Redes Neurais Artificiais. Everton Gago

Transcrição

1

2

3 Redes Neurais Artificiais Everton Gago

4 Como vai ser?

5 O que é RNA?

6 Conglomerado de neurônios!?!?

7 Neurônio:

8 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1

9 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6

10 Neurônio: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7

11 Neurônio: Entradas: Pesos: SIGMA (função de soma): F. Transf. (Y): X0 = 0 X1 = 1 X2 = 1 W0 = 0.3 W1 = 0.1 W2 = 0.6 U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

12 Rede Neural:

13 Como essa jossa funciona?

14 #Fase 1: Treinar

15 #Fase 2: Classificar

16 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

17 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 X0 X1 X2 S. Esperada F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

18 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 X0 X1 X2 S. Esperada F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

19 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 X0 X1 X2 S. Esperada Erro 0 1 = -1 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

20 Treinar: Entradas: X0 = 1 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 1 X0 X1 X2 S. Esperada Erro 0 1 = -1 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

21 Treinar: Entradas: X0 = 1 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 1 X0 X1 X2 S. Esperada Erro 0 1 = = 0 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

22 A rede acertou 50%

23 Mexer nos pesos!

24 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.3 W1 = 0.1 W2 = 0.6 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.7 X0 X1 X2 S. Esperada F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

25 Treinar: Entradas: X0 = 0 X1 = 1 X2 = 1 Pesos: W0 = 0.1 W1 = 0.2 W2 = 0.3 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.5 X0 X1 X2 S. Esperada Erro 0 0 = 0 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

26 Treinar: Entradas: X0 = 1 X1 = 1 X2 = 1 Pesos: W0 = 0.1 W1 = 0.2 W2 = 0.3 SIGMA (função de soma): U = (X0 * W0) + (X1 * W1) + (X2 * W2) U = U = 0.6 X0 X1 X2 S. Esperada Erro 0 0 = = 0 F. Transf. (Y): SE (U > 0.5) Y = 1.0 SENAO Y = 0.0

27 Rede Neural:

28

29 Como fica?

30 Neurônio

31 Rede Neural:

32 Camada

33 Rede Neural:

34 Rede Neural

35 Exemplo de utilização

36 Classificar perfil de risco

37 Perfil de risco: SEXO IDADE E. CIVIL USA P/ TRABALHAR FILHOS M JOVEM SOL SIM NAO M ADULTO SOL SIM NAO F ADULTO CAS SIM SIM M IDOSO CAS NAO SIM F JOVEM SOL SIM NAO M JOVEM CAS SIM SIM F IDOSO CAS NAO SIM

38 Perfil de risco: SEXO IDADE E. CIVIL USA P/ TRABALHAR FILHOS RISCO

39 Código

40 Case: Classificação de anomalias.

41 Case: Como treinar? - Separação dos conjuntos de dados em trivialidades e anomalias :( Dividimos cada conjunto em duas partes: Treino e teste. Aferimos a precisão do classificador %.

42 Case: Utilização Revisão do processo:

43 Resultados

44 Case: Resultados O alinhamento do processo permite identificar anomalias ainda não conhecidas; Mudança na dinâmica do negócio. Reativo vs Preventivo;

45 Cuidados: Treinamento: Treinamento on-line nem sempre é possível; Algumas API's não oferecem acesso ao conhecimento da rede neural (vetores), neste caso é preciso serializar objetos para o repositório de dados; Importante separar seu conjunto de dados entre treino e teste (Cross Validation). Essa é uma forma de avaliar a capacidade de generalização da rede neural; Tuning: Eliminar redundâncias do conjunto de treino; Algumas API's não permitem parametrizar variáveis internas do algoritmo, que poderiam melhorar o desempenho e performance.

46 Conclusões: O treinamento contínuo trazido pelos mecanismos de feedback permite que as aplicações acompanhem as tendências / mudanças do negócio. Isso aumenta a efetividade do sistema e diminui o número de chamados ao TI para acrescentar regrinhas :) API's são estáveis bem documentadas, no entanto você pode sofrer com a falta de parametrização e o acesso aos dados internos do algoritmo. A escolha do algoritmo de aprendizado de máquina não precisa se restringir às RNA. Existem outros algoritmos com melhor performance em problemas específicos.

47 Obrigado!

48