22/05/2010. ohebb foi o primeiro a propor uma lei de aprendizagem específica para as sinápses dos neurônios.
|
|
- Victor Domingos Peixoto
- 7 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE FEDERAL DO PIAUÍ UFPI Departamento de Informática & Estatística Curso de Ciência da Computação Introdução o 1º trabalho na área de RNA por McCulloch (neuroanatomista) e Pitts (matemático) o Motivação: Crença que as capacidades humanas (visão, compreensão, fala e audição e controle de diferentes órgãos ao mesmo tempo) feitas em tempo real, bem como decisões inteligentes vêm dos princípios organizacionais eibidos na rede neural altamente complea do cérebro humano. INTELIGÊNCIA ARTIFICIAL 2/40 Vinicius Ponte Machado Aula 15 Redes Neurais Histórico Clique para (1943) editar o estilo do título mestre o O neurofisiologista McCulloch e matemático Walter Pitts (1943), cujo trabalho fazia uma analogia entre células vivas e o processo eletrônico, simulando o comportamento do neurônio natural. o O neurônio possuía apenas uma saída, que era uma função do valor de suas diversas entradas. Histórico Clique para (1949) editar o estilo do título mestre oo psicólogo Donald Hebb, demostrou que a capacidade da aprendizagem em redes neurais biológicas vem da alteração da eficiência sináptica, isto é, a coneão somente é reforçada se tanto as células pré-sinápticas quanto as pós-sinápticas estiverem ecitadas; 3/40 ohebb foi o primeiro a propor uma lei de aprendizagem específica para as sinápses dos neurônios. 4/ Histórico Clique para (1951) editar o estilo do título mestre o Construção do primeiro neuro computador, denominado Snark, por Mavin Minsky. O Snark operava ajustando seus pesos automaticamente. Histórico Clique para (1956) editar o estilo do título mestre o Surgimento dos dois paradigmas da Inteligência Artificial: Simbólica: tenta simular o comportamento inteligente humano desconsiderando os mecanismos responsáveis por tal. Coneionista: acredita que construindo-se um sistema que simule a estrutura do cérebro, este sistema apresentará inteligência, ou seja, será capaz de aprender, assimilar, errar e aprender com seus erros. 5/40 6/
2 Histórico Clique para (1958) editar o estilo do título mestre o Rosemblatt (1958) mostrou em seu livro (Principles of Neurodynamics) o modelo dos "Perceptrons". o Nele, os neurônios (Perceptrons) eram organizados em camada de entrada e saída, onde os pesos das coneões eram adaptados a fim de se atingir a eficiência sináptica usada no reconhecimento de caracteres. Histórico Clique para (1960) editar o estilo do título mestre o Em 1960 surgiu a rede ADALINE (ADAptative LInear NEtwork) e o MADALINE (Many ADALINE), proposto por Widrow e Hoff. o O ADALINE/MADALINE utilizou saídas analógicas em uma arquitetura de três camadas. 7/40 8/ Histórico Clique para (1969) editar o estilo do título mestre Foi constatado por Minsky & Papert que um neurônio do tipo Perceptron só é capaz de resolver problemas com dados de classes linearmente separáveis. ( ): Muitos historiadores desconsideram a eistência de pesquisa nessa área nos anos 60 e 70. Histórico Clique para (1982) editar o estilo do título mestre o Retomada das pesquisas com a publicação dos trabalhos do físico e biólogo Hopfield relatando a utilização de redes simétricas para otimização, através de um algoritmo de aprendizagem que estabilizava uma rede binária simétrica com realimentação. 9/40 10/ Histórico Clique para (1986) editar o estilo do título mestre o Rumelhart, Hinton e Williams introduziram o poderoso método de treinamento denominado Backpropagation. o Rumelhart e McClelland escreveram o livro Processamento Paralelo Distribuído: Eplorações na Microestrutura do Conhecimento. Histórico Clique para (1988) editar o estilo do título mestre o Broomhead e Lowe descreveram um procedimento para o projeto de uma rede neural (feedforward) usando funções de base radial (Rede de Base Radial RBF). 11/40 12/
3 Introdução o Características RNA principais (atrativas): aprender com eemplos e generalizar informações aprendidas (com um nº reduzido de eemplos a rede é capaz de responder razoavelmente à dados similares e não idênticos). o Para solução de problemas, a RNA passa por uma fase de aprendizagem, onde um conjunto de eemplos é apresentado para a rede, a qual etrai automaticamente as características necessárias para representar a informação fornecida. o Estas são utilizadas posteriormente para gerar respostas para um problema. Redes Clique Biológicas para editar o estilo do título mestre o O cérebro humano é composto por neurônios, ligados com receptores (dendritos) e eecutores sensoriais (aônio). o Um neurônio é uma célula especial que conduz um sinal elétrico o eistem cerca de 100 bilhões de células de vários tipos. 13/40 14/40 Redes Clique Biológicas para editar o estilo do título mestre o O cérebro organiza esta imensa quantidade de neurônios cada um com um fraco poder computacional, em uma complea rede, maciçamente paralela, na qual os neurônios interagem uns com os outros dinamicamente, produzindo um poderoso processador de informações. Neurônio Clique para Biológico editar o estilo do título mestre o Dendritos:Têm por função receber informações ou impulsos nervosos, oriundos de aônios de outros neurônios e conduzi-los até o corpo celular. o Corpo celular:os sinais recebidos são somados e de acordo com um limiar, estabelece se o neurônio deve ser ativado ou não. O limiar é um valor ou taa de valores que determinam a ativação do neurônio. Se o somatório ultrapassar este valor o neurônio dispara o Aônio:Os impulsos ou disparos são transmitidos a outros neurônios, passando através do aônio até os dendritos dos neurônios seguintes. 15/40 16/40 Neurônio o Fisicamente não há contato entre os neurônios, porém entre a terminação aônica de um neurônio e o dendrito de outro, há um espaço chamado de espaço sinaptico. o Através das sinapses os neurônios se unem funcionalmente, formando redes neurais. o As sinapses funcionam como válvulas, sendo capazes de controlar a transmissão de impulsos entre os neurônios. 17/40 Sinapse As sinapses podem ser ecitatórias ou inibitórias: o Ecitatória: ocorre quando a ativação do neurônio é alta e a soma dos impulsos recebidos pelo neurônio supera o seu limiar, disparando então uma substância dita Neurotransmissora, no espaço sinaptico. o Esta substância altera o potencial elétrico da membrana pós-sinaptica, preparando para o envio de impulsos eletricos; o Inibitória: reduz a capacidade de recepção do outro neurônio 18/40 3
4 Neurônio Clique para Artificial editar o MCP estilo do título mestre o A descrição matemática do MCP resultou em um modelo com n terminais de entrada 1, 2,...,n (que representam os dendritos), e apenas um terminal de saída y (que representa o aônio). o Para emular o comportamento das sinapses, os terminais de entrada do neurônio têm pesos acoplados w1, w2,...,wn, cujo valores podem ser positivos ou negativos, dependendo das sinapses correspondentes serem inibitórias ou ecitatórias. Neurônio Clique para MCP editar o estilo do título mestre o O efeito de uma sinapse particular i no neurônio pós-sináptico é dado por: i w e os pesos determinam em que grau o neurônio deve considerar sinais de disparo que ocorrem naquela coneão. 19/40 20/40 Neurônio Clique para MCP editar o estilo do título mestre o Um neurônio dispara quando a soma dos impulsos que ele recebe ultrapassa o seu limiar de ecitação chamado de threshold. o O corpo do neurônio, por sua vez, é emulado por um mecanismo simples que faz a soma dos valores i wi recebidos pelo neurônio (soma ponderada). E decide se o neurônio deve ou não disparar (saída igual a 1 ou a 0) comparando a soma obtida ao limiar ou threshold do neurônio 21/40 Neurônio Clique para MCP editar o estilo do título mestre o Ativação do neurônio: Obtida através da aplicação de uma função de ativação, que ativa a saída ou não, dependendo do valor da soma ponderada das suas entradas. o Na descrição original do modelo MCP, a função de ativação é dada pela função limiar descrita na a seguir. O nodo MCP terá então sua saída ativa quando: n i1 i w i o onde n é o número de entradas do neurônio, wi é o peso associado à entrada i, e é o limiar (threshold) do neurônio. o Realiza computações relativamente simples, porém quando vários neurônios são ligados e estruturados em uma rede, seu poder computacional aumenta. 22/40 Funções Clique para de Ativação editar o estilo do título mestre o Outros modelos disparam não somente zero ou um: f() y = f() (a) (b) (c) (d) se y se se y f() se se 0 0 f() 1 1 e y / T 23/40 o Coneões entre os nós: Feedforward: Acíclica, assim a saída de um neurônio na i- ésima camada da rede não pode ser usada como entrada de neurônios em camadas de índice menor ou igual a i, isto é, não há coneões que retornam a camadas anteriores. 24/40 4
5 o Coneão entre osnós Feedback: Saída de um neurônio na i-ésima camada da rede é usada como entrada de neurônios em camadas de índice menor ou igual a i. Arquitetura: o Redes de Camada Única: Há somente uma camada de ligações com pesos. As unidades podem ser distinguidas como unidades de entrada e de saída. As de entrada são neurônios que recebem os sinais eternos na rede e as de saída são os neurônios nos quais a resposta da rede pode ser lida. 25/40 26/40 Arquitetura: o Redes Múltiplas Camadas: Uma ou mais camadas de nós intermediários às unidades de entrada e saída, chamadas unidades ocultas(hidden). As camadas ocultas servem para auiliar as camadas de entrada e saída na etração de um número maior de 27/40 características dos sinais entrados. Assim problemas mais complicados podem ser resolvidos. o Aprendizado: Consiste na forma de ajustar os pesos nas coneões. Eistem muitos algoritmos de treinamento, sendo que os principais são supervisionado e não supervisionado. 28/40 o Aprendizado Supervisionado: Uma seqüência de entradas ou padrões (sinais eternos) são apresentados à rede por um supervisor eterno, cada um com uma saída associada. Os pares de entrada/saída são apresentados repetidas vezes até que não haja mais modificações nos pesos das coneões. O objetivo é ajustar os pesos da rede gradativamente de forma a encontrar uma ligação entre a entrada e a saída fornecida. 29/40 o Aprendizado Supervisionado algoritmos: o Regra Delta: Altera os pesos das coneões neurais de forma a minimizar a diferença entre a saída apresentada pela rede e o valor alvo para o padrão de entrada. Dada uma entrada é feita a comparação do resultado da rede com o valor esperado, se a diferença for zero, não é necessário atualizar os pesos, caso contrário, atualiza-se os pesos associados à unidade em questão de acordo com a fórmula: w i (t+1) = w i (t) + e(t) i (t) 30/40 Professor RNA - + S Entrada Erro 5
6 o Aprendizado Supervisionado algoritmos: Backpropagation Compara o resultado gerado pela rede com o valor de saída esperado, ajustando os pesos associados à unidade de saída, caso os valores não sejam iguais, porém este treinamento ocorre em duas fases: a) Forward: é definida a saída da rede para um determinado padrão de entrada. O resultado é comparado com o valor esperado, definindo-se então o erro. b) Backward: ajustes de pesos que começam a partir da ultima camada até atingir a camada de entrada, onde cada nó em cada camada ajusta seu peso a fim de reduzir seu erro. 31/40 o Aprendizado não supervisionado: Não há um professor ou supervisor para acompanhar o processo de aprendizado. Para este tipo de aprendizado, somente os padrões de entrada estão disponíveis para rede Utilizam-se métodos estatísticos para determinar regularidades nos padrões de entrada, A rede desenvolve uma habilidade para formar representações internas, a fim de codificar as características de entrada, formando grupos ou classes de padrões. Assim, é necessário que haja redundância nos dados de entrada, sem redundância o aprendizado não é possível. 32/40 Meio Eterno Estado do Meio Eterno RNA Resposta o Aprendizado não supervisionado: Aprendizado Hebbiano: Aumenta-se o peso da ligação entre dois neurônios que são ativados no mesmo instante e enfraquecer a ligação entre neurônios que são ativados em tempos diferentes. Ou seja se um neurônio emissor tem grande influência na ativação de um neurônio receptor, a coneão entre eles deve ser reforçada pois houve alguma mudança metabólica no meio. Regra de Hebb : 33/40 : o Aprendizado não supervisionado: Aprendizado competitivo: A partir de um dado padrão de entrada, fazer com que as unidades de saída disputem entre si para serem ativadas. A vencedora tem sua saída ativada e seus pesos atualizados no treinamento. Com isso, a unidade de saída terá maior probabilidade de ficar ativa na próima repetição do padrão. Um neurônio mais forte, possui a tendência de ficar cada vez mais forte, podendo inibir os outros neurônios, tornando-os inativos. 34/40 w ( t). y ( t) ( t) ij i j o Aprendizado por Reforço Baseia-se na lei do efeito que diz que quanto maior a satisfação obtida com uma certa eperiência em um animal, maiores as chances dele aprender (punição e recompensa de cobaias). Se uma ação tomada pelo sistema de aprendizagem é seguida de estados satisfatórios, então a tendência do sistema de produzir esta ação particular é reforçada. Se não, a tendência do sistema de produzir esta ação é enfraquecida. A única informação de realimentação fornecida à rede é se uma determinada saída está correta ou não. Crítico Reforço / Penalidade 35/40 Aplicações Clique para de editar Redes o estilo Neurais do título mestre Análise de crédito Previsão séries Análise de mercado Proc. voz Data mining Proc. sinais Diagnose médica 36/40 RNA ação Det. fraudes Rec. odores Interfaces 6
7 O Mercado Mundial o Empresas... USAir Visa Siemens Fujitsu US supermarket chains AT&T Microsoft Britvic Soft Drinks Gerber Baby Foods Barclays Citibank Mastercard M&M/Mars Sharp 37/40 Empresas Clique para Especializadas editar o estilo do em título Redes mestre Neurais HNC Corporation Nestor Inc. Visionics Neuristics Corporation PNNL Microsoft BehavHeuristics Inc NeuroTech NeuralWare Neural Applications Corp. Siemens AT&T Retek Caere 38/40 A Clique Realidade para editar no Brasil o estilo... do título mestre Banco do Brasil Grupo Martins CHESF e Eletrobrás Empresas Atacadistas Financeiras 39/40 Em Clique Que para o Grupo editar Desenvolve o estilo do Pesquisas título mestre... Redes Neurais Teoria Aplicações Ferramentas 40/40 Marinha do Brasil Volkswagen Banco Bandeirantes 7
Redes 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 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 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 maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
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 maisRedes Neurais Prof. Germano CrispimVasconcelos
Redes Neurais Prof. Germano CrispimVasconcelos gcv@cin.ufpe.br ramal 21268430 r-4310 9/5/2007 1 Objetivos da Disciplina (1) Apresentar a filosofia da abordagem, principais fundamentos, modelos de Redes
Leia maisOrganização e Estrutura do Sistema Nervoso. Dr. Flávio Aimbire
Organização e Estrutura do Sistema Nervoso Dr. Flávio Aimbire Introdução O sistema nervoso é o mais complexo Tem função de receber informações sobre variações internas e externas e produzir respostas a
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 maisTECIDO NERVOSO. Profa. Daniela Carrogi Vianna
TECIDO NERVOSO Profa. Daniela Carrogi Vianna TECIDO NERVOSO Neurônio: unidade fundamental do tecido nervoso. Função: Dendrito = receber informações/impulso nervoso Corpo Celular/Núcleo = processar informações
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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
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 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 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 maisMestrado em Engenharia Elétrica Processamento de Imagem Prof Dr Aristófanes Correa Silva (DEE) Prof Dr Alexandre César Muniz de Oliveira (DEINF)
Mestrado em Engenharia Elétrica Processamento de Imagem Prof Dr Aristófanes Correa Silva (DEE) Prof Dr Alexandre César Muniz de Oliveira (DEINF) www.deinf.ufma.br/~acmo 1. Objetivo: Pesquisar técnicas
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 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 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 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 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 maisAPRENDIZADO EM MODELOS CONEXIONISTAS
APRENDIZADO EM MODELOS CONEXIONISAS Aprendizado é o processo pelo qual os parâmetros (os pesos das coneões entre os neurônios) de uma rede neural são austados através de uma forma continuada de estímulo
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 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 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 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 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 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 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 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 maisMetodologias de Programação
Metodologias de Programação Bloco 1 José Paulo 1 Formador José António Paulo E-mail: questoes@netcabo.pt Telemóvel: 96 347 80 25 Objectivos Iniciar o desenvolvimento de raciocínios algorítmicos Linguagem
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 maisINTRODUÇÃO A ROBÓTICA. Prof. MSc. Luiz Carlos Branquinho Caixeta Ferreira
INTRODUÇÃO A ROBÓTICA Prof. MSc. Luiz Carlos Branquinho Caixeta Ferreira Email: luiz.caixeta@ifsuldeminas.edu.br Site intranet.ifs.ifsuldeminas.edu.br/~luiz.ferreira Atendimento: Segunda-feira, 12:30 a
Leia maisPotencial de Membrana e Potencial de Ação. Células Neurais e Morfologia do Neurônio. Sinapse Excitatória e Inibitória
Potencial de Ação, Sinapse, Transmissão Neuromuscular Potencial de Membrana e Potencial de Ação Células Neurais e Morfologia do Neurônio Impulso Nervoso Sinapse Química e Elétrica Sinapse Excitatória e
Leia maisGlossário de Aprendizagem Motora
Glossário de Aprendizagem Motora Prof. Dr. Luciano Basso Lacom_EEFE 1. Ação: a descrição da ação é feita com base na intenção e no objetivo que se pretende alcançar. Ela é identificada pela meta à qual
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 maisRESOLUÇÃO. Artigo 2º - O Curso, ora criado, será oferecido no turno noturno, com 10 semestres de duração e com 50 vagas iniciais.
RESOLUÇÃO CONSEPE 27/2001 CRIA E IMPLANTA O CURSO DE ENGENHARIA DE COMPUTAÇÃO, NO CCT, DO CÂMPUS DE CAMPINAS. O Presidente do Conselho de Ensino, Pesquisa e Extensão - CONSEPE, no uso de suas atribuições
Leia maisCurso de Sistemas de Informação 8º período Disciplina: Tópicos Especiais Professor: José Maurício S. Pinheiro V. 2009-1
Curso de Sistemas de Informação 8º período Disciplina: Tópicos Especiais Professor: José Maurício S. Pinheiro V. 2009-1 Aula 5 Sistemas Biométricos 1. Sistema Biométrico Típico Qualquer que seja a característica
Leia maisÁrvore de Decisão. 3. Árvore de Decisão
Árvore de Decisão 3. Árvore de Decisão A árvore de decisão consiste de uma hierarquia de nós internos e externos que são conectados por ramos. O nó interno, também conhecido como nó decisório ou nó intermediário,
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS MESTRADO EM SISTEMAS DE COMPUTAÇÃO SISTEMAS INTELIGENTES (REDES NEURAIS ARTIFICIAIS)
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS MESTRADO EM SISTEMAS DE COMPUTAÇÃO SISTEMAS INTELIGENTES (REDES NEURAIS ARTIFICIAIS) PROF. DR. JOÃO LUÍS GARCIA ROSA TEMA 1:,1752'8d 25('(1$785$/;5('($57),&,$/
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisAutor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
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 maisGESTÃO POR PROCESSOS. Formação de Facilitadores para Melhoria de Processos
GESTÃO POR PROCESSOS Formação de Facilitadores para Melhoria de Processos GESTÃO POR PROCESSOS GRUPO GEPRO: Adauto - AUDINT Eneida - HC Gláucia - PRDU Jane - PRDU Maria Bernadete - HC Maria do Rosário
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 maisComputadores. Redes de. redes de computadores. Exemplo: Grécia antiga. O problema básico de. Antonio Alfredo Ferreira Loureiro. Exemplo: Grécia antiga
Redes de Computadores Antonio Alfredo Ferreira Loureiro Departamento de Ciência da Computação Universidade Federal de Minas Gerais Exemplo: Grécia antiga Peça Agamemnon, escrita por Aeschylus em 458 A.C.,
Leia maisCircuitos Aritméticos
Circuitos Aritméticos Semi-Somador Quando queremos proceder à realização de uma soma em binário, utilizamos várias somas de dois bits para poderemos chegar ao resultado final da operação. Podemos, então,
Leia maisArquitetura TCP/IP. Apresentado por: Ricardo Quintão
Arquitetura TCP/IP Apresentado por: Ricardo Quintão Roteiro Conexões Inter-redes Serviço Universal Rede Virtual (inter-rede ou internet) Protocolos para ligação inter-redes (TCP/IP) Divisão em camadas
Leia maisTipos de Software e Ambientes de Processamento
Universidade São Judas Tadeu Prof. André Luis Ribeiro Prof. Jorge Luis Pirolla Introdução à Computação Tipos de Software e Ambientes de Processamento Tópicos Formas de Processamento de Dados Sistema de
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 maisRedes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial SISTEMAS INTELIGENTES PROFESSOR FLÁVIO MURILO
Redes Neurais Artificiais Sistemas Inteligentes Especialização em Automação Industrial 1 Redes Neurais - Definição O que é Rede Neural ou Rede Neuronal Artificial (RNA)? É um modelo computacional que objetiva
Leia maisTrabalho sobre Topologia de Redes
Trabalho sobre Topologia de Redes Emerson Baptista da Silva 27 de Janeiro de 2013 Topologia das Redes A topologia de rede descreve como o fica a sua situação física através do qual os dados, imagens e
Leia maisAula 01 TEOREMAS DA ANÁLISE DE CIRCUITOS. Aula 1_Teoremas da Análise de Circuitos.doc. Página 1 de 8
ESCOLA TÉCNICA ESTADUAL ZONA SUL CURSO TÉCNICO EM ELETRÔNICA II. CIRCUITOS ELÉTRICOS Aula 0 TEOREMAS DA ANÁLISE DE CIRCUITOS Prof. Marcio Leite Página de 8 0 TEOREMA DA ANÁLISE DE CIRCUITOS.0 Introdução
Leia maisPREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO BRASIL UTILIZANDO REDES NEURAIS DE ELMAN
SPOLM 2007 ISSN 1806-3632 Rio de Janeiro, Brasil, 8 e 9 de novembro de 2007 PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO BRASIL UTILIZANDO REDES NEURAIS DE ELMAN Fernanda Fidelis Paschoalino Universidade
Leia maisÁrvores de Decisão Matemática Discreta
Bruno Duarte Eduardo Germano Isolino Ferreira Vagner Gon Árvores de Decisão Matemática Discreta 28/04/2011 Serra IFES Definição de Árvores de Decisão: Arvore de Decisão é uma árvore em que seus nós internos
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 maisSistemas de Informação para Bibliotecas
Sistemas de Informação para Bibliotecas Notas de Apoio ao Tópico 1 Henrique S. Mamede 1 Antes de mais nada: O QUE É MESMO INFORMAÇÃO?? Dados Informação Conhecimento Sabedoria 2 Dados São tipicamente voltados
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 maisPESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA
PESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA Rodrigo de Oliveira SOUZA 1 Letícia Pinheiro Ribeiro da COSTA 1 Camila Pires Cremasco GABRIEL 22 Luís Roberto Almeida GABRIEL-FILHO 2 RESUMO:
Leia maisIntrodução a Banco de Dados. INTRODUÇÃO
INTRODUÇÃO O termo banco de dados é bastante popular em diversas áreas de atuação. Com o aumento da utilização de computadores na manipulação de dados que envolvem diversas aplicações, os bancos de dados
Leia maisAula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão
MC3305 Algoritmos e Estruturas de Dados II Aula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Custo de um algoritmo
Leia mais- Campus Salto. Disciplina: Sistemas de Arquivos Docente: Fernando Santorsula E-mail: fernandohs@ifsp.edu.br
Disciplina: Sistemas de Arquivos Docente: Fernando Santorsula E-mail: fernandohs@ifsp.edu.br Sistemas de Arquivos- Parte 2 Pontos importantes de um sistema de arquivos Vários problemas importantes devem
Leia maisUNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO
UNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO SAD Sistemas de Apoio à Decisão 2011/02 Aula Cinco crishamawaki@yahoo.com.br Modelos de decisão Sistemas de
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisTOKEN RING & TOKEN BUS
TOKEN RING & TOKEN BUS Curso Profissional Técnico de Gestão e Programação de Sistemas Informáticos Redes de Comunicação 10º Ano Nome: Diogo Martins Rodrigues Ferreira 2013/2014 ÍNDICE Introdução...2 Token
Leia maisIntegralização do Curso Nova grade de Ciência Proposta
Caros alunos, esse documento é um guia para facilitar o entendimento do processo de migração do currículo e não é definitivo. O processo de criação da nova grade ainda está em fase final de elaboração.
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS BIOLÓGICAS DEPARTAMENTO DE BIOQUÍMICA HORMÔNIOS E REGULAÇÃO METABÓLICA
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS BIOLÓGICAS DEPARTAMENTO DE BIOQUÍMICA HORMÔNIOS E REGULAÇÃO METABÓLICA Prof a. Dr a. Nereide Magalhães Recife, fevereiro de 2005 HORMÔNIOS Sinais hormonais
Leia maisÁrvores Parte 1. Aleardo Manacero Jr. DCCE/UNESP Grupo de Sistemas Paralelos e Distribuídos
Árvores Parte 1 Aleardo Manacero Jr. DCCE/UNESP Grupo de Sistemas Paralelos e Distribuídos Árvores uma introdução As listas apresentadas na aula anterior formam um conjunto de TADs extremamente importante
Leia maisPREVISÃO DE CARGA ATRAVÉS DE MODELOS NEURO-FUZZY. Victor Andrade de Almeida
PREVISÃO DE CARGA ATRAVÉS DE MODELOS NEURO-FUZZY Victor Andrade de Almeida Projeto de Graduação apresentado ao curso de Engenharia Elétrica da Escola Politécnica, Universidade Federal do Rio de Janeiro,
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
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 maisCapítulo VI. Teoremas de Circuitos Elétricos
apítulo VI Teoremas de ircuitos Elétricos 6.1 Introdução No presente texto serão abordados alguns teoremas de circuitos elétricos empregados freqüentemente em análises de circuitos. Esses teoremas têm
Leia maisBacharelado em Ciência da Computação 2009
Bacharelado em Ciência da Computação 2009 1 Resumo do Curso Tipo do Curso Duração mínima Carga horária mínima obrigatória Bacharelado anos 3.212 horas (contadas em 15 semanas) 21 créditos Turno Regime
Leia maisFUNÇÕES MATEMÁTICAS NÚMERO : PI() SENO E COSSENO: SEN() E COS()
FUNÇÕES MATEMÁTICAS FUNÇÕES MATEMÁTICAS O Excel possui uma série de funções matemáticas em sua biblioteca. Para utilizar uma função, sempre devem ser utilizados os parêntesis, mesmo que estes fiquem vazios.
Leia maisMODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1. Gabriel Attuati 2, Paulo Sausen 3.
MODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1 Gabriel Attuati 2, Paulo Sausen 3. 1 Parte integrante do Projeto de pesquisa Análise, Modelagem e Desenvolvimento
Leia maisMedidas e Escalas: Escalas não Comparativas
Medidas e Escalas: Escalas não Comparativas 1-1 Sumário do Capítulo 1) Escalas não comparativas 2) Escalas de rácios contínuos 3) Escalas de Itens i. Escala de Likert ii. iii. Escala de Diferencial semântico
Leia maisEXPLORANDO A RESOLUÇÃO DE PROBLEMAS COM O MAPLE
EXPLORANDO A RESOLUÇÃO DE PROBLEMAS COM O MAPLE José Domingos Albuquerque Aguiar UFRPE domingos.aguiar@ig.com.br Polyana de Cássia Cavalcanti dos Santos UFRPE - poly.cavalcanti@ig.com.br 1. INTRODUÇÃO
Leia maisMontadores e Compiladores
Montadores e Compiladores Prof. Idevar Gonçalves de Souza Júnior Conteúdo Programático Resumido Revisão da Arquitetura de Computadores Introdução a Teoria das Linguagens Compilação e Interpretação Análise
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 maisArquiteturas para Sistemas Distribuídos I
Arquiteturas para Sistemas Distribuídos I Pedro Ferreira Departamento de Informática Faculdade de Ciências da Universidade de Lisboa Tópicos Estilos Arquiteturais: formas de desenhar o software do SD Organização
Leia mais7. Funções de Lógica Combinacional. 7. Funções de Lógica Combinacional 1. Somadores Básicos. Objetivos. Objetivos. Circuitos Digitais 03/11/2014
Objetivos 7. Funções de Lógica Combinacional Fazer distinção entre meio-somadores e somadores-completos Usar somadores-completos para implementar somadores binários em paralelo Explicar as diferenças entre
Leia maisCódigo de barras XXII SEMANA ACADÊMICA DA MATEMÁTICA. 1. Código de barras. Fernanda Taline da Silva ¹, Fabiana Garcia Papani ²
Código de barras Fernanda Taline da Silva ¹, Fabiana Garcia Papani ² ¹ Acadêmica do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste do Paraná Caixa Postal
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia mais1.1. Definição do Problema
13 1 Introdução Uma das principais preocupações de área de engenharia de software diz respeito à reutilização [1]. Isso porque a reutilização no contexto de desenvolvimetno de software pode contribuir
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 maisSOFTWARE PARA O ENSINO DE POLINÔMIO
SOFTWARE PARA O ENSINO DE POLINÔMIO Fábio José da Costa Alves fjcalves@yahoo.com.br Lainy Bezerra Moraes moraeslb@hotmail.com Tássia Cristina da Silva Pinheiro tassia.pinheiro@hotmail.com Resumo: Neste
Leia maisPROGRAMA da Certificação Internacional em Integração Sensorial
PROGRAMA da Certificação Internacional em Integração Sensorial A University of Southern California Divisão de Ciência Ocupacional e Terapia Ocupacional, juntamente com a Western Psychological Services
Leia maisAlgoritmos e Programação II
Algoritmos e Programação II Agenda Desenvolver Software Objetos Classes Estudo de algumas Classes da API Estudo de algumas Classes da API Pacotes Criando nossa primeira classe Desenvolver SOFTWARE GAP
Leia maisCOMO DETERMINAR O IMPACTO DAS VARIAÇÕES PERCENTUAIS
COMO DETERMINAR O IMPACTO DAS VARIAÇÕES! O que é Variação Percentual?! O que é Número Índice?! Como transformar um valor percentual em valor decimal?! Como comparar diferentes taxas percentuais?! Como
Leia maisUM ESTUDO SOBRE CONFIABILIDADE DE REDES
UM ESTUDO SOBRE CONFIABILIDADE DE REDES Taíse Ferraz Lyra Escola Nacional de Ciências e Estatísticas ENCE/IBGE Rua André Cavalcanti, 106 Centro - RJ taiselyra@gmail.com Carla Silva Oliveira Escola Nacional
Leia maisProdução de Vídeos Didáticos: Tábua de Galton
UNICAMP - Universidade Estadual de Campinas; IFGW Instituto de Física Gleb Watagin; Relatório Final de F 809, Instrumentação para ensino: Produção de Vídeos Didáticos: Tábua de Galton André de Ávila Acquaviva,
Leia maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisProblema da Árvore Geradora Mínima
Problema da Árvore Geradora Mínima The Minimum Spanning Tree Problem Fernando Nogueira Árvore Geradora Mínima 1 O Problema da Árvore Geradora Mínima (The Minimum Spanning Tree Problem) Considere uma rede
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisCAPÍTULO 2 SISTEMAS DE NUMERAÇÃO E CÓDIGOS
CAPÍTULO 2 SISTEMAS DE NUMERAÇÃO E CÓDIGOS Código BCD; Comparação entre BCD e Binário; Circuitos Digitais para BCD; Código Gray; Código ASCII; Detecção de erros pelo método de Paridade O que é um Código?
Leia maisRequisitos de Software
Requisitos de Software Ian Sommerville 2006 Engenharia de Software, 8ª. edição. Capítulo 6 Slide 1 Objetivos Descrever requisitos funcionais e não funcionais Explicar como os requisitos de software podem
Leia mais