Modelos de neurônios baseados na taxa de disparos
|
|
- Jónatas Vilaverde Beretta
- 7 Há anos
- Visualizações:
Transcrição
1 Modelos de neurônios baseados na taxa de disparos Devido à complexidade dos chamados modelos realistas de neurônios e redes neurais, baseados no formalismo de Hodgkin-Huxley, muitos autores preferem usar modelos simplificados de neurônios para estudar redes neurais e suas propriedades. Dentre os modelos simplificados de neurônios, uma classe bastante popular e com uso extensivo, principalmente na modelagem de processos cognitivos, é a dos modelos baseados na taxa de disparos: modelos de neurônios cujas saídas não são potenciais de ação, mas freqüências de disparos. Vários estudos experimentais com células nervosas se dedicam à determinação da chamada curva F-I da célula, que dá a freqüência de disparos (F) de um neurônio em função da intensidade de uma corrente injetada (I). Em geral, as curvas F-I de neurônios são funções não-lineares com saturação do tipo sigmoidal (veja abaixo). Modelando um neurônio como um elemento que recebe uma entrada (a corrente) e fornece uma saída (a freqüência de disparos), a função F-I pode ser vista como a função de transferência ou ganho do neurônio, que dá a sua relação entrada-saída. 1
2 Numa situação experimental, in vitro, é fácil injetar corrente em um neurônio para medir sua resposta. Porém, numa situação real, in vivo, um neurônio está recebendo estímulos de um grande número de outros neurônios (e, às vezes, até dele mesmo). Como fazer para interpretar a noção de função de transferência de um neurônio numa situação em que ele está inserido em uma rede? Para isto, é conveniente darmos uma olhada mais detalhada na maneira como as sinapses recebidas por um neurônio em seus dendritos (entradas) afetam a sua frequência de disparos (saída). Um neurônio típico recebe um grande número de sinapses de outros neurônios, algumas excitatórias e outras inibitórias, através da sua arborização dendrítica. Cada uma delas gera um potencial pós-sináptico excitatório ou inibitório. É muito raro encontrar um potencial de ação gerado em um dendrito. Em geral, eles são produzidos em uma estrutura denominada cone axônico, que é onde o axônio se conecta ao corpo celular. A cada instante de tempo, os diversos potenciais pós-sinápticos produzidos nos diferentes pontos da ramificação dendrítica de um neurônio, causados pelas sinapses que ele recebe de outros neurônios, propagam-se através da arborização dendrítica em direção ao corpo celular. Como eles não são potenciais de ação, eles sofrem atenuações ao longo da sua propagação. Porém, quando dois potenciais pós-sinápticos excitatórios ou dois potenciais póssinápticos inibitórios se encontram, eles podem se amplificar; já quando um potencial póssináptico excitatório se encontra com um inibitório, eles podem se cancelar. 2
3 A figura a seguir ilustra o processo de somação espaço-temporal que ocorre na arborização dendrítica de um neurônio típico. Ao se propagar em direção ao soma, os potenciais pós-sinápticos se combinam de diversas maneiras, gerando um potencial resultante no soma que pode ser visto como um potencial filtrado a partir dos vários potenciais pós-sinápticos recebidos num dado instante de tempo. Esse potencial resultante no soma é chamado em neurociência de potencial gerador. Para a modelagem de neurônios baseada na taxa de disparos, o potencial gerador representa a entrada que um neurônio recebe dos neurônios pré-sinápticos a ele. Na terminologia dos modelos baseados em taxas de disparos, o potencial gerador é chamado de nível de ativação u(. Para sermos mais concretos, vamos supor que um dado neurônio receba sinapses de N neurônios (veja a figura abaixo). 3
4 Vamos representar as freqüências de disparos, ou saídas, ou, ainda, atividades desses N neurônios pré-sinápticos por s i ( e, correspondentemente, os pesos das sinapses feitas por eles no neurônio de w i (. Note que, em princípio, tanto as atividades s i como os pesos w i podem variar no tempo. Os pesos sinápticos são números, positivos ou negativos, dando a força, ou eficácia, do acoplamento sináptico entre um neurônio que envia o sinal e o neurônio que o recebe. Quando o peso w de uma sinapse é positivo, ela é dita excitatória; quando ele é negativo, ela é dita inibitória. Pode-se modelar a maneira como o nível de ativação u( varia no tempo pela equação: du( τ = u( + E( wi (, si ( ). (1) dt Nesta equação, τ é a constante de tempo para a variação de u(. Caso o termo que descreve a entrada vinda dos N neurônios pré-sinápticos, E(w i,s i ), seja constante, a constante de tempo τ determina quão rapidamente o nível de ativação u( se aproxima exponencialmente do estado estacionário. Pode-se modelar a função E(w i,s i ) de diferentes maneiras. A mais comumente usada assume que E(w i,s i ) é dada pela combinação linear das N atividades s i tendo os pesos w i como coeficientes: N du( τ = u( + ωi ( si (. (2) dt i= 1 4
5 A saída, ou atividade, do neurônio é dada pela aplicação da função de transferência f(.) ao nível de ativação u: s ( = f ( u( ). (3) As equações (2) e (3) acima descrevem como um neurônio é modelado segundo a maioria das abordagens baseadas na freqüência de disparos. Há três tipos básicos de função de transferência f(u) usados em modelos de redes neurais. São eles: - Função degrau (função de Heaviside): - Função linear por partes: - Função sigmoidal (o exemplo usa a chamada função logística): 5
6 Estes três tipos de função de ativação capturam detalhes observados em diferentes tipos de curvas F-I de neurônios biológicos. Dependendo do tipo de problema ou aplicação, uma ou outra delas pode ser mais conveniente para ser usada. Em geral, as curvas F-I dos neurônios são funções não-lineares com saturação (como a da figura da página 1) e o uso de uma função de transferência sigmoidal é o mais recomendado. Do ponto de vista das aplicações, o uso de unidades cujas saídas sejam funções não-lineares das suas entradas (e diferenciáveis, como no caso da função logística) traz algumas vantagens. O popular algoritmo de aprendizagem de redes neurais artificiais denominado backpropagation está baseado no uso de funções de transferência nãolineares e diferenciáveis. Porém, para muitas faixas de valores experimentais a resposta em freqüência F de um neurônio é aproximadamente uma função linear do estímulo I. Nestes casos, uma função linear por partes pode ser usada. Ademais, em muitas aplicações práticas as unidades lineares funcionam muito bem e são mais simples de ser tratadas matematicamente. Já uma função do tipo degrau, embora seja a menos realista das três, enfatiza o fato de que a função de transferência de um neurônio é não-linear. Ela é a mais radical das funções não-lineares, levando a freqüência de disparos de um neurônio instantaneamente do valor zero para o valor máximo. O seu uso assume que um neurônio só possui dois regimes de disparo possíveis: (1) ausência de disparos, ou (2) disparos com a freqüência máxima. Por motivos históricos, um neurônio cuja função de ativação é do tipo degrau é chamado de neurônio de McCulloch-Pitts. O uso de uma função de transferência binária facilita bastante a análise matemática do sistema e permite muitas analogias entre as redes neurais artificiais e sistemas físicos. Um exemplo disso é dado pelo modelo de rede neural de Hopfield, que faz uma analogia entre redes de neurônios binários e redes de spins. 6
7 Quando se modela uma rede de neurônios conforme as equações acima, é conveniente usar uma notação matricial. Por exemplo, suponha uma rede composta por N neurônios como a da figura a seguir (tal rede pode modelar uma coluna cortical ou qualquer outra área do cérebro). Preste atenção na notação usada para os pesos w ij : o índice i indica o neurônio pós-sináptico e o índice j indica o neurônio pré-sináptico. O nível de ativação de um neurônio i qualquer dessa rede obedece à equação (2): N dui ( τ = ui ( + ωij( s j (. (5) dt j= 1 Define-se a matriz de conectividade sináptica W por: w11 w12 w13... w1 N w21 w22 w23... w2n W = w w w w N wn1 wn 2 wn 3... wnn Note que os neurônios da rede acima foram desenhados em um arranjo linear apenas para facilitar sua visualização e enumeração. O que realmente define a topologia das conexões entre os neurônios é a matriz W. Define-se o vetor dos níveis de ativação u e o vetor das atividades s dos neurônios da rede por: 7
8 u = u u u u e s1 s2 s = s N s N Em termos desses vetores e matrizes as equações para os níveis de ativação dos N neurônios da rede podem ser escritas como: du τ = u + W s. (6) dt A maneira com os neurônios de uma rede neural estão conectados entre si é chamada de arquitetura da rede neural. De maneira geral, há dois tipos de arquitetura para uma rede neural. 1. Com alimentação para frente (feedforward): a característica básica desse tipo de rede é que ela não apresenta realimentação (feedback). Começando a partir de qualquer unidade da rede e seguindo as direções das conexões sinápticas chega-se a uma unidade que não está conectada a qualquer outra unidade da rede. Tal unidade é chamada de unidade de saída da rede. As duas primeiras redes da figura abaixo ilustram exemplos de redes neurais com arquitetura feedforward. 2. Recorrente: a característica básica deste tipo de rede é que pelo menos um dos neurônios tem um laço de realimentação em que um dos caminhos sinápticos a partir da sua saída leva de volta a ele. Um exemplo de rede recorrente é dado pela terceira rede da figura abaixo. 8
9 Dada uma rede neural, com certa arquitetura e formada por neurônios lineares ou nãolineares, o seu objetivo está em executar uma determinada função, como, por exemplo, reconhecer padrões, modelar uma ação, etc. Uma rede neural biológica (o nosso cérebro, por exemplo) não nasce sabendo executar todas as funções que ela tem potencial para executar. É necessário que ela possua mecanismos de aprendizagem para que possa executar suas funções e se adequar às necessidades impostas pelo meio-ambiente. Em geral, as redes neurais biológicas aprendem a partir de exemplos: vários exemplos vão sendo apresentados à rede biológica até que, em algum momento, ela consegue generalizar e aprender a regra que está por trás deles. Acredita-se que um dos mecanismos responsáveis pelo aprendizado biológico esteja associado a modificações nas eficácias das sinapses. Essas modificações se manifestariam, por exemplo, em termos de um número maior ou menor de vesículas que se fundiriam com a membrana neuronal pré-sináptica, ou em termos de um aumento ou diminuição no número de canais iônicos na membrana pós-sináptica. O nome que se dá às modificações na eficácia das sinapses é plasticidade sináptica. No caso dos modelos de redes neurais, as eficácias sinápticas são representadas pelos pesos w ij conectando os neurônios entre si. Portanto, para que um modelo de rede neural possa capturar o fenômeno de plasticidade sináptica, é necessário que ele inclua mecanismos de modificação dos pesos sinápticos w ij. Em geral, esses mecanismos são expressos por equações para a variação dos pesos sinápticos do tipo: dwij( s = wij( + dt F( w (, s (, s ( ), τ ij i j (7) onde τ w é a constante de tempo que controla a taxa de mudança do peso sináptico. 9
10 Em geral, os processos de plasticidade sináptica são muito mais lentos que os processos responsáveis pela variação do nível de um neurônio, descrito pela equação (1). Portanto, costuma-se assumir que: τ >> τ s. A equação (7) também assume que a variação do peso sináptico w ij é um processo local, dependente, em princípio, apenas do próprio valor de w ij e das atividades dos neurônios pré- e pós-sinápticos envolvidos. Das várias regras de plasticidade sináptica possíveis, a mais famosa é a chamada regra de Hebb. Em seu famoso livro de 1949, The Organization of Behavior, o psicólogo Donald Hebb formulou uma teoria para o problema do aprendizado e da memória que tentava unificar a psicologia e a neurofisiologia. Para Hebb, uma memória de longa duração estável deveria depender de alguma mudança estrutural nas conexões (sinapses) entre os neurônios. Numa passagem famosa do seu livro, Hebb descreveu uma hipótese para essa mudança estrutural associada à memória de longa duração: Quando um axônio de uma célula A está próximo o suficiente de uma célula B para excitá-la e, repetida e persistentemente, toma parte em fazê-la disparar, algum processo de crescimento ou mudança metabólica ocorre em uma ou ambas as células de maneira que a eficiência de A, como uma das células que fazem B disparar, é aumentada. Hebb não propôs uma formulação matemática para esta hipótese. Em seu livro, ele apenas descreve um possível mecanismo de reforço da eficiência sináptica entre dois neurônios em que os botões sinápticos cresceriam, aumentando a área de contato sináptico entre as células (ver figura a seguir). 10
11 Um processo como o proposto por Hebb, de crescimento dos botões sinápticos, ainda não foi observado em animais adultos. Porém, outro mecanismo fisiológico foi observado no cérebro que parece ser uma evidência da existência de um processo de aumento da eficiência sináptica do tipo proposto por Hebb. Este mecanismo, conhecido como potencialização de longa duração (ou LTP, da sigla em inglês para long-term potentiation), foi observado inicialmente no hipocampo em Para uma revisão sobre LTP e também sobre depressão de longa duração (LTD, do inglês para long-term depression) veja as referências no fim desta aula. Independentemente do mecanismo fisiológico causador do aumento da eficiência sináptica proposta por Hebb, e até mesmo da existência de tal mecanismo, a hipótese de Hebb pode ser escrita em termos matemáticos. A maneira mais simples de expressar a hipótese de Hebb matematicamente é supor que o peso sináptico w BA entre dois neurônios A e B aumenta quando os dois neurônios estão ativos ao mesmo tempo. Uma expressão matemática que implementa este processo é: dwij τ w = wij( + si ( s j ( = wij( + f ( ui) f ( u j ). (8) dt 11
12 A equação (8), que podemos chamar de regra de Hebb básica, implica que atividades pré- e pós-sinápticas simultâneas (correlacionadas) provocam um aumento no peso sináptico. A regra de Hebb constitui a base da maioria das pesquisas teóricas sobre o papel da plasticidade sináptica sobre o aprendizado e a memória. Por exemplo, considere neurônios conectados sinapticamente e que disparem conjuntamente durante um período de treinamento em um experimento de associação entre um estímulo e uma resposta. A aplicação da regra de Hebb às sinapses entre esses neurônios fará com que elas se fortaleçam com o tempo (quanto mais experimentos de associação forem feitos, mais fortes elas se tornarão). Após o período de treinamento, devido à força entre essas conexões, a ativação de alguns desses neurônios por um estímulo pode provocar níveis de ativação tão grandes nos neurônios a eles conectados que estes também se tornem ativos, gerando a resposta associada. Este processo esta ilustrado pela figura abaixo, que esquematiza o mecanismo de plasticidade sináptica (hebbiano) subjacente ao fenômeno de condicionamento clássico, observado por Pavlov. 12
13 Na figura acima, a seqüência de (a) a (d) ilustra os passos do experimento de condicionamento clássico de Pavlov. O peso da conexão entre o estímulo nãocondicionado (comida) e a resposta não-condicionada (salivação) é muito grande, provocando a resposta quando ocorre o estímulo. Já o peso da conexão entre o estímulo condicionado (sino) e a unidade de salivação é pequeno, de maneira que o toque do sino não provoca resposta. A repetição do pareamento entre os estímulos não-condicionado e o condicionado cria uma correlação entre as unidades do sino e da salivação, que eleva o peso da sinapse entre elas. Após certo número de repetições, o peso é tão grande que apenas o toque do sino é suficiente para provocar a salivação. Referências: 1. Abbott, L.F. and Nelson, S.B., Synaptic plasticity: taming the beast. Nature Neuroscience, 3(suppl.): , Brown, T.H., Kairiss, E.W. and Keenan, C.L., Hebbian synapses: biophysical mechanisms and algorithms. Annual Review of Neuroscience, 13: , Malenka, R.C. and Bear, M.F., LTP and LTD: an embarrassment of riches. Neuron, 44:5-21, Sejnowski, T.J., The book of Hebb. Neuron, 24: ,
O Modelo de McCulloch e Pitts
O Modelo de McCulloch e Pitts Introdução à Neurociência Computacional (Graduação) Prof. Antônio Roque O primeiro modelo de redes neurais (numa época em que ainda não havia a diferença atual entre neurociência
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 maisComputação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição
Computação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição PROVA DIDÁTICA Tema 01 Neurônios ESCOLA POLITÉCNICA DA USP Engenharia de Sistemas Eletrônicos Especialidade 1 PROVA DIDÁTICA Tema
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 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 maisAs aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios.
Modelos de neurônios do tipo integra-e-dispara Introdução As aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios. Como a estratégia de Hodgkin
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
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 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 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 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 maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
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 maisSCC Capítulo 3 Aprendizado
Aprendizado Supervisionado Não Supervisionado Tarefas SCC-5809 - Capítulo 3 Aprendizado João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2012 João Luís G. Rosa c 2012 - SCC-5809: Redes Neurais
Leia maisO que é uma lesão neurológica???????
PLASTICIDADE NEURAL O que é uma lesão neurológica??????? Sistema Nervoso Central (SNC) Sistema Nervoso Periférico (SNP) Estruturas cerebrais Recuperação funcional? Como ocorre? Quais são as bases fisiológicas?
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. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
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 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 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 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 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 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 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 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 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 maisModelagem de Sinapses
Modelagem de Sinapses Introdução à Neurociência Computacional (Graduação) Antonio Roque Aula 15 Há dois tipos de sinapses, químicas e elétricas. Vamos começar considerando apenas a sinapse química, que
Leia maisO neurônio. Alguns íons podem utilizar esses poros para passar através da membrana (para dentro ou para fora da célula).
O neurônio O objetivo desta aula é fazer uma rápida revisão sobre as propriedades essenciais dos neurônios, utilizados como inspiração para os modelos de unidades das redes neurais artificiais. Ela servirá
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 maisIntrodução à Neurociência Computacional (Graduação) Prof. Antônio Roque Aula 6
Variações do modelo integra-e-dispara Nesta aula vamos apresentar algumas variações do modelo LIF visto na aula passada. Modelo integra-e-dispara com adaptação Estudos in vitro mostram que muitos tipos
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 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 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 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 maisPrático de Modelagem Computacional em Neurociência. Dia 25 de Julho. Redes
Prático de Modelagem 1o Curso Computacional em Neurociência Dia 25 de Julho Redes Rodrigo FO Pena Doutorando Por que redes? Neurociência: ciência complexa ~86 bilhões de neurônios Trilhões de sinapses
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
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 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 maisAprendizagem por Treinamento de Redes Neurais
Aprendizagem por Treinamento de Redes Neurais Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo aprende-se como neurônios organizados
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 maisModelagem matemática e computacional de neurônios
Modelagem matemática e computacional de neurônios www.lncc.br/ alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ Jornada em Neuropsiquiatria Computacional LNCC 02 e 03 de fevereiro
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 maisInteligência Artificial. Redes Neurais Artificiais. Aula II Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Redes Neurais Artificiais Aula II Introdução Introdução as Redes Neurais Artificiais - RNAs
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 mais4 Canais Iônicos Estocásticos
4 Canais Iônicos Estocásticos 4.1 Processos Estocásticos e o Modelo de Hodgkin e Huxley O modelo de Hodgkin e Huxley clássico, macroscópico, tem como fundamento a variação dos valores das condutâncias
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 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 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 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 maisCONSIDERAÇÕES SOBRE POTENCIAIS DE MEMBRANA A DINÂMICA DOS FUNCIONAMENTO DOS CANAIS ATIVADOS POR NEUROTRANSMISSORES
CONSIDERAÇÕES SOBRE POTENCIAIS DE MEMBRANA A DINÂMICA DOS FUNCIONAMENTO DOS CANAIS ATIVADOS POR NEUROTRANSMISSORES PEÇAS QUE DEFINEM OS POTENCIAIS DE MEMBRANA Canais vazantes de potássio K Canais Sódio
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 maisTerceiro Projeto Computacional (data de entrega: 02/05/18)
Terceiro Projeto Computacional (data de entrega: 0/05/18) 1. Nesta questão, você deverá aproveitar o código escrito no Projeto Computacional em que implementou a solução numérica do modelo de Hodgkin-Huxley.
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 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. 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 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 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 maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisNeurocomputação Parte 2
Neurocomputação Parte 2 Fabricio Breve - fbreve@gmail.com 25/09/2007 Fabricio Breve 1 REDES NEURAIS ARTIFICIAIS 25/09/2007 Fabricio Breve 2 Por que Redes Neurais? Computadores convencionais são eficientes
Leia maisHHSim Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr.
HHSim 2018 Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr. 1 O modelo de Hodgkin-Huxley foi proposto em 1952 para modelar o potencial de ação do axônio de sépia. Os dados sobre a corrente
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 maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisSCC Capítulo 2 Topologia e Representação
Modelos Arquiteturas Representação do Conhecimento SCC-5809 - Capítulo 2 Topologia e Representação João Luís Garcia Rosa 1 1 SCC-ICMC-USP - joaoluis@icmc.usp.br 2011 João Luís G. Rosa c 2011 - SCC-5809:
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia maisDesenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos.
Desenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos. Um modelo de equações diferenciais originalmente proposto para a propagação de sinais elétricos no
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 maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisProfa. Josiane M. Pinheiro outubro/2008
Baseada em: Stuart Russel e Peter Norving - Inteligência Artificial seção 20.5 Jorge M. Barreto Introdução às Redes Neurais Artificiais - http://www.inf.ufsc.br/~barreto/tutoriais/survey.pdf Cassia Yuri
Leia maisPOTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO
POTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO AULA 3 DISCIPLINA: FISIOLOGIA I PROFESSOR RESPONSÁVEL: FLÁVIA SANTOS Potencial de membrana Separação de cargas opostas ao longo da membrana plasmática celular
Leia maisPRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisEXCITABILIDADE I POTENCIAL DE MEMBRANA EM REPOUSO POTENCIAL DE MEMBRANA EM REPOUSO POTENCIAL DE MEMBRANA EM REPOUSO POTENCIAL DE MEMBRANA EM REPOUSO
EXCITABILIDADE I 1 - Introdução 1.1 Objetivo da aula: Estudar os mecanismos fisiológicos responsáveis pelos potenciais elétricos através das membranas celulares 1.2 Roteiro da aula: 1.2.1- Estudar o potencial
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 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 maisCapítulo 1. Introdução
Capítulo 1 Introdução As (RNAs), objeto de nosso estudo, têm a analogia neurobiológica como fonte de inspiração. Uma Rede Neural Artificial (RNA) é uma estrutura computacional projetada para mimetizar
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
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 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 - 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 maisQuarto projeto computacional (data de entrega: 05/06/17)
Quarto projeto computacional (data de entrega: 05/06/17) 1. Escreva um programa em MATLAB (ou na sua linguagem favorita) que implemente numericamente o modelo de neurônio integra-e-dispara com vazamento
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 maisO Perceptron de Rosenblatt foi desenvolvido para lidar com o problema de
O Perceptron de Rosenblatt Nas décadas de 1950 e 1960, vários pesquisadores estavam propondo modelos de redes neurais contendo modificações no modelo original de McCulloch e Pitts e regras de modificação
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia maisIntrodução à Neurociência Computacional
Introdução à Neurociência Computacional Antonio C. Roque USP, Ribeirão Preto, SP Aula 2 Potenciais de membrana e de ação Membrana neuronal Membrana neuronal: fina membrana (60-70 Å de espessura) que recobre
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 PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
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 maisGÊNESE E PROPAGAÇÃO DO POTENCIAL DE AÇÃO
GÊNESE E PROPAGAÇÃO DO POTENCIAL DE AÇÃO Comunicação entre os neurônios no sistema nervoso Introdução Mesmo para um simples reflexo é necessário que o SN, colete, distribua e integre a informação que
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais x 1 w k1 Bias b k +1 +1 x 1 x 2 x 3 x m +1 y 1 y 2 y o Sinais de entrada x 2 x m Fabricio Breve fabricio@rc.unesp.br w k2 w km Pesos sinápticos Σ Junção aditiva v k f(. ) Saída
Leia mais3 Redes Neurais Introdução
3 Redes Neurais 3.. Introdução As redes neurais artificiais, ou comumente conhecidas como Neural Networs, foram motivadas em princípio pela extraordinária capacidade do cérebro humano para executar tarefas
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 mais2º Curso Prático de Modelagem Computacional em Neurociência. Neurossimuladores. Renan O. Shimoura Doutorando
2º Curso Prático de Modelagem Computacional em Neurociência Neurossimuladores Renan O. Shimoura Doutorando O que são? Linguagens computacionais ou pacotes para uma linguagem já existente desenvolvidos
Leia maisCURSO DE EXTENSÃO. Neurofisiologia I. Giana Blume Corssac
2017 CURSO DE EXTENSÃO Neurofisiologia I Giana Blume Corssac Tópicos da aula: Bioeletrogênese Potenciais de membrana Transmissão sináptica Sinapses Neurotransmissores Sistema nervoso autônomo Bioeletrogênese
Leia mais