SlideShare uma empresa Scribd logo
1 de 61
Aprendizado de Máquina Cristiane Neri Nobre
Aprendizado de Máquina ,[object Object],Um programa aprende a partir da experiência  E ,  em  relação a uma classe de tarefas  T , com me- dida de desempenho  P , se seu desempenho em  T ,  medido por  P , melhora com  E   Mitchell, 1997
AM – Conceitos Básicos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
AM – Conceitos Básicos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
AM – Conceitos Básicos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
AM – Conceitos Básicos g 1  g 2     g j   g N-1 g N Padrão 1 Padrão 2 Padrão 3 Padrão i Padrão m Característica Câncer Normal Câncer Classe
AM – Conceitos Básicos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Árvores de Decisão – ADs ,[object Object],[object Object],[object Object],[object Object],[object Object]
ADs Contém códon de parada? Não Não-gene Sim Códon de parada  downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim
ADs Contém códon de parada? Não Não-gene Sim Códon de parada  downstream ? Não-gene Não Sim Nós internos correspondem a testes  Ramos são  resultados dos testes Folhas fornecem  classificações
ADs Contém códon de parada? Não Não-gene Sim Códon de parada  downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim Novo padrão:   Contém códon de parada  dowstream  e    tamanho da seqüência é menor que limiar
ADs – treinamento ,[object Object],[object Object],[object Object],[object Object],[object Object]
ADs – treinamento Considere a tarefa de aprendizado representada pelos exemplos de treinamento na tabela abaixo, em que o objetivo é prever o atributo  PlayTenis   baseando-se  nos outros atributos. Construa uma AD.
ADs – treinamento
ADs – treinamento
ADs - conclusão ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Algumas Ferramentas para extração de ADs ,[object Object],[object Object],[object Object],[object Object],[object Object]
Redes Neurais Artificiais ,[object Object],[object Object],[object Object],[object Object]
O que são RNAs? ,[object Object],[object Object],[object Object],[object Object]
O que são RNAs? ,[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Características das RNAs ,[object Object],[object Object],[object Object],[object Object]
Potenciais áreas de aplicação das RNAs ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Breve histórico ,[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Década de 70: Pouca atividade ,[object Object],[object Object],[object Object]
Década de 70: Pouca atividade ,[object Object],[object Object],[object Object]
Década de 80: A segunda onda ,[object Object],[object Object]
Tendências atuais ,[object Object],[object Object]
Conceitos básicos ,[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],  Conceitos Fundamentais
O neurônio de McCulloch-Pitts
Neurônio de McCulloch-Pitts
Exercício
Solucão
Aprendizado ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
Aprendizado supervisionado ,[object Object],[object Object],[object Object],[object Object],[object Object]
Aprendizado por reforço ,[object Object],[object Object],[object Object],[object Object]
Aprendizado por reforço ,[object Object],[object Object],[object Object],[object Object]
Aprendizado não supervisionado ,[object Object],[object Object]
Perceptron Perceptron Simples
Perceptron -  Características ,[object Object],[object Object],[object Object],[object Object]
Algoritmo do Perceptron ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Perceptron - Conclusões ,[object Object],[object Object],[object Object]
Perceptron - Conclusões ,[object Object]
Algoritmo Backpropagation - MLP ,[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],Algoritmo Backpropagation - Considerações
[object Object],[object Object]
[object Object]
[object Object],[object Object],  Exemplos
Defina valor de ; Repita Para cada par {v, t} Calcule a saída y apresentando v nas entradas; Se y<>t então w(n+1) = w(n) + (t-y)v   Senão w(n+1) = w(n); Fim Fim para Até erro < Tolerância Exemplo - Algoritmo Geral
Padrões de Entrada Exemplo - Reconhecimento de Caracter
Exemplo - Reconhecimento de Caracter Variações nos padrões de Entrada
Exemplo - Reconhecimento de Caracter Variações nos padrões de entrada
Parâmetros: ta=0.1, num_ep=3000, tol=0.0001)   Exemplo - Aproximador de Funções
  Exemplo - Aproximador de Funções Gráfico de erro
[object Object],[object Object],[object Object],Ferramentas

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
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogRaquel Machado
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais ArtificiaisMarcos Castro
 
Aprendizagem Supervisionada II
Aprendizagem Supervisionada IIAprendizagem Supervisionada II
Aprendizagem Supervisionada IILuís Nunes
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep LearningCristian Muñoz
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
Meta-aprendizado para otimização de parâmetros de redes neurais
Meta-aprendizado para otimização de parâmetros de redes neuraisMeta-aprendizado para otimização de parâmetros de redes neurais
Meta-aprendizado para otimização de parâmetros de redes neuraisOrlando Junior
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neuraisLeo Laurett
 
Representação do conhecimento (rc)
Representação do conhecimento (rc)Representação do conhecimento (rc)
Representação do conhecimento (rc)iaudesc
 
Aprendizado Profundo & CNNs
Aprendizado Profundo & CNNsAprendizado Profundo & CNNs
Aprendizado Profundo & CNNsFabio Spanhol
 
Generalização, validação e comparação de resultados
Generalização, validação e comparação de resultadosGeneralização, validação e comparação de resultados
Generalização, validação e comparação de resultadosLuís Nunes
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
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
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais ArtificiaisRicardo Zalla
 
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
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRenato Ximenes
 

Mais procurados (20)

Capitulo 3 redes neurais artificiais
Capitulo 3   redes neurais artificiaisCapitulo 3   redes neurais artificiais
Capitulo 3 redes neurais artificiais
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encog
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais Artificiais
 
Aprendizagem Supervisionada II
Aprendizagem Supervisionada IIAprendizagem Supervisionada II
Aprendizagem Supervisionada II
 
Deep Learning
Deep LearningDeep Learning
Deep Learning
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep Learning
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
Meta-aprendizado para otimização de parâmetros de redes neurais
Meta-aprendizado para otimização de parâmetros de redes neuraisMeta-aprendizado para otimização de parâmetros de redes neurais
Meta-aprendizado para otimização de parâmetros de redes neurais
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neurais
 
Apresentacao
ApresentacaoApresentacao
Apresentacao
 
Representação do conhecimento (rc)
Representação do conhecimento (rc)Representação do conhecimento (rc)
Representação do conhecimento (rc)
 
Aprendizado Profundo & CNNs
Aprendizado Profundo & CNNsAprendizado Profundo & CNNs
Aprendizado Profundo & CNNs
 
Generalização, validação e comparação de resultados
Generalização, validação e comparação de resultadosGeneralização, validação e comparação de resultados
Generalização, validação e comparação de resultados
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
Modelos de previsão de Ocorrências
Modelos de previsão de OcorrênciasModelos de previsão de Ocorrências
Modelos de previsão de Ocorrências
 
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
 
Redes Neurais Artificiais
Redes Neurais ArtificiaisRedes Neurais Artificiais
Redes Neurais Artificiais
 
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 ...
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzy
 

Semelhante a 160277 redes neurais artificiais

Aprendizagem Automática
Aprendizagem AutomáticaAprendizagem Automática
Aprendizagem Automáticabutest
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasFabio Spanhol
 
Aprendizado de Máquina em Linguagem Natural
Aprendizado de Máquina em Linguagem NaturalAprendizado de Máquina em Linguagem Natural
Aprendizado de Máquina em Linguagem NaturalBeatriz Albiero
 
Introdução à Aprendizagem de Máquina
Introdução à Aprendizagem de MáquinaIntrodução à Aprendizagem de Máquina
Introdução à Aprendizagem de MáquinaFernando Palma
 
topico_4.3_redes_RBF.pdf
topico_4.3_redes_RBF.pdftopico_4.3_redes_RBF.pdf
topico_4.3_redes_RBF.pdfDenicaLima
 
Sistemas Especialistas
Sistemas EspecialistasSistemas Especialistas
Sistemas Especialistaselliando dias
 
Aprendizado de máquina
Aprendizado de máquinaAprendizado de máquina
Aprendizado de máquinaparasite
 
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive BayesAhirton Lopes
 
Rede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesRede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesAdilmar Dantas
 
Redes Bayesianas para Recuperação de Informação Estruturada
Redes Bayesianas para Recuperação de Informação EstruturadaRedes Bayesianas para Recuperação de Informação Estruturada
Redes Bayesianas para Recuperação de Informação EstruturadaAdolfo Neto
 
Aprendizado de Máquina
Aprendizado de MáquinaAprendizado de Máquina
Aprendizado de Máquinabutest
 
Algoritmos genéticos: princípios e aplicações
Algoritmos genéticos: princípios e aplicaçõesAlgoritmos genéticos: princípios e aplicações
Algoritmos genéticos: princípios e aplicaçõesXequeMateShannon
 
Prof. Dr. Fabrício Härter
Prof. Dr. Fabrício HärterProf. Dr. Fabrício Härter
Prof. Dr. Fabrício HärterDafmet Ufpel
 
Aprendizagem Não-Supervisionada
Aprendizagem Não-SupervisionadaAprendizagem Não-Supervisionada
Aprendizagem Não-SupervisionadaLuís Nunes
 
Análise de Técnicas Computacionais para Classificação de Emoções
Análise de Técnicas Computacionais para Classificação de EmoçõesAnálise de Técnicas Computacionais para Classificação de Emoções
Análise de Técnicas Computacionais para Classificação de EmoçõesAdilmar Dantas
 
Aprendizagem Supervisionada I
Aprendizagem Supervisionada IAprendizagem Supervisionada I
Aprendizagem Supervisionada ILuís Nunes
 
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...Tchelinux
 
Machine Learning e Artificial Intelligence para desenvolvedores .NET
Machine Learning e Artificial Intelligence para desenvolvedores .NETMachine Learning e Artificial Intelligence para desenvolvedores .NET
Machine Learning e Artificial Intelligence para desenvolvedores .NETRenato Haddad
 
Introducao inteligenciaartificial
Introducao inteligenciaartificialIntroducao inteligenciaartificial
Introducao inteligenciaartificialEsther Camilo
 

Semelhante a 160277 redes neurais artificiais (20)

Aprendizagem Automática
Aprendizagem AutomáticaAprendizagem Automática
Aprendizagem Automática
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
 
Aprendizado de Máquina em Linguagem Natural
Aprendizado de Máquina em Linguagem NaturalAprendizado de Máquina em Linguagem Natural
Aprendizado de Máquina em Linguagem Natural
 
Introdução à Aprendizagem de Máquina
Introdução à Aprendizagem de MáquinaIntrodução à Aprendizagem de Máquina
Introdução à Aprendizagem de Máquina
 
topico_4.3_redes_RBF.pdf
topico_4.3_redes_RBF.pdftopico_4.3_redes_RBF.pdf
topico_4.3_redes_RBF.pdf
 
Sistemas Especialistas
Sistemas EspecialistasSistemas Especialistas
Sistemas Especialistas
 
Aprendizado de máquina
Aprendizado de máquinaAprendizado de máquina
Aprendizado de máquina
 
C# 8 e ML.NET
C# 8 e ML.NETC# 8 e ML.NET
C# 8 e ML.NET
 
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes
[José Ahirton Lopes] Treinamento - Árvores de Decisão, SVM e Naive Bayes
 
Rede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de FacesRede Neural MLP para reconhecimento de Faces
Rede Neural MLP para reconhecimento de Faces
 
Redes Bayesianas para Recuperação de Informação Estruturada
Redes Bayesianas para Recuperação de Informação EstruturadaRedes Bayesianas para Recuperação de Informação Estruturada
Redes Bayesianas para Recuperação de Informação Estruturada
 
Aprendizado de Máquina
Aprendizado de MáquinaAprendizado de Máquina
Aprendizado de Máquina
 
Algoritmos genéticos: princípios e aplicações
Algoritmos genéticos: princípios e aplicaçõesAlgoritmos genéticos: princípios e aplicações
Algoritmos genéticos: princípios e aplicações
 
Prof. Dr. Fabrício Härter
Prof. Dr. Fabrício HärterProf. Dr. Fabrício Härter
Prof. Dr. Fabrício Härter
 
Aprendizagem Não-Supervisionada
Aprendizagem Não-SupervisionadaAprendizagem Não-Supervisionada
Aprendizagem Não-Supervisionada
 
Análise de Técnicas Computacionais para Classificação de Emoções
Análise de Técnicas Computacionais para Classificação de EmoçõesAnálise de Técnicas Computacionais para Classificação de Emoções
Análise de Técnicas Computacionais para Classificação de Emoções
 
Aprendizagem Supervisionada I
Aprendizagem Supervisionada IAprendizagem Supervisionada I
Aprendizagem Supervisionada I
 
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...
Data Mining e Machine Learning com Python - Mateus Grellert - Tchelinux Pelot...
 
Machine Learning e Artificial Intelligence para desenvolvedores .NET
Machine Learning e Artificial Intelligence para desenvolvedores .NETMachine Learning e Artificial Intelligence para desenvolvedores .NET
Machine Learning e Artificial Intelligence para desenvolvedores .NET
 
Introducao inteligenciaartificial
Introducao inteligenciaartificialIntroducao inteligenciaartificial
Introducao inteligenciaartificial
 

160277 redes neurais artificiais

  • 1. Aprendizado de Máquina Cristiane Neri Nobre
  • 2.
  • 3.
  • 4.
  • 5.
  • 6. AM – Conceitos Básicos g 1 g 2 g j g N-1 g N Padrão 1 Padrão 2 Padrão 3 Padrão i Padrão m Característica Câncer Normal Câncer Classe
  • 7.
  • 8.
  • 9. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim
  • 10. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Não-gene Não Sim Nós internos correspondem a testes Ramos são resultados dos testes Folhas fornecem classificações
  • 11. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim Novo padrão: Contém códon de parada dowstream e tamanho da seqüência é menor que limiar
  • 12.
  • 13. ADs – treinamento Considere a tarefa de aprendizado representada pelos exemplos de treinamento na tabela abaixo, em que o objetivo é prever o atributo PlayTenis baseando-se nos outros atributos. Construa uma AD.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32. O neurônio de McCulloch-Pitts
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49.
  • 50.
  • 51.
  • 52.
  • 53.
  • 54.
  • 55. Defina valor de ; Repita Para cada par {v, t} Calcule a saída y apresentando v nas entradas; Se y<>t então w(n+1) = w(n) + (t-y)v Senão w(n+1) = w(n); Fim Fim para Até erro < Tolerância Exemplo - Algoritmo Geral
  • 56. Padrões de Entrada Exemplo - Reconhecimento de Caracter
  • 57. Exemplo - Reconhecimento de Caracter Variações nos padrões de Entrada
  • 58. Exemplo - Reconhecimento de Caracter Variações nos padrões de entrada
  • 59. Parâmetros: ta=0.1, num_ep=3000, tol=0.0001) Exemplo - Aproximador de Funções
  • 60. Exemplo - Aproximador de Funções Gráfico de erro
  • 61.