário.
4) Remover tendências e sazonalidades: mesmo que alguns autores afirmem que as
redes neurais lidam bem com estes comportamentos, é conveniente remover estas
componentes da série. Pode-se utilizar a função decompose().

12. Redes Neurais Artificiais: análise de séries temporais
❖ De acordo com a bibliografia indicada, a linguagem R possui duas bibliotecas que se
complementam muito bem: caret e forecast.
* Na biblioteca caret encontraremos a função avNNet, suas redes neurais podem ser
utilizadas amplamente, para qualquer série temporal, porém o pré-processamento deve
ser implementado no código. Neste curso não abordaremos esta biblioteca.
* Na biblioteca forecast encontraremos a função nnetar, suas redes neurais foram
implementadas para lidar com séries autocorrelacionadas, no entanto, nesta função os
procedimentos de pré-processamentos já estão implementados, facilitando deste modo
nossas atividades.
! Para maiores detalhes, leiam os manuais destas bibliotecas.

13. Redes Neurais Artificiais: análise de séries temporais
❖ Mas o R não faz tudo sozinho, temos que determinar o número de nós
(neurônios) na entrada (input), o número de camadas internas, o número de
nós por camada interna, a função de ativação e número de nós na saída.

14. Redes Neurais Artificiais: análise de séries temporais
nnetar A função nnetar tem quatro argumentos principais: repeats, p, P e size.
✓ O repeats refere-se a quantidade de vezes que a curva será ajustada pela rede neural, o valor
padrão é 20. Processo de aprendizagem.
✓ O valor de p refere-se a ordem do modelo de autorregressão. Vide aula anterior.
✓ O valor de P está relacionado ao lag de sazonalidade da série temporal. Pode ser associado ao
período de uma onda senoidal.
✓ O valor size refere-se ao número de neurônios nas camadas internas da rede neural. Observe os
exemplos seguintes para compreender melhor.
• nnetar utiliza logit como a função de ativação.

15. Redes Neurais Artificiais: análise de séries temporais
Aprendendo com Exemplo

17. Redes Neurais Artificiais: análise de séries temporais
❖ Na linha 23 determinamos o resumo do modelo, no qual estão definidos os
pesos utilizados pelos neurônios nestes cálculos, como foi elucidado.
❖ Na linha 25 são determinadas as diferentes medidas de precisão e dentre estas
escolhemos o RMSE para avaliar nosso modelo.
❑ Pesquise no Google o que é RMSE.

18. Redes Neurais Artificiais: análise de séries temporais
❖ Dados da Série Temporal
❖ Treinamento das Redes
❖ Previsão do Modelo

20. Redes Neurais Artificiais: análise de séries temporais

21. Redes Neurais Artificiais: análise de séries temporais

22. Redes Neurais Artificiais: análise de séries temporais

25. Redes Neurais Artificiais: análise de séries temporais

26. Redes Neurais Artificiais: análise de séries temporais

28. Redes Neurais Artificiais: análise de séries temporais
avNNet Para Casa

29. Redes Neurais Artificiais: análise de séries temporais
❖ Há inúmeras bibliotecas para trabalhar com redes neurais, vamos dar uma olhada na:
neuralnet

30. Redes Neurais Artificiais: análise de séries temporais
❖ Separando meninos de meninas – Slide 7
y
x
Homens
Mulheres
F(x)

31. Redes Neurais Artificiais: análise de séries temporais
Pra normalizar não utilizei a função scale(), você conhece esta função?

32. Redes Neurais Artificiais: análise de séries temporais

33. Redes Neurais Artificiais: análise de séries temporais

34. Redes Neurais Artificiais: análise de séries temporais
H
W
P

35. Redes Neurais Artificiais: análise de séries temporais
Mulheres
Homens

36. ➢ Para casa:
1) Elabore um programa que simula um
neurônio.
2) Faça uma análise de mercado pra
Samsung com redes neurais.
3) Elabore um programa com redes
neurais que separam clientes que
consomem muita e pouco gasolina.
Dica: https://datascienceplus.com/neuralnet-train-and-test-neural-networks-using-r/
Até a próxima pessoal!
Redes Neurais Artificiais: análise de séries temporais