Redes Neurais no Auxilio Pedagógico aos Cursos de Formação Militar

Transcrição

1 Redes Neurais n Auxili Pedagógic as Curss de Frmaçã Militar Henrique Guilherme d Amaral Sants Escla de Administraçã d Exércit - ESAEX Rua Territóri d Amapá, 455 Salvadr/BA guilhermewar@htmail.cm Melisa Fernandes Maia Escla de Administraçã d Exércit - ESAEX Rua Territóri d Amapá, 455 Salvadr/BA tenalmelisa@esaex.mil.br Éldman de Oliveira Nunes Escla de Administraçã d Exércit - ESAEX Rua Territóri d Amapá, 455 Salvadr/BA eldman@bl.cm.br Resum Este artig tem pr bjetiv mstrar cm us de técnicas cmputacinais de redes neurais e inteligência artificial pde auxiliar as atividades pedagógicas em esclas militares (e utrs centrs de ensin). Cm us de teria de redes neurais e de um prgrama desenvlvid n prgrama Brland Delphi 7.0, fi feita uma previsã da classificaçã de final de curs ds aluns da Escla de Administraçã d Exércit EsAEX utilizand dads ds mesms, anterires a seu ingress n Curs de Frmaçã. Cm resultad, bservu-se um bm desempenh da rede utilizada que apresentu err de teste de apenas 2,08% e que cm um teste de hipótese mstru-se estatisticamente significante, apresentand uma taxa real de acert de 47,05%. A identificaçã da classe de desempenh de aluns em estabeleciments militares pde ser extremamente interessante para s dcentes e pedaggs já que permite que se preparem instruções mais adequadas e custmizadas, de acrd cm as necessidades d alun. Palavras-Chave: Redes Neurais; Frmaçã Militar; Previsã de Classificaçã. Abstract This article s bjective is t shw hw the use f neural netwrk and artifitial cmputatinal intelligence techniques can help in pedaggic activities in military schls (and thers educatinal centers). Adpting neural netwrk thery and a Brland Delphi 7.0 develped prgram, a predictin n the final classificatin fr the Escla de Administraçã d Exércit EsAEx s students was made, based n sme f their precurse data. Therefre, a gd perfrmance fr the neural netwrk was bserved with a test errr rate f nly 2,08%, which prved t be stathistically significant, and a real crrect previsin rate f 47,05%. The military educatinal institutes students prper perfrmance class identificatin can be extremally imprtant fr teachers and pedaggy prfessinals since it can prvide an useful tl in the preparatin f better custmized and adequated classes, respecting each student s needs. Keywrds: Neural Netwrk; Military Educatin; Perfrmance Previsin.

2 . INTRODUÇÃO O presente trabalh tem pr bjetiv desenvlver um métd alternativ para auxiliar, de frma pedagógica, nas diversas Esclas Militares d país a frmaçã básica de militares. Haja vista a imprtância que esta tem para futur das Frças Armadas Brasileira, prcura-se acrescentar mais um mei de rientaçã as instrutres destas esclas, de frma que seja pssível prever cm cert grau de cnfiança desempenh d indivídu n curs, para que s instrutres pssam ter melhres infrmações sbre s pnts frtes e s pnts a melhrar de cada alun e, assim, desenvlver aulas e instruções mais aprpriadas e eficientes. Pretende-se utilizar mdel de Redes Neurais Artificiais, descrit na seçã 2, para classificar s aluns, que ingressam em curss militares, dentr de uma classe de perfrmance (classificaçã a final d curs) de acrd cm suas características pessais e desempenh n cncurs de admissã. E psterirmente, utilizand mesm mdel, fazer previsões das classificações finais ds aluns n mment que estes ingressam ns respectivs curss. Este artig pretende desenvlver um nv métd de analisar perfil de aluns em um curs de frmaçã, partind de suas características de rigem, anterires a ingress e que permitam as rganizadres, instrutres e pedaggs desses curss desenvlver métds de ensin e avaliaçã mais persnalizadas e individualizadas a perfil de seus clientes-aluns. Dessa frma aprveitament e rendiment daqueles pderá apresentar um melhr cnceit elevand assim padrã ds recurss humans desenvlvids nas Frças Armadas Brasileira e que sã de essencial imprtância para esta. Na seçã 2 apresenta-se referencial teóric, discute-se as características básicas ds curss de frmaçã militar e explana-se sbre a teria de redes neurais. Na 3 sbre s Materiais e métds, u seja, aplicativ que fi utilizad n artig. Finalizand as ultimas seções discutem s resultads encntrads na pesquisa. A seçã 4 trata ds testes e resultads, a 5 das discussões e a 6 apresenta a cnclusã. 2. REFERENCIAL TEÓRICO 2.. A FORMAÇÃO MILITAR A manutençã d Estad depende inexravelmente ds recurss de ataque e defesa de suas Frças Armadas e d capital human capaz de sustentar as decisões estratégicas que frtalecem sua integridade física, plítica e ecnômica. Dessa frma, tda Frça Armada deseja pssuir e cnstruir recurs human bem qualificad, treinad e bem equipad para cumprir cm sua missã. Hje, a carreira militar tem se trnad uma pçã cncrrida para s jvens. Pr utr lad, a vida militar apresenta características particulares e peculiares cm dedicaçã intensiva, sujeiçã a preceits rígids de disciplina e hierarquia, dispnibilidade intensa, prepar físic, restrições na participaçã de atividades plíticas e sindicais, risc de vida, entre utrs. Além desses aspects, é imprtante citar cmpnente scial que envlve militar, de frma que sua educaçã está frtemente relacinada cm a criaçã de prfissinais bem capazes de liderar e trabalhar em grup, além da criaçã de um espírit de crp e d respeit pels superires. A necessidade de atingir estes bjetivs é de extrema precupaçã e respnsabilidade e sã eles que irã determinar nível de prfissinalism e eficiência das Frças Armadas Brasileira. Prtant, é de extrema imprtância e muit bem vinds s métds que buscam aprimrar as técnicas utilizadas nas esclas e curss militares para a frmaçã e instruçã de seus aluns. Especialmente, aquelas assciadas a técnicas cmputacinais. 654

3 Hje, a tecnlgia já é utilizada em atividades acessórias d ensin, cm na administraçã mais eficiente de esclas e centrs de preparaçã (cm previsões mais adequadas de prvisões, materiais e raçã, cm cnseqüente ecnmia) e na segurança desses lcais cm sistemas de identificaçã mais cnfiáveis e cntrlads. Prém, pde-se ampliar este recurs para desde a cnstruçã de prgramas que auxiliam na classificaçã de aluns em níveis especiais e na adaptaçã d ensin a grups particulares de indivídus até a cnstruçã de prgramas de simulaçã de cmbate individual e de treinament de cnduçã de veículs e aernaves de guerra REDES NEURAIS Pde-se definir s mdels cnexinistas de cmputaçã, também chamads de redes neurais artificiais (RNAs), redes neurais u sistemas de prcessament paralel distribuíd (PDP), cm uma estrutura de prcessament de infrmaçã distribuída e paralela capaz de mapear sistemas cmplexs, sem ter a necessidade de cnhecer eventuais mdels matemátics que descrevem seu cmprtament. Uma RNA é frmada pr unidades de prcessament, cmumente chamadas de nós, neurônis u células, intercnectadas pr arcs unidirecinais, também chamads de ligações, cnexões u sinapses. A maneira cm s neurônis sã arranjads na rede neural define a arquitetura da rede, a qual é estreitamente relacinada a tip de cnheciment pr ela armazenad. A arquitetura mais cmum dispõe s neurônis em camadas, de md que s neurônis de uma dada camada pssam cnectar-se unicamente as da camada imediatamente anterir e emitem seu sinal exclusivamente as neurônis da camada psterir, cm mstrad na Figura. x y x y x y Figura - Arquitetura Genérica de uma Rede Neural de Múltiplas Camadas Os neurônis da camada entrada (xi) recebem s sinais prvenientes d mei extern repassand-s à camada intermediária imediatamente psterir. Os neurônis das camadas intermediárias, u escndidas, prcessam s sinais recebids da camada anterir pnderads pels pess sináptics, e, segund sua funçã de ativaçã, emitem sinal resultad à camada psterir, uma à utra até a camada de saída. Os neurônis da camada de saída (yi) emitem sinal resultad d padrã apresentad cm entrada. Os principais elements utilizads na descriçã de RNAs sã a representaçã distribuída, as perações lcais e prcessament nã-linear. Estes atributs especificam duas aplicações básicas das RNAs: situações nde pucas decisões tem que ser tmadas a partir de uma grande quantidade de dads e situações nde um cmplex mapeament nãlinear deve ser aprendid. A aprendizagem da rede dá-se pela mdificaçã sistemática ds pess sináptics das cnexões entre s neurônis das diversas camadas, de md a armazenar cnheciment apresentad à rede. 655

4 Um ds algritms de aprendizagem mais utilizads é cnhecid cm Prpagaçã Retrativa d Err (backprpagatin errr), sua descriçã fi desenvlvida pr RUMELHART et al. (986). O Back-Prpagatin é um algritm supervisinad que utiliza pares de entradas e saídas desejadas, para ajustar s pess da rede pr um mecanism de crreçã errs. O aprendizad crre em duas etapas: na primeira s sinais de entrada sã apresentads à rede, prpagads pelas diversas camadas até a camada de saída, nde é cmparad cm a saída desejada. O err gerad pela saída é entã retrprpagad e s pess das cnexões reajustads. A Equaçã mstra cálcul d err para a apresentaçã de tds s padrões p de entrada. k p p 2 E = ( X i Xei ) () 2 p i= Símbls E err ttal da rede p X i p Xe i p k valres bservads na saída i valres estimads na saída i númer de padrões númer de unidades de saída O ajuste feit em um pes sináptic de um neurôni é prprcinal a prdut d sinal de err pel sinal de entrada da sinapse em questã. Dessa frma, HAYKIN (2000), definem a crreçã ds pess cm: w kj ( t + ) = w ( t) + ηδ ( t) x ( t) (2) kj j k Símbls w kj ( t +) (t) w kj η δ j (t) (t) x k pes na cnexã kj n temp t+ pes na cnexã kj n temp t taxa de aprendizagem da rede err d neurôni j n temp t valr da entrada k n temp t A taxa de aprendizagem η (prnuncia-se eta ) da rede neural, cm fatr multiplicativ na crreçã ds pess das cnexões entres s neurônis, indica a rapidez cm s pess sináptics sã ajustads, u em utras palavras, a velcidade de aprendizagem da rede. À medida que a taxa de aprendizagem aumenta, temp necessári para a rede neural adquirir cert vlume de cnheciment tende a diminuir. N entant, um aument excessiv na taxa de aprendizagem, pde acarretar instabilidade, pis s pess seriam crrigids abruptamente prejudicand a cnvergência da rede, ist é, a minimizaçã d err. 656

5 Cm descreve SILVA (2002), prcess de aprendizagem pde ser divid em duas etapas, cnhecidas cm fase de treinament e fase de teste. Os padrões utilizads n aprendizad das redes neurais devem ser dividids em dis cnjunts de intersecçã vazia, um para cada uma das fases. O cnjunt de treinament, que englba geralmente 75% ds padrões, é utilizad para a crreçã ds pess das cnexões, visand alcançar s valres desejads para a saída. O cnjunt de teste, cntend s 25% restantes, é utilizad apenas para calcular err ttal da rede, qual bjetiva-se minimizar. Pr nã alterar s pess, a fase de teste nã permite que a rede armazene cnheciment sbre s padrões de teste, qual é utilizad tã smente para verificar a quantidade e a qualidade d cnheciment armazenad pela rede, durante treinament. Dessa frma, amplia-se a expectativa da rede neural gerar bns resultads para padrões semelhantes, mas nã idêntics as d cnjunt cmplet, pis uma parte dele fi utilizada para ensinar e utra para avaliar. É cmum dividir s padrões de entrada em 3 cnjunts distints: treinament (60%), teste (20%) e validaçã (20%). Medind err ds padrões de validaçã, que também nã alteram s pess da rede, é pssível avaliar melhr aprendizad da rede. 3. MATERIAIS E MÉTODOS Fi utilizad para s testes um sftware especialmente desenvlvid para esse artig cm base em Brland Delphi 7.0 que se utiliza de cmpnente própri para a cnstruçã de redes neurais dispnibilizad em Medeirs (2000). O menu de Geral de entrada d prgrama, em Parâmetrs, tem uma interface que permite a manipulaçã d númer de épcas, a taxa de inércia, a taxa de aprendizagem, númer de neurônis na camada culta e arquiv nde se gravam as experiências simuladas na fase de teste e treinament. É imprtante ntar que esse arquiv representa cnheciment da rede, u seja, que fi aprendid até entã. Em Prcessament, encntra-se núcle d prgrama. Primeir tem-se a pçã Cnjunt de Entrada. Nessa pçã é nde se esclhe a tabela que cntém cnjunt de dads que será usada para treinar a rede. Três tabelas estã dispníveis: uma cm dads de 200 apenas; utra cm dads de 200 e 2002; e ainda utra, cm dads das turmas de 200, 2002 e A próxima pçã desse menu é Treinament. Aqui se encntram dis btões: Cnstruir e Treinar. Basicamente, a clicar em Cnstruir prgrama cnstrói uma nva rede cm s dads cnfigurads em Parâmetrs d menu Geral. E btã Treinar deve ser acinad para que a rede seja autmaticamente treinada. Pr fim, a pçã Teste permite que façams testes cm dads das três turmas usadas n treinament e, ainda, cm a turma de Permite ainda que se esclha a tabela de destin ds resultads da previsã da rede. Nessa tela pde-se fazer tant testes simples, u seja, individuais para s aluns u para dads quaisquer, quant testes mais cmplexs, cm teste de uma turma inteira. O teste simples é acinad a se inserir valr desejad de cada parâmetr de entrada e clicar btã Teste Simples. Para teste mais elabrad, basta esclher a tabela de teste desejada e clicar em Teste Cmplex. Neste prgrama sã inserids s dads de treinament: s de entrada e s de saída, cnfrme é mstrad n Quadr. Os dads de entrada cntém infrmações de cada alun sbre sua idade, experiência militar, estad de rigem, estad civil e númer de filhs, área de atuaçã, sex e clcaçã e nta n cncurs de ingress. Os dads de saída cnstituem-se da classificaçã de cada um desses mesms aluns n final d curs. 657

6 Assim, a rede é treinada a fazer uma assciaçã d padrã de características gerais d indivídu a ingressar n curs cm sua classificaçã final n mesm. Essa é a fase necessária de treinament da rede, em que ela entra em cntat cm um cnjunt de dads que irã capacita-la a julgar pes de cada dad dentr d cnjunt de dads na clcaçã final d alun. Entã, a rede estará treinada e prnta para identificar s padrões de nvs cnjunts de dads de entrada. Dessa frma, a rede pderá realizar s testes desejads em uma nva amstra de dads. 4. TESTES E RESULTADOS Neste artig sã usads dads de aluns da Escla de Administraçã Exércit (EsAEx) para s ans de 200, 2002, 2003 e N primeir teste, a rede será treinada cm s dads da turma de 200 e testada cm s da de 2002, que entram n prgrama sem s dads da classificaçã final. Ou seja, estes sã inserids na interface d usuári. Inserir-se-á na rede infrmações de indivídus (dads 2002) que, a princípi, nã se sabe a classificaçã e espera-se que aquela faça a previsã da classificaçã ds mesms de acrd cm padrã de características que aprendeu anterirmente. E depis será cmparad resultad d prgrama cm resultad real.a rede irá entã aprender cm s padrões de 200 e prever as classificações de N segund teste, a rede será treinada cm dads de 200 e 2002 e testada cm s dads de 2003 da mesma frma que anterirmente. Cm iss, esperams ver uma evluçã n err de previsã da rede. Pr últim, n terceir teste, para fazer a previsã das classificações ds aluns de 2004, dispõem-se de infrmações referentes as padrões de cmprtament de três ans anterires, que a RNA já terá aprendid. E, além diss, pretende-se estimar qual a margem de err desta previsã cmparand cm s errs encntrads ns testes anterires. Os dads fram matematizads para inserçã n prgrama da seguinte maneira: P E S S O A I S C O N C Atributs Dmíni Categria Sex M, F, 2 Frmaçã Militar, Civil, 2 Estad Civil Casad, Slteir, 2 Filhs S, N, 0 Idade Regiã de Origem Especialidade Classificaçã na área Classificaçã Geral Sudeste Nrdeste Nrte Sul Centr Oeste Ri de Janeir Seçã de Ensin: SE SE 2 SE 3 SE 4 SE 5 5 (Pr curs) -20 (Infrmática) N. Vagas

7 U R S O S A Í D A Nta Final Classificaçã Final d Curs Quadr Dads Utilizads Fram realizads 70 testes cm s parâmetrs da rede, cnfrme Anex A. Basicamente, uma rede neural pssui s seguintes parâmetrs: Estrutura: Estrutura da rede neural, númer de neurônis pr camada. A presente rede tem 3 camadas. A estrutura da rede ficu estabelecida cm 0 neurônis de entrada e 4 de saída. Existe ainda uma camada intermediária, cuj númer de neurônis é cnfigurável. Taxa de aprendizad da rede: velcidade que a rede irá crrigir s dads. A rede lê várias vezes s mesms dads de frma a fixar s padrões crrespndentes. Cada vez que ela lê um cnjunt de dads, ela aprende, define e crrige s pess de cada dad pertencente a esse cnjunt. Uma alta taxa de aprendizagem significa que a rede irá crrigir pes dad a um parâmetr de uma frma mais sensível. Uma taxa baixa trna essa crreçã mais demrada. Taxa de Inércia: A taxa de inércia é um parâmetr que diz quant d cnheciment passad ela usará em seu teste presente. É a taxa que a rede cnserva seu cnheciment passad. Uma taxa de inércia mair evita que a rede pare em mínims lcais. Nº. Épcas: Númer de vezes que a rede lê s dads para aprende-ls. Cada vez que s dads sã lids, a rede crrige seus parâmetrs de frma a desenvlver e cnslidar um padrã mais cerente para classificar cnjunt de dads. Err Ttal: É mínim err quadrad. A rede calcula essa taxa cm base na diferença n valr esperad d dad (calculad pela rede treinada já cm primeir cnjunt de dads) e valr btid. A Tabela 2 mstra melhr resultad encntrad, u seja, aquele que geru menr Err Ttal da rede e cuja cnfiguraçã será utilizada ns testes: Parâmetr Valr N. Neurônis da camada culta 2,00 Tx de Aprendizad 0,0 Tx de Inércia 0,60 N. De Épcas 50 Err Ttal 0,20 Tabela 2 Cnfiguraçã da Rede 659

8 5. DISCUSSÃO Cnfrme descrit anterirmente, fram realizads três testes e bteve-se seguinte resultad de Err Ttal da rede (utilizu-se a mesma estrutura para tds, descrita na Tabela 2), cm é apresentad na Tabela 3: Teste Dads Testads Err Ttal , , , Tabela 3 Resultad Err Ttal Observa-se que Err manteve-se praticamente igual em tds s testes quand deveria ter diminuíd, pis, a rede trabalhu cm mais dads de treinament de um teste para utr. Uma pssível explicaçã é de que cnjunt de padrões prvavelmente nã varie muit de um an para utr. A próxima experiência realizada fi cmparar resultad btid pela rede cm resultad real para s ans de 2002 e Em seguida, calculu-se um índice de acerts da rede cnfrme a expressã 3: IA = N. de classificações certas x 00 (3) N. de classificações ttais Para an de 2002, bteve-se um IA de 47,5% e para an de 2003, um índice de 4,34%. Mais uma vez, mesm cm mais dads, a rede nã cnseguiu melhrar seu desempenh. Apesar d Err Ttal da rede em prever s dads ser baix (20,00%), a cmpararms resultad desta cm a situaçã real verificu-se falta de precisã que pde estar relacinada à qualidade ds dads, u seja, a frma cm estes fram trabalhads, u à eficiência da rede em fazer este tip de previsã. Deve-se ressaltar que neste artig estã send usads dads apenas de quand alun entra n curs e de quand sai. Nenhum dad de mei de curs fi utilizad, prtant nã se cntabiliza dads de evluçã. Cabe lembrar ainda que utrs trabalhs na área de redes neurais cnseguiram uma taxa de err em trn de 20% também. Um exempl é já mencinad trabalh de Silva (2002) que cnsegue atingir um err de 2%. Para an de 2004, qual ainda nã se têm s dads reais, e calculand uma média ds índices acima, prevê-se que a rede acertará em trn de 79,02% para uma rede treinada cm 50 épcas, uma taxa de aprendizagem de 0%, uma taxa de inércia de 60% e uma estrutura 0-4-4, u seja, 0 neurônis de entrada, 4 intermediáris e s 4 de saída. Pde-se cmparar este resultad a um jg de azar, nde a prbabilidade de se ganhar é de 0,25. Pis, tem-se um grup de aluns que n final de um an de instruçã serã classificads de rdem rdenada em quatr classes de desempenh. Após realizad um teste de hipótese cnfrme Anex B, verificu-se que a rede é estatisticamente viável que trna evidente a pssibilidade de us das redes neurais cm frma de instrument auxiliar na preparaçã educacinal de aluns em esclas militares. 660

9 Sempre é imprtante lembrar que a rede aprende a cada nva entrada de dads que frnecems a prcess. Dessa frma, enquant a taxa de err para s dads de treinament pde ser bastante reduzida, pis a rede é treinada e testada cm s mesms dads simultaneamente em sua fase de treinament, quand apresentams à rede um nv cnjunt de dads é pssível que a taxa de err varie sensivelmente. Fazend uma cmparaçã cm uma rede treinada cm váris cachrrs da mesma raça de acrd cm suas características bimétricas, pr mais que n treinament err quadrátic médi tenha sid bem pequen, quand submetems a rede a um grup de cavals pssivelmente a rede apresentará um err mair de identificaçã. Para tant faz-se necessári a dispnibilidade de maires infrmações para a reduçã d err da rede. Pssivelmente cm um númer mair de turmas (ans), resultad btid será mais precis. Pr últim fez-se uma breve análise qualitativa das características que mais u mens influenciam na classificaçã final d alun. Essa análise fi feita de uma frma bem simples: manteve-se as características de entrada cnstante, alterand na interface d prgrama uma u utra característica e verificand efeit dessa mudança. Este efeit fi categrizad para fins de análise da seguinte frma: n. Grup encntra-se as características que influenciam n grup de classificaçã, pr exempl, alun pde passar d grup D para grup A u B. N 2. Grup, as características que interferem apenas nas chances d indivídu ser classificad n grup A u B. Pr exempl, se ele tinha 20% de chance de estar n grup A, cm uma mudança de determinad perfil ele passa a ter 40%. E um 3. Grup que cntem itens que nã influenciam u tem puca influencia n resultad. Deve-se ressaltar que a rede btém seus resultads de acrd cm um cnjunt de padrões anterirmente aprendids e crrelacinads. O mei de rigem (militar u civil), a regiã de rigem, estad civil e classificaçã na área estã inserids dentr n grup de características. O mei militar predmina sbre civil principalmente para s hmens, para as mulheres nã há alteraçã. As regiões que mais cntribuem para uma ba classificaçã sã Ri de Janeir, Sul e Nrdeste. Cnstatu-se que Estad Civil para as mulheres tem enrme imprtância, uma vez que as casadas têm mais chance de bter uma melhr classificaçã. Finalmente, bservu-se que a classificaçã na área (cncurs) pssui uma relaçã inversa cm a classificaçã final (curs). Os itens que pdem ser classificads n 2. Grup é: filhs e sex. Os hmens predminam sbre as mulheres, enquant que s filhs influenciam psitivamente, prtant mais para s hmens d que para as mulheres. Assim, reunind s parâmetrs analisads, percebe-se que s hmens, militares, casads e cm filhs frmam um perfil predminante. Muit pssivelmente, este resultad deve-se a própria cultura militar que valriza aspect familiar. N 3. Grup encntra-se as características de especializaçã (seçã de ensin), Classificaçã Geral e Nta de Entrada, s dis últims referentes a cncurs de admissã. Estes itens exerceram puquíssima influência n resultad. 66

10 6. CONCLUSÃO Neste trabalh, pretendeu-se desenvlver um nv métd, para rientar as curss de frmaçã militar das Frças Armadas Brasileira, que pudesse assciar perfil ds aluns cm seu desempenh de final de curs ainda n iníci d mesm, utilizand um instrument mdern e de alt padrã tecnlógic. O us de redes neurais ainda pde ser muit bem explrad em prcesss pedagógics e já nesse trabalh é ntável seu índice de acert em relaçã a um prcediment aleatóri. Além d mais, existem muitas utras vantagens na adçã de instruments de recnheciment de padrões em estabeleciments de ensin. As redes neurais sã flexíveis. Cm pôde ser vist nesse artig, pude-se fazer testes e manipular dads quantitativs e qualitativs cm uma taxa de acuracidade teórica de até 79%. O prgrama pôde recnhecer padrões de mais de nve variáveis diferentes de mais de três centenas de aluns testads. Cabe destacar também sua capacidade de lidar cm abstrat. Quand se testam parâmetrs cm a influência d estad civil u da nta inicial d cncurs na classificaçã final, fica clara a habilidade da rede em lidar cm cnceits abstrats e subjetivs. Além diss, a rede é ainda tlerante a falhas u cass islads já que treinament da rede se dá de frma a perceber um padrã que leva em cnsideraçã tds s cass dispníveis para treinament. Dessa frma, pr mais que se tenha um cas destante n treinament da rede, ainda assim a atribuiçã de pess ds parâmetrs será feita de tal frma que impact d cas especial seja mínim. E quant mair númer de dads dispníveis para testes, menr impact d cas diferente. Dravante, pdems ainda definir uma nva classe de parâmetr (dads de saída) para cas especial para aumentar índice de acert da rede. Cnclui-se que váris fatres pderiam ser mais bem trabalhads, cm, pr exempl, mais testes de cnfiguraçã da rede, de dads de entrada e saída e uma análise estatística mais prfunda ns perfis predminantes e ns características que influenciam ns resultads btids. Muit imprtante seria bter bancs de dads mais ampls e cm mair qualidade, pr parte das instituições de ensin, de atributs que pderiam alterar u cmplementar s resultads alcançads pela rede. Dentr das cndições de pesquisa resultad fi bastante satisfatóri. Cm um índice de acert teóric de mais de 75% e um índice de acert real de mais de 45% (quand esperad n teste aleatóri é de 25%), trna-se evidente a funcinalidade da rede desenvlvida pel grup. E mais, verificu-se a imprtância de cnhecer alun antes mesm deste chegar n Curs. Além diss, destaca-se a essencialidade de acmpanhar a evluçã d respectiv indivídu durante seu prcess de aprendizagem e aprimrament. Os bstáculs existentes para us das redes neurais, verificads n cntext d artig, estã mais assciads à quantidade de dads dispníveis para treinament e teste d que a questões qualitativas cm prcessament de dads, cust, desenvlviment teóric u dispnibilidade de máquina. Clar, utra questã central n us e adçã de redes neurais na previsã de desempenh está assciada à definiçã ds parâmetrs que serã analisads pela rede e na definiçã das respstas esperadas. Mas iss apenas cmprva a flexibilidade e maleabilidade da teria de redes neurais. Sugere-se que mais pesquisas sejam feitas nestas áreas, tant n desenvlviment de Redes e utrs métds cmputacinais auxiliand a Educaçã, quant na aplicaçã destes métds assciads a analises psicpedagógicas que pssam frnecer subsídis as rientadres e instrutres de Curss de Frmaçã Militar e assim estes pssam aprimrar nível de qualidade e eficiência d capital human das Frças Armadas Brasileira. 662

11 7. REFERÊNCIAS BIBLIOGRÁFICAS [] RUMELHART, D. E., HILTON, G. E., WILLIAMS, R. J. Learning Representatins by Back-Prpagatin Errr. Nature, 986. [2] HAYKIN, S., Redes Neurais - Princípis e Prática. Traduçã: Paul Martins Engel, Editra Bkman, Prt Alegre RS, 2 a Ediçã, p. [3] SILVA, A. F.. Previsã Da Evaptranspiraçã de Referência Utilizand Redes Neurais. 2002, 68p. Dissertaçã (Mestrad em Engenharia Agrícla) - Curs de Pós- Graduaçã em Engenharia Agrícla, Universidade Federal de Viçsa, Viçsa. [4] MEDEIROS, L. F., Redes Neurais em Delphi. Editra Visual Bks, Flrianóplis SC, ª Ediçã, p. 663

12 Anex A Teste ds Parâmetrs da Rede: Teste Épcas Camadas Ocultas Tx. Tx. Err Aprendizagem Inercia , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

13 , , , , , , , , , , , , , , , , , , , , , , ,

14 Anex A Teste de Hipótese para a prbabilidade de acert na classificaçã ds aluns: Sejam x,..., x n um cnjunt de bservações independentes tais que, cm prbabilidade p x i =, cm 0 < p < e i =,..., n. Entã, tems que a variável y 0, cm prbabilidade p = x x n segue uma distribuiçã binmial (n, p), nde n é númer de bservações e p a prbabilidade de sucess. Assim, pdems definir a prprçã de sucesss na amstra cm: n X i i = X = n Usand Terema d Limite Central, tems que: X a p ( ~ N( p, n p) ), p ( p) nde X tem distribuiçã aprximadamente nrmal cm média p e variância. n Cm nã cnhecems valr de p, querems testar se a prprçã de sucesss na amstra é u nã estatisticamente diferente de um dad valr p : H : p = p H : p > p O teste é cnstruíd pela análise da prbabilidade de se cmeter err Tip I (rejeitar H quand H é verdadeira). Se esta prbabilidade é baixa, ist significa que pdems rejeitar H pis a chance de cmeter err é pequena. Usualmente, H é rejeitada para valres de p menres que 5%. Cálcul de p: Dada uma amstra, calculams x (valr bservad da variável X ). A questã é: se H é verdade, qual a prbabilidade de bservarms valres iguais u maires que X (u seja, de rejeitarms H a partir d valr amstral bservad)? P = Pr [Re j. H H verdade] = Pr [ X > x] X p x p x p P = > r[ X > x] = Pr > Pr Z, p p p p p p ( ) ( ) ( ) n n n send Z uma variável cm distribuiçã nrmal de média 0 e variância (nrmal padrã). Aplicaçã: A prbabilidade p é a prprçã de acerts da rede neural. Se tentarms adivinhar aleatriamente em qual ds quatr grups de desempenh um cmpnente de uma turma de 00 pessas está, terems que: H : p = 4 666

15 H : p > 4 Assim tems: a ( ) a 3 X ~ N(, 4 4 ) ~ N(, ) Entã, testams x = 0,79 (se um índice de acert teóric de 79% é estatisticamente prvável): 0,79 P = P 4 r [ Z > ] = Pr [ Z > 2,47] = 0, E x = 0,45 (se um índice de acert real de 45% é estatisticamente prvável): : 0,45 P = P 4 r [ Z > ] = Pr [ Z > 4,62] = 0, Em ambs s cass rejeitams H. Ist é, a prbabilidade de acert da rede é mair que acas. 667