Este documento discute redes neurais artificiais, incluindo neurônios naturais e artificiais, o histórico do desenvolvimento de redes neurais, perceptrons, redes perceptron multicamadas e backpropagation. Exemplos recentes de aplicações de redes neurais como Neurogrid, redes sonhadoras do Google e sistemas de reconhecimento de voz e imagens também são discutidos.

1. REDES NEURAIS ARTIFICIAIS
Edmilson Neto

2. Agenda
• Introdução
• Neurônio natural
• Histórico
• Neurônio artificial
• Perceptron
• Perceptron Multicamada
• Backpropagation
• Exemplos recentes
• Conclusão
• Referências bibliográficas

3. Introdução
• Capacidade cognitiva do ser humano
• O neurônio natural
• Inteligência humana
• Neurônios artificiais
• Aplicabilidade

4. Neurônio natural

5. Neurônio natural
• Corpo celular e núcleo (soma)
Onde são realizadas reações químicas e elétricas
(processamento das informações).
•Axônio
Responsável pelo transporte das informações processadas pela
soma.
•Arborização terminal
Distribuem as informações processadas para outros neurônios.

6. Neurônio natural
• Dendrites
Recebe conexões de outros neurônios.
• Sinapse
Conexões entre neurônios.

7. Neurônio natural
• Robustez e tolerância a falhas
• Capacidade de aprendizagem
• Processamento de informação incerta
• Paralelismo

8. Histórico
• 1936 - Maquina de Turing (Máquina Universal).
• 1940 - Pato de Voucanson (Von Neumann)
• 1943 - Primeiro modelo - Macculloch and Pitts (MIT - Instituto
Tecnológico de Massachusetts)
• 1951 - Neuro computador Snark (Mavin Minsky)
• 1956 - Inteligência artificial Simbólica e Conexionista
• 1958 - Perceptron - Rosenblatt (simulados em um computador
IBM 704)
• 1960 - ADALINE - Widrow and Hoff (Mark I)
• 1969 - Publicação do Livro Perceptrons (Minsky e Papert)

9. Histórico
• 1970 - Publicações Pessimistas
• 1986 - Backpropagation (Rumelhart, Hilton & Willians)
• Identificação da estrutura das proteínas
• Hifenização de palavras em inglês
• Reconhecimento de fala
• Previsão do tempo

10. Neurônios Artificiais
• Imitam as principais características e funcionalidades do
neurônio humano
• Mesmo com algum componente danificado, continuam
fornecendo informações aceitáveis devido à sua arquitetura
redundante
• Tem a capacidade de aprender através da fase de
aprendizagem
• Reconhecimento de padrões
• Dependendo do hardware pode fornecer informações em
real time

11. Neurônios Artificiais
•Tipos de rede
• Feedfoward
• Recurrent

12. Neurônios Artificiais
Tipos de aprendizagem:
• Supervisionada
• Não supervisionada (Auto organização)
• Por reforço

13. Perceptron
• Capaz de classificar classes linearmente separáveis
• Aplicado em :
• Reconhecimento de caracteres
• Detecção de falhas em processos
• Identificação de pessoas (Iris, Voz, Digital)
• Diagnóstico médico
• Data mining
• Previsão em teclados virtuais
• Aproximação de funções
• Classificações

14. Perceptron
• Utiliza pesos para chegar ao resultado desejado
• Utiliza a função do modelo de Macculloch e Pitts

15. Rede Perceptron
Pesos sinápticos
Sinais de entrada

16. Rede Perceptron
• Função de agregação
u = (xi * wi ) - Θ
• Função de ativação
y = (u >= 0) ? 1 : 0

17. Perceptron
Exemplos de funções de ativação
• Degrau
• Degrau bipolar
• Sigmoide

18. Perceptron
Classifica classes separáveis linearmente

19. Perceptron
Não classifica classes não separáveis linearmente

20. Perceptron
• Exemplo de classes separáveis linearmente
Sinal 1 (x) Sinal 2 (y) Saída (x OR y)
0 0 0 (Vermelho)
0 1 1 (Verde)
1 0 1 (Verde)
1 1 1 (Verde)
Representação dos Sinais e Saídas
y
x0
1
0 1
Representação dos Sinais, Saídas e
Possíveis Retas (Soluções)
y
x0
1
0 1

21. Perceptron
• Exemplo de classes não separáveis linearmente
Sinal 1 (x) Sinal 2 (y) Saída (x XOR y)
0 0 0 (Vermelho)
0 1 1 (Verde)
1 0 1 (Verde)
1 1 0 (Vermelho)
Representação dos Sinais e Saídas
y
x0
1
0 1
Representação dos Sinais, Saídas e
Impossível Separar Linearmente
y
x0
1
0 1

22. Perceptron
Processo de treinamento

23. Perceptron
• Processo de treinamento
• n = Constante de taxa de aprendizado (0 < n < 1)
• y = Valor de saída produzido pelo perceptron
• d^(k) = Valor desejado para k-ésima amostra de
treinamento
• x^(k) = Valor da amostra de treinamento
• w = Vetor contendo os pesos

24. Perceptron
Processo de ajuste dos pesos
w atual = w anterior + n * (dˆ(k) - y) * xˆ(k)

25. Rede Perceptron
Algoritmo de treinamento (regra delta)

26. Rede Perceptron
Algoritmo de operação

27. Rede Perceptron
Exemplo de execução
x1
(Fósforo - mg)
x2
(Acidez - mg)
x3
(Cálcio - mg)
Classe (1 = tangerina)
(-1 = laranja)
0,1 0,4 0,7 1
0,5 0,7 0,1 1
0,6 0,9 0,8 -1
0,3 0,7 0,2 -1
Tangerina
Laranja

28. Perceptron Multicamada e
Backpropagation
Era conhecido que a adição de mais camadas poderia resolver os problemas que o
perceptron single layer não conseguia
Mas não se conhecia um método de adaptação dos pesos para o perceptron mult layer
Os Valores de saída são comparados com a resposta correta e o resultado
armazenado em uma função de erro
Utiliza uma função sigmoide como função de ativação

29. Perceptron Multicamada e
Backpropagation
Pode ser aplicada em:
• Previsões
• Controle automático
• Identificação de plantas
• Aproximação universal de funções

30. Neurogrid
Capaz de emular o cerebro humano
Utiliza pouca energia
Capaz de simular 1.000.000 de neurônios
Um cérebro de um rato opera 9.000x mais rápido que um
computador convencional
Um cérebro humano opera infinitas vezes mais rápido
que o mais potente super-computador quântico, utilizando
bem menos energia
Pode ser utilizado em próteses conectadas ao córtex

31. Neurogrid

32. Miniaturas Youtube

33. Rede Sonhadora Google

34. Rede Sonhadora Google

35. Rede Sonhadora Google

36. Gmail

37. Google Photos

38. Conclusão
As RNAs podem ser utilizadas para resolver a maioria
dos problemas que podem ser modelados
computacionalmente, porém não devem ser utilizadas para
todos estes problemas, devem ser utilizadas para resolver
problemas que não possuem uma outra solução
conhecida.

39. Referências bibliográficas
• Introdução a redes neurais artificiais (IA);
https://www.youtube.com/playlist?list=PLb2oL4vcRzBP
G-Q-S2xxqtQqRf1iwy6yT, Acesso em 09/08/2015
• Neurogrid: conheça o microchip que simula o cérebro
humano, Eduardo Harada;
http://www.tecmundo.com.br/tecnologia/54056-
neurogrid-conheca-o-microchip-que-simula-o-cerebro-
humano.htm, Acesso em 10/08/2015
• Silva, I. N; Redes Neurais Artificiais para engenharia e
ciências aplicadas
• Thomas W. Rauber; Redes Neurais Artificiais, UFES.