Redes Neurais Artificiais
|
|
- Mario Aveiro
- 5 Há anos
- Visualizações:
Transcrição
1 Rees Neurais Artificiais Profa. Anna Helena Reali Costa POLI PCS/EPUSP Material com contribuições e: Prof. Reinalo A. C. Bianchi, FEI Depto. Engenharia Elétrica Profa. Leliane N. Barros, IME USP Prof. Carlos H. C. Ribeiro, ITA Divisão e Ciência a Computação A estes professores, meus agraecimentos.
2 Objetivos Descrever as características básicas as Rees Neurais Artificiais (RNAs). Descrever o funcionamento e uma RNA. Descrever algumas as principais arquiteturas existentes para RNAs. Exemplificar o uso e RNAs em Reconhecimento e Parões e Controle. 2
3 Motivação Biológica Iéia central: utilizar neurônios biológicos como moelos para neurônios artificiais. Neurônio Biológico: Elemento funamental o sistema nervoso. Diversos tipos. Cérebro humano: relativamente lento, mas com muito paralelismo 0 processaores e KHz caa neurônio se conecta com outros 0 4 Aprenizagem automática! 3
4 Funcionamento simplificao e um Neurônio Biológico Neurônios poem estar em 2 estaos: Ativo ou excitao: envia sinais para outros neurônios por meio o axônio e sinapses. Inativo ou inibio: não envia sinais. Sinapses poem ser e 2 tipos: Excitatórias (excitam o neurônio receptor). Inibitórias (inibem o neurônio receptor). Quano o efeito cumulativo as várias sinapses que chegam a um neurônio excee um valor limite, o neurônio ispara (fica ativo por um períoo) e envia um sinal para outros neurônios. 4
5 O que é uma RNA? É um sistema e processamento e informações esenvolvio a partir e moelos matemáticos simplificaos os neurônios biológicos. Um estilo iferente e computação: processamento istribuío e paralelo Uma arquitetura computacional universal: a mesma estrutura executa muitas funções iferentes Poe aprener novos conhecimentos, portanto, é aaptativo 5
6 Um pouco e História 950s & 960s: Infância Neurônio e McCulloch-Pitts Perceptrons (Rosenblatt) Aaline (Wirow & Hoff) 970s: Os anos negros Minsky an Papert ( MIT ) publicam um livro que põe em úvia a capaciae e aprenizao os perceptrons Rees auto-organizáveis (Kohonen) Teoria e Ressonância Aaptativa (Grossberg & Carpenter) 980s: Entusiasmo renovao Surgimento o algoritmo backpropagation (Werbos) Rees e Hopfiel ( Hopfiel & Tank ) Rees Neocognitron ( Fukushima ), RBF (Broomhea e Lowe) 990s: Amaurecimento - Aplicações no muno real - Teoria computacional a aprenizagem: support vector machines (Vapnik), aprenizao PAC (Anthony e Biggs). 200s: Deep Fever - Deep Learning... Sucesso total 6
7 Aplicações Ientificação e alvos militares: B-52, Boeing 747 e Space Shuttle Autentificação e usuário. Reconhecimento e Faces Exploração e petróleo: Determinação e Litologia Controle e Navegação Autônoma e Veículos: ALVINN at CMU Preição no Mercao Financeiro 7
8 Referências Bibliográficas A Bíblia : Simon Haykin. Neural Networks: A Comprehensive Founation. Livro e IA com bom capítulo e RNAs: Russel e Norvig. Artificial Intelligence: A Moern Approach. Livro e Aprenizagem e Máquina com bom capítulo e RNA: Tom Mitchell. Machine Learning. WCB/McGraw- Hill, 997. Livro em Português: Braga, Luermir e Carvalho. Rees Neurais Artificiais. LTC. 8
9 Rees Neurais Artificiais: Proprieaes Aprenizao: RNA poe moificar seu comportamento em respostas a seu omínio, e forma a prouzir saías consistentes. Generalização: Uma vez treinaa, a resposta e uma RNA poe ser, num certo grau, insensível a pequenas variações (ruíos, istorções) nas suas entraas. Abstração: Algumas RNAs poem extrair um ieal a partir e exemplos imperfeitos na sua entraa. 9
10 Projeto e uma RNA O projeto e uma RNA envolve a eterminação os seguintes parâmetros: Neurônios e função e ativação. Conexões e isposição os neurônios: topologia (arquitetura a ree). Pesos sinápticos: valores (no caso e pesos aprenios) ou o algoritmo e treinamento a ser utilizao e seus parâmetros particulares. Recall: proceimento a ser utilizao como a ree calcula a saía para uma aa entraa? Infelizmente, não existe uma receita única... 0
11 Moelo Biológico Denrites Terminal Branches of Axon Axon
12 Perceptron In x x2 x3 w w2 w3 S net Denrites f(net) Axonθ Terminal Branches of Axon Out xn wn OUT = f net ( ) = #% $ &% Função e ativação : net > 0 : net 0 with net = j w ij In j
13 Perceptron Introuzio por Frank Rosenblatt em 958 Características o Perceptron: Pesos e limiares não são toos iênticos. Pesos poem ser positivos ou negativos. Neurônios são binários e a função e ativação f(net) é [-,]. Mais importante: existe uma regra e aprenizagem.
14 Perceptron Formalmente, o perceptron com função limiar implementa um hiperplano e imensão n, efinio pelas coorenaas x, x2,...xn (entraas) que passa por w.x=net=0 e particiona o espaço n imensional as instâncias e treinamento em uas regiões (corresponentes às uas classes as instâncias) (a ª. Região em w.x>0 e a 2ª., em w.x<0). 4
15 Operação o Perceptron: Exemplo Duas entraas: x, y Dois pesos: w, w 2 Uma entraa e viés (bias): w 0 [ w + w x w y] out = f x y w w 2 w 0 Σ f out w 0 + w x + w2 y = 0 y + w 0 + w x + w2 y > 0 - w 0 + w x + w2 y < 0 x 5
16 Poer e representação os Perceptrons Conseguem representar qualquer função linearmente separável Função linearmente separável: consigo separar as classes com retas (ou planos, ou hiperplanos). neurônio: classes + e A OK A B B Não OK 6
17 Exercício Projete um neurônio tipo Perceptron (Figura ) que calcula a função lógica implicação y = x x2, escrita na Tabela. Tabela x x2 y Figura Neurônio Perceptron. 7
18 Aprener Hipóteses e Funções Aprenizagem: consiste em escolher valores para os pesos w 0,..., w n. O espaço e hipóteses caniatas H é H = {w w R (n+) } É preciso agora efinir algoritmos para encontrar essas hipóteses! e selecionar apenas uma para aotarmos como o sistema e classificação e aos futuros 8
19 Exemplo x y w w 2 w 0 Σ f out Com w 0 = -0,8; w = 0,5; w 2 = 0,5 Qual a função implementaa pelo perceptron? X y out
20 Aprenizao Supervisionao no Perceptron: A regra e atualização os pesos é: w i ç w i + α δ x i One δ = (t o) x i é a entraa, t é o valor esejao (ou a saía correta), o é a saía apresentaa pelo perceptron, α é uma constante pequena (ex: 0.), chamaa taxa (ou coeficiente) e aprenizagem. Funciona para entraas/saías iscretas ou contínuas. 20
21 Comentários sobre a regra e aprenizagem o Perceptron: Se o exemplo é corretamente classificao, o termo. (t o) é igual a zero e nenhuma atualização e pesos é necessária. Se a saía o perceptron é e t =, os pesos aumentam. Se a saía o perceptron é e t =, os pesos iminuem. Se os exemplos forem linearmente separáveis e um pequeno valor for usao para α, a regra é provaa classificar corretamente toos os exemplos e treinamento (isto é, é consistente com os aos e treinamento). 2
22 Limitações o Perceptron com uma camaa Infelizmente, várias funções e interesse não são linearmente separáveis. Por exemplo, o Perceptron não poe representar o XOR (OU exclusivo). X X2 Out b a b 0 c 0 a c 0 X 0 X2 Out = 0 Out = 22
23 Separação em 4 classes: Exemplo Neurônio : separa em classes C e C2 x y w w 2 w 0 Σ f x Neurônio 2: separa em classes C e C2 x y w w 0 Σ f w 2 y 23
24 Separação em 4 classes: Exemplo Dois neurônios: x w w w 0 Σ f x y w 2 w 2 Σ f y w 0 x =+, y =+ classe x =+, y =- classe x =-, y =+ classe x =-, y =- classe 24
25 MLP: Multilayer Perceptrons Conjuntos e Perceptrons arranjaos em iversas camaas. Pelo menos uma camaa esconia. Uma camaa intermeiária é suficiente para aproximar qualquer função contínua. Duas camaas intermeiárias são suficientes para aproximar qualquer função matemática. 25
26 MLP: Multi-layer Perceptrons C X 2 () A (---) compartimentos B (-) Classificação requer 3 linhas iscriminantes que criam 7 compartimentos e 2 regiões e ecisão: uma para e outra para. X Camaa Esconia Solução: Entraas x x 2 A B C Saía out - (---),(--),..,() Classe Classe 2 26
27 Exemplo e Ree MLP x = x 2 = entraas binárias. w = w 2 = w 3 = w 4 = w 5 = e w 6 = -2 f (x.w) = se nível e ativação 0,5, 0 caso contrário. f 2 (x.w) = se nível e ativação,5, 0 caso contrário. x x2 0,5,5-2 x x 2 Out ,5 out Efetue o recall esta ree, completano a tabela. 27
28 Exemplo e Ree MLP x = x 2 = entraas binárias. w = w 2 = w 3 = w 4 = w 5 = e w 6 = -2 f (x.w) = se nível e ativação 0,5, 0 caso contrário. f 2 (x.w) = se nível e ativação,5, 0 caso contrário. x x2 0,5,5-2 x x 2 Out ,5 out Consegui uma ree para o XOR!!! 28
29 Tipos e Função e Ativação Função Limiar Função Sigmoie Out Out = if net > θ = 0 if net < θ Out Out = exp (-λ.net) 0 θ net 0 net Out Out = if net > θ Função Logística 0 θ net = - if net < θ Out Out = tanh(λ.net) - 0 net - Função Tangente Hiperbólica 29
30 MLP Sigmóie Neurônio com função e ativação limiar sigmóie: σ ( net) = ou σ ( net) = tanh( net) net + e σ ( x) σ ( x) + e = x = tanh σ ʹ ( x) = σ ( x) ( σ ( x) ) ( ) 2 ( x) σ ʹ ( x) = σ 2 ( x) erivaa Proprieae Interessante 30
31 Como treinar um MLP? Descia o graiente: Aprene w i s que minimizam erro quarático com o conjunto e treinamento: o E [ w! ] = ( t o 2 D 2 ) x x D = aos e treinamento 3
32 Descia o Graiente (camaa, 2 entraas)! E[ w] = ( t o 2 ε D 2 ) η positivo neurônio com 2 entraas (e ois pesos, w0 e w) Graiente:! Regra: Δw = η E[w]! E E E E [ w] =,,..., w0 w! Δw i w n E = η w i Pois eseja-se mover o vetor e peso na ireção que o erro E iminui 32
33 33 Descia o Graiente (uma camaa) i i i i i i i x x w x w o t x w w o t x w t w o t o t w o t o t w o t w w E, 2 2 )) ( )( ( ) ( )) ( )( ( )) ( ( ) ( ) ( ) 2( 2 ) ( 2 ) ( 2!!!!!!!! = = = = = = σ σ σ σ o o
34 Descia o graiente: várias saías O erro agora eve ser reefinio para k saías: E [ w! ] = 2 D ( t k k saias o k 2 ) D = aos e treinamento Saías a ree 34
35 Algoritmo Backpropagation (I) Para ree com camaa esconia com n hi uniaes sigmoiais, n out saías (uniaes sigmoiais), n in entraas, vários exemplos e treinamento < x, t > w (pesos) x nin nhi nout t (saías o treinamento) o (saías aas pela ree) Parâmetros e entraa o backpropagation: {<x, t >, <x 2, t 2 >...}, η, n hi, n in, n out 35
36 Algoritmo Backpropagation (II) Iniciar w aleatoriamente (valores pequenos) Repetir até estar na conição e paraa: Para caa exemplo e treinamento <x, t>, fazer: //propagar a entraa para frente até obter as saías:. Colocar x como entraa e computar caa saía o k. //propagar os erros para trás na ree: 2. Para caa uniae k e saía, calcular o erro δ k : δ k o k ( - o k ) (t k - o k ) 3. Para caa uniae esconia h, calcular o erro δ h : δ h o h ( - o h ) Σ k saias w hk.δ k 4. Atualizar caa peso w ij a ree: Mostra quanto caa h é w ij w ij + η δ j x ij Entraa o nó i para o j responsável pelo erro δ k 36
37 Algoritmo Backpropagation: animação 37
38 Exemplo Consiere a taxa e aprenizagem η = 0.9 e que o exemplo e treino seja X = (,0,), cujo rótulo e classe seja.
39 Table : Initial input an weight values x x 2 x 3 w 4 w 5 w 24 w 25 w 34 w 35 w 46 w 56 w 04 w 05 w Table 2: Cálculo a net e entraa e saía Unit j Net input I j Output O j Table 3: Cálculo o erro em caa nó Unit j δ j
40 Table : Initial input an weight values x x 2 x 3 w 4 w 5 w 24 w 25 w 34 w 35 w 46 w 56 w 04 w 05 w Table 2: Cálculo a net e entraa e saía Unit j Net input I j Output O j = -0.7 /(+e 0.7 )= =0. /(+e 0. )= (-0.3)(0.332)-(0.2)(0.525)+0. = /(+e 0.05 )=0.474 Table 3: Cálculo o erro em caa nó Unit j δ j
41 Table : Initial input an weight values x x 2 x 3 w 4 w 5 w 24 w 25 w 34 w 35 w 46 w 56 w 04 w 05 w Table 2: Cálculo a net e entraa e saía Unit j Net input I j Output O j = -0.7 /(+e 0.7 )= =0. /(+e 0. )= (-0.3)(0.332)-(0.2)(0.525)+0. = /(+e 0.05 )=0.474 Table 3: Cálculo o erro em caa nó Unit j δ j (0.474)(-0.474)(-0.474)=0.3 5 (0.525)(-0.525)(0.3)(-0.2)= (0.332)(-0.332)(0.3)(-0.3)=
42 Table 4: Cálculo a atualização os pesos Peso Novo valor w 46 w 56 w 4 w 5 w 24 w 25 w 34 w 35 w 06 w 05 w 04
43 Table 4: Cálculo a atualização os pesos Peso Novo valor w (0.9)(0.3)(0.332)= w (0.9)(0.3)(0.525)= w (0.9)( )() = 0.92 w (0.9)( )() = w (0.9)( )(0) = 0.4 w (0.9)( )(0) = 0. w (0.9)( )() = w (0.9)( )() = 0.94 w (0.9)(0.3) = 0.28 w (0.9)( )=0.94 w (0.9)( ) =
44 Exemplo: pesos iniciais: (-0. a +0.); η = 0.3 Entraa Saía
45 Aprenizao a representação (camaa interna) Entraa Saía hs Saía Representação intermeiária: escobre cóigo binário!!!! 45
46 Exemplo: ALVINN Dirige um carro a 00 Km/h. 46
47 Exemplo: MLP Sigmóie Reconhecimento e fala reconhecer e 0 vogais entre h_ (em inglês) F e F2: parâmetros retiraos a análise espectral o som a palavra. 47
48 Referências Russel, S.; Norvig, P. Artificial Intelligence: a moern approach. 2n.eition. Prentice Hall, Cap Mitchell, T.M. Machine Learning. WCB/McGraw-Hill, 997. Cap.4. 48
Redes Neurais Artificiais
Rees Neurais Artificiais Prof. Carlos H. C. Ribeiro ITA Divisão e Ciência a Computação Parcialmente baseao em material fornecio pelo prof. Reinalo Bianchi (FEI), a quem o autor é grato. Objetivos Descrever
Leia maislnteligência Artificial Introdução a Redes Neurais Artificiais
lnteligência Artificial Introdução a Redes Neurais Artificiais Objetivos Descrever as características básicas das Redes Neurais Artificiais (RNAs). Descrever o funcionamento de uma RNA. Descrever algumas
Leia maisPerceptron de Múltiplas Camadas (MultiLayer Perceptron-MLP) com algoritmo de treinamento por RetroPropagação de Erros (Error BackPropagation)
Perceptron e Múltiplas Camaas (MultiLayer Perceptron-MLP) com algoritmo e treinamento por RetroPropagação e Erros (Error BackPropagation) IF67D Sistemas Inteligentes 1 UTFPR - 2015 Prof. João Alberto Fabro
Leia maisAprendizado Supervisionado. Aprender uma função. Mo9vação Biológica. Obje9vos 21/02/17
//7 PCS 5869 lnteligência r9icial Pro. Dra. nna Helena Reali Costa Material com contribuições e: Pro. Carlos H. C. Ribeiro, I Divisão e Ciência a Computação Pro. Reinalo. C. Bianchi, EI Depto. Engenharia
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisRedes Neurais. O ADALINE e o algoritmo LMS. Prof. Paulo Martins Engel O ADALINE
Rees Neurais O ADALINE e o algoritmo LMS O ADALINE No contexto e classificação, o ADALINE [B. Wirow 1960] poe ser visto como um perceptron com algoritmo e treinamento baseao em minimização e um ínice e
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisRedes Neurais. Prof. Aurora Pozo. Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco
Redes Neurais Prof. Aurora Pozo Obs: slides baseados em Prof. Marcílio Souto e Prof. Marley Vellasco CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos
Leia maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisRedes Neurais Artificiais. Prof. João Alberto Fabro
Redes Neurais Artificiais Prof. João Alberto Fabro Redes Neurais Artificiais Conceitos Básicos Histórico Evolução O lugar das Redes Neurais dentro da IA Características Aplicações Redes Neurais Multicamadas
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisInteligência Artificial
Objetivos lnteligência rtiicial Introdução a Redes Neurais rtiiciais Descrever as características básicas das Redes Neurais rtiiciais (RNs). Descrever o uncionamento de uma RN. Descrever algumas das principais
Leia maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisRedes Neurais Artificiais (RNA)
Redes Neurais Artificiais (RNA) Definições: 1. Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. 2. Técnica de aproximação
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisSistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
Leia mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) 12/07/08 08:09 Informação - ICPG - Criciuma - SC 1 Fundamentação Biológica, O Neurônio
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL IBM RESEARCH NO MUNDO IBM RESEARCH NO MUNDO CIÊNCIA DO COMPORTAMENTO CIÊNCIA DOS MATERIAIS QUÍMICA MATEMÁTICA CIÊNCIA DA COMPUTAÇÃO
Leia maisCapítulo 1. Redes Neuronais Artificiais - Origem, história e aplicações. ADC/DEI/FCTUC/CA/Cap.1/2005 1
Capítulo 1 Redes Neuronais Artificiais - Origem, história e aplicações ADC/DEI/FCTUC/CA/Cap.1/2005 1 Neurónios Biológicos Dentrites Cérebro: 10 11 neurónios Corpo 10 4 ligações por neurónio Axónios - computação
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Leia maisREDES NEURAIS. É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos. Sua unidade fundamental é o neurônio
REDES NEURAIS Sistema Nervoso 2 O que é? É um conjunto complexo de células que determina o funcionamento e comportamento dos seres vivos Engloba o cérebro Sua unidade fundamental é o neurônio Se diferencia
Leia maisRedes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 1 Aula-2 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 Aula-2 Ano: 2005 1.3. Alguns aspectos históricos 1.4. Principais Conceitos 1.4.1. Definições 1.4.2. Alguns tipos de Arquitetura Revisão da Aula-1 x 1 1
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisMotivação, Objetivo, Definição, Características Básicas e Histórico. Neurônio Artificial, Modos de Interconexão
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisFundamentos das Redes Neurais: exemplos em Java
Fundamentos das Redes Neurais: exemplos em Java Recife 2008 Copyringt by 2007 Mêuser Valença Impresso no Brasil Printed in Brazil Editor Tarcísio Pereira Diagramação Maria do Carmo de Oliveira Capa Valeska
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de autônoma, inteligente ou cognitiva; Capacidade de lidar com eventos
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Multi-layer Perceptrons e Backpropagation Marcílio Souto DIMAp/UFRN Redes de várias camadas MLP - Multi-Layer Perceptron (Adaline?!) Backpropagation network Superar as limitações
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisRedes Neurais Artificiais. Capítulos 1 e 2
Redes Neurais Artificiais Introdução Capítulos 1 e 2 Redes Neurais Artificiais (RNA) São modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano. São modelos computacionais que
Leia maisProfessor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO
Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Redes Neurais Artificiais ou simplesmente Redes Neurais (também conhecidas como modelos conexionistas) têm sido, ao longo dos últimos anos, uma área de
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Formas de Aprendizado Existe
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia mais