Redes Neurais Artificiais (RNA): Introdu

1
Redes Neurais Artificiais (RNA) Introdução
Disciplina Inteligência Artificial
CONTEÚDO (1) Introdução (2) Histórico (3) Redes e
Neurônios Biológicos (4) Neurônios
Artificiais (5) Funções de Ativação (6)
Principais Arquiteturas
2
(1) Introdução

• Ressurgiu no final da década de 80
• Conexionismo Computação não algorítmica
• Lembram a estrutura de um cérebro.
• Sistemas paralelos distribuídos, compostos por
  unidades de processamento (nodos), que calculam
  funções matemáticas!
• Unidades compostas em camadas e interligadas por
  conexões -gt Inspirado no cérebro humano

3
(1) Introdução

• Solução bastante atrativa
• Desempenho superior às soluções convencionais.
• Fase de Aprendizagem
• Exemplos são apresentados
• Extrai-se características necessárias
• Características utilizadas para gerar respostas
  aos problemas.

4
(1) Introdução

• Capacidade de aprender
• Através de exemplos, generalizando a informação
  aprendida.
• É o maior atrativo das RNAs

5
(2) Histórico

• Primeiro modelo artificial Warren McCulloch e
  Walter Pitts em 1943
• McCulloch - Psiquiatra e Pitts Matemático
• Modelo de Nodos ou nodos MCP
• Discussão em cima dos métodos de aprendizagem.
• Modelo MCP Descrição do modelo artificial.

6
(2) Histórico

• Primeiro trabalho ligado ao aprendizado Donald
  Hebb 1949
• Variação dos pesos de entrada dos nodos
• Utilizado hoje em vários algoritmos de
  aprendizagem
• 1958 Frank Rosenblatt demonstrou que o
  perceptron poderiam classificar certos tipos de
  padrões.

7
(2) Histórico

• Perceptron de 3 camadas
• 1 Valores de Entrada (conexões fixas)
• 2 Recebe os valores de entrada, cuja
  transmissão é ajustável
• 3 Envia as saídas como resposta.
• Faz classificação dividindo o espaço de valores
  em regiões distintas.
• Valores devem ser linearmente separáveis

8
(2) Histórico

• Os conexionistas buscam até hoje
• Projetar RNAs que fossem capazes de fazer
  descobertas interessantes sem a necessidade de
  regras!
• Em 1969 Minsky e Papert descobriram que o
  perceptron não resolvia problemas difíceis de
  aprender(hard learning problems) problemas não
  linearmente separáveis!

9
(2) Histórico

• Problema de tempo e espaço da IA simbólica, logo
  afetaria os conexionistas.
• Anos adormecidos (anos 70), apenas alguns
  trabalhos na área.
• 1982 artigo de John Hopfield estimula a
  retomadas das pesquisas na área.
• Redes neurais de múltiplas camadas poderiam
  resolver os problemas difíceis de aprender.

10
(3) Motivação Redes Biológicas

• Cérebro humano, comunicação de neurônios,
  processamento de informações e comportamento
  conjunto são a base para as RNAs.
• As RNAs tentam reproduzir as funções das redes
  biológicas.
• Mas, pelo menos fisicamente, se diferem bastante.

11
(3) Motivação Redes Biológicas

• Ambos são baseados em unidades de computação
  paralela e distribuídas, que se comunicam via
  conexões sinápticas nervosas.
• As RNAs podem reproduzir com fidelidade funções
  só encontradas no seres humanos.

12
(3) Motivação Neurônios Biológicos

• Neurônios são divididos em 3 seções
• Corpo, dendritos e o axônio.

13
(3) Motivação Neurônios Biológicos

• O efeito das sinapses é variável, dando ao
  neurônio uma capacidade de adaptação.
• Sinais recebidos são passados para o corpo, onde
  são comparados com os outros sinais.
• Se o percentual é suficientemente alto, a célula
  dispara um impulso nervoso!!
• Entradas inibidoras ou excitatórias!

14
(4) Neurônios Artificiais modelo MCP

• Simplificação do que se sabia sobre os neurônios
  biológicos.
• Modelo de n terminais de entrada x1, x2,...,xn
  (dendritos) e apenas uma saída y (axônio).
• Os terminais de entrada possuem pesos associados
  w1, w2,...,wn (que podem ser positivos ou
  negativos excitatórias ou inibitórias)

15
(4) Neurônios Artificiais modelo MCP

• O efeito de uma entrada é dado por xiwi
• Os pesos determinam em que grau o neurônio deve
  considerar sinais de disparo que ocorrem naquela
  conexão.
• Um neurônio biológico dispara quando a soma dos
  impulsos que ele recebe ultrapassa o seu limiar
  de excitação (threshold)

16
(4) Neurônios Artificiais modelo MCP

• É feito a soma de cada xiwi (soma ponderada) e
  decide-se se o neurônio deve ou não disparar
  (saída 1 ou 0).
• No MCP, a ativação é dada pela função de
  ativação, que ativa ou não a saída.

Função de Limiar
17
(4) Neurônios Artificiais modelo MCP

• É considerado que os nodos de cada camada
  disparam sincronamente, todos são avaliados ao
  mesmo tempo.
• Limitações do MCP
• Com apenas 1 camada só resolvem problemas
  linearmente separáveis
• Pesos negativos são mais adequados para
  representar disparos inibidores
• Proposto com pesos fixos, não ajustáveis.

18
(5) Funções de Ativação

• Função DEGRAU Produz saídas ? para os valores
  de x maiores que zero e saída -? para valores de
  x menores que zero.

19
(5) Funções de Ativação

• Outros modelos propostos que produzem uma saída
  qualquer (? 1 ou ? 0)
• Função linear y ax

a número real y saída x - entrada
20
(5) Funções de Ativação

• Função linear restringida, produzindo valores
  constantes em uma faixa -?,?, sendo chamada de
  função RAMPA

21
(5) Funções de Ativação

• Função SIGMOIDAL (S-shape) Utilizadas na
  construção de diversos modelos nas mais diversas
  áreas. Função Sigmoidal Logística

T - representa a suavidade da curva
22
(6) Principais Arquiteturas das RNAs

• Redes com uma única camada de NODOS MCP, só
  resolvem problemas linearmente separáveis.
• Com mais camadas, resolvem outros tipos de
  problemas.
• Parâmetros da arquitetura
• número de camadas da rede
• número de nodos nas camadas
• tipo de conexão entre os nodos
• topologia da rede.

23
(6) Principais Arquiteturas das RNAs

• Número de camadas
• Camada única
• Múltiplas camadas

24
(6) Principais Arquiteturas das RNAs

• Tipos de conexões
• feedforward ou acíclica saída de um nodo não
  pode ser usada como entrada de outro em camada
  inferior ou na mesma camada.

25
(6) Principais Arquiteturas das RNAs

• Tipos de conexões
• feedback ou cíclica a saída de algum neurônio
  pode ser usada como entrada de outro em camada
  inferior ou na mesma camada

Se todas as ligações são cíclicas, a rede é
denominada auto-associativa. Úteis para
recuperação de padrões de entrada.
26
(6) Principais Arquiteturas das RNAs

• Conectividade
• Rede fracamente (ou parcialmente) conectada
• Rede completamente conectada