Inteligência Artificial. Redes Neurais Artificiais. Aula II Introdução
|
|
- Carla Sanches Alencar
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Redes Neurais Artificiais Aula II Introdução
2 Introdução as Redes Neurais Artificiais - RNAs Redes Neurais Artificiais RNA (ver.) Características Ativação de Pitts e de Hebb Aprendizado Arquitetura Algoritmo backpropagation
3 RNAs - Conceitos Redes neurais artificiais são sistemas paralelos distribuídos compostos por unidades de processamento simples (neurônios artificiais) que calculam determinadas funções matemáticas (normalmente não lineares) que são dispostas em uma ou mais camadas interligadas por um grande número de conexões, geralmente unidirecionais. Na maioria dos modelos essas conexões estão associadas a pesos que armazenam o conhecimento adquirido pelo modelo e servem para ponderar a entrada recebida por cada neurônio da rede (Braga, Carvalho e Ludermir, 2007)
4 RNAs - Neurônio Booleano Suposições de McCulloch e Pitts (1943): 1) A atividade de um neurônio é um processo tudo ou nada (binário); 2) Um número mínimo de sinapses (>1) deve ser excitado em um período para ativar o neurônio; 3) O único atraso nos sistemas se dá nas sinapses; 4) A atividade de uma sinapse inibitória é absoluta; 5) A estrutura de interconexões não se modifica.
5 RNAs - Neurônio Booleano
6 Características gerais
7 RNAs Características gerais Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial decorre das interações entre as unidades de processamento da rede.
8 RNAs Características gerais A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser resumida da seguinte maneira: Sinais são apresentados à entrada; Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade; É feita a soma ponderada dos sinais que produz um nível de atividade; Se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída.
9 RNAs Características gerais Suponha que existam : p sinais de entrada X1, X2,..., Xp pesos w1, w2,..., wp limitador (limiar ou threshold ) t; Sinais de entrada assumindo valores booleanos (0 ou 1), e pesos assumindo valores reais. Neste modelo, o nível de atividade é dado por: a = X1w1 + X2w Xpwp A saída y é dada por (função passo/degrau) y = 1, se a >= t ou y = 0, se a < t.
10 RNAs - Neurônio Artificial
11 RNAs Detalhando... Cada neurônio de uma RNA é composto pelos seguintes elementos: um conjunto de valores de entrada; um conjunto de pesos; uma função de ativação; uma saída.
12 Detalhando
13 RNAs Detalhando... ENTRADAS As RNAs utilizam neurônios artificiais interconectados, que recebem informações de entrada (x 1,..,x i,...,x n ) através de sensores ou de outros neurônios, executam operações sobre elas e as enviam, como saída (y), para outros neurônios ou estruturas responsáveis pela conclusão da operação. O conjunto de valores que passam por um neurônio pode ser de diversos tipos diferentes; Contudo, normalmente são utilizados os valores discretos do conjunto [0,1], [-1,1], ou números de ponto flutuante.
14 RNAs Detalhando... PESOS Cada conexão entre neurônios, também chamada de sinapse, possui uma intensidade associada, expressa por um valor numérico denominado peso (w 1,..,w i,...,w n ), que pode ser modificado. Ou seja, cada entrada de um neurônio terá uma influência relativa sobre a função de ativação desse neurônio. Essa influência é determinada pelo peso dessa entrada. Os pesos de cada entrada são os elementos que possuem o conhecimento da rede, pois eles é que são adaptados durante o processo de treinamento.
15 RNAs - Detalhando... Função de Ativação Cada neurônio artificial determina um valor de entrada (net) através da soma dos produtos dos valores de entrada pelos valores de peso. Uma vez calculado este valor de entrada, ele se transforma no valor de ativação do neurônio. A função de ativação é utilizada para calcular o valor de ativação de cada neurônio em função dos seus pesos e dados de entrada. O neurônio calcula o valor de ativação em função do produto escalar WX= w 1 x 1 + w 2 x w n x n.
16 RNAs - Detalhando... Função de Ativação A ação da função de ativação, seja ela contínua ou descontínua, provoca uma reação ou saída de um neurônio em termos do nível de suas atividades internas, quando um certo valor de limiar (threshold) é atingido. Algumas das funções de ativação utilizadas pelas RNAs são a linear, linear por partes, sinal, sigmoidal, logística e hiperbólica.
17 RNAs funções de ativação:
18 RNAs - Detalhando... Saída É o resultado fornecido pela RNA como resposta aos cálculos realizados entre os valores de entrada, pesos e função de ativação: y=f(xw).
19 RNAs - Um Neurônio Artificial Estas características básicas se referem a um neurônio artificial padrão. No entanto, os neurônios artificiais podem diferir uns dos outros quando, por exemplo, são utilizadas diferentes funções de ativação, valores de limiar, entrada adicional e outros elementos que podem ser incluídos no processamento de um neurônio.
20 Aprendizagem de Hebb Em 1949, Donald Hebb propôs que o aprendizado em sistemas nervosos complexos poderia ser reduzido a um processo em que a intensidade das conexões sinápticas era alterada em função de influências detectáveis localmente. A ideia principal desta suposição, é sintetizada a seguir, na chamada regra de aprendizado Hebbiano:
21 Aprendizagem de Hebb "Quando um axônio de uma célula A está suficientemente próximo para excitar uma célula B, ou seja, toma parte no disparo de B de forma repetida, ocorre algum processo de crescimento ou alguma troca metabólica em uma das células, ou nas duas, de tal modo que a eficiência de A, como uma das células que desencadeia o disparo de B, é incrementada"
22 Neurônio Booleano & Pavlov reforço
23 Aprendizagem de Hebb 1) Se dois neurônios em ambos os lados de uma sinapse (conexão) são ativados simultaneamente, então a força daquela sinapse é seletivamente aumentada; 2) Se dois neurônios em ambos os lados de uma sinapse são ativados assincronamente, então aquela sinapse é seletivamente enfraquecida ou eliminada
24 Aprendizagem de Hebb
25 Rede Neural Artificial Uma rede neural pode operar, genericamente, em duas fases: 1) Treinamento: quando os valores das sinapses estão sendo ajustados; 2) Atuação/utilização: quando os valores das sinapses não mudam.
26 RNAs - Um Neurônio Artificial Existem modelos ou paradigmas diferentes que visam categorizar as RNAs. Duas abordagens no entanto, além de diferenciá-las, contribuem para caracterizar sua habilidade funcional: 1) o aprendizado 2) a arquitetura.
27 Aprendizado
28 RNAs - Aprendizado A propriedade que é primordial para uma RN é a sua habilidade de aprender a partir de seu ambiente e de melhorar o seu desempenho através da aprendizagem (Haykin). Existem vários conceitos para aprendizado de RNs. O conceito de aprender para as RNAs está relacionado com a apresentação de um comportamento diferente em resposta a um estímulo externo devido à excitações recebidas no passado
29 RNAs - Aprendizado Haykin: Aprendizagem é o processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo de estimulação pelo ambiente no qual a rede está inserida. O tipo de aprendizagem é determinado pela maneira pela qual a modificação dos parâmetros ocorre. Isto implica na seguinte sequência de eventos:
30 RNAs - Aprendizado Sequência de eventos: 1) a RN é estimulada por um ambiente; 2) a RN sofre modificações nos seus parâmetros livres como resultado desta estimulação; 3) a RN responde de uma maneira nova ao ambiente, devido às modificações ocorridas na sua estrutura interna.
31 RNAs - Aprendizado Ou seja... A propriedade mais importante das redes neurais é a habilidade de aprender a partir de seu ambiente e com isso generalizar seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas.
32 RNAs - Aprendizado O aprendizado ou treinamento de uma RNA ocorre após a apresentação dos dados e da escolha da arquitetura e do algoritmo de aprendizagem (associado à arquitetura). O treinamento de uma RNA não possui tempo determinado de execução e, na maioria dos casos, acontece com um subconjunto de exemplos;
33 RNAs - Aprendizado O teste de performance da RNA é realizado por um outro subconjunto de dados menor do que o utilizado para o treinamento. O treinamento e o teste são utilizados para medir o que a RNA aprendeu e verificar se esse aprendizado contém informações importantes para seus objetivos fins (aplicação).
34 Aprendizado Supervisionado e Não Supervisionado
35 RNAs - Aprendizado Supervisionado O aprendizado supervisionado é o paradigma de treinamento mais utilizado para treinar RNAs. Através do aprendizado supervisionado as RNAs aprendem através de exemplos propostos por um supervisor. Desta forma, um exemplo, de um conjunto de exemplos relativos a um determinado domínio, é apresentado a RNA com seu respectivo valor de saída correto.
36 RNAs - Aprendizado Supervisionado A RNA ao processar este exemplo, retorna um resultado. Este resultado é comparado com o valor de saída correto informado pelo supervisor, de onde obtémse um valor de erro. Este valor de erro é utilizado para efetuar ajustes aos pesos das conexões sinápticas, onde o conhecimento supostamente está sendo formado e armazenado.
37 RNAs - Aprendizado Supervisionado A este processo, que é executado para todo o conjunto de exemplos, chama-se época. Uma nova época é iniciada de forma que os valores de erro obtidos para cada exemplo nesta etapa, em média tendem a ser menores do que os erros obtidos na época anterior, e assim sucessivamente. Normalmente, várias épocas são necessárias para que o valor do erro obtido esteja dentro dos parâmetros considerados satisfatórios.
38 RNAs - Aprendizado Supervisionado Findo este processo, a rede é dita treinada, e está apta a atuar sobre aquele domínio para o qual foi treinada.
39 RNAs - Aprendizado Não Supervisionado O aprendizado não supervisionado é uma forma utilizada pelas RNAs para aprender em situações ou domínios em que não existem informações claras e concisas sobre os possíveis mapeamentos, tendo em vista os dados disponíveis. Portanto, não existe um "valor de saída correto" para cada exemplo, como no caso do aprendizado supervisionado, assim como não existe um supervisor do processo.
40 RNAs - Aprendizado Não Supervisionado Espera-se que a RNA possa agrupar as entradas por alguma similaridade, que pode ser analisada por um especialista visando encontrar esses mapeamentos, que indicam possíveis significados até sua identificação. Assim, as modificações dos pesos nas conexões sinápticas são feitas através de esquemas que atuam de maneira que a rede responda de forma semelhante, a exemplos semelhantes.
41 Arquiteturas
42 RNAs - Arquiteturas A arquitetura de uma RNA representa a forma com que os neurônios estão organizados e conectados entre si. Esta forma de organização está relacionada com os algoritmos de aprendizagem usados para treinar a rede. Em geral, podem ser identificadas duas classes de arquiteturas de redes neurais, as redes com duas ou mais camadas de alimentação para frente, chamadas feedforward, e as redes recorrentes.
43 RNAs - Arquiteturas Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior. Camada de Entrada: onde os padrões são apresentados à rede; Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características; Camada de Saída: onde o resultado final é concluído e apresentado.
44 RNAs - Arquiteturas Arquiteturas Feedforward:
45 RNAs - Arquiteturas Arquiteturas Feedforward: As RNAs são ditas de alimentação para frente (feedforward), quando o fluxo dos dados necessariamente só é conduzido para frente, implicando neste tipo de estrutura, que não há realimentação. Este tipo de rede pode apresentar duas ou mais camadas de neurônios.
46 RNAs - Arquiteturas Arquiteturas Recorrente:
47 RNAs - Arquiteturas Arquiteturas Recorrentes: As redes recorrentes são aquelas em cuja estrutura de organização dos neurônios existem além de conexões de alimentação para frente, conexões de realimentação (feedback). Portanto, não existe direção privilegiada para a propagação da informação.
48 RNAs - Arquiteturas A definição da arquiteturas de uma RNA, depende de vários fatores, dentre eles: 1) Complexidade do problema 2) Dimensionalidade do espaço de entradas 3) Características dinâmicas ou estáticas 4) Conhecimento a priori sobre o problema 5) Representatividade dos dados 6) Tipo de algoritmo escolhido.
49 RNAs - Aprendizado Algoritmo de Aprendizagem: Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas para a solução de um problema de aprendizado. Existem muitos tipos de algoritmos de aprendizado específicos para determinados modelos de redes neurais, estes algoritmos diferem entre si principalmente pelo modo como os pesos são modificados.
50 RNAs - Aprendizado Algoritmo de Aprendizagem: Portanto, não há um algoritmo de aprendizagem único para as RNs. Há um conjunto de algoritmos cada qual oferecendo vantagens específicas. Diferem entre si pela forma como efetuam o ajuste do peso sináptico dos neurônios. Diferem entre si pela maneira como se relacionam com o ambiente (supervisionado ou não).
51 RNAs - Aprendizado Tipos (Haykin): Aprendizagem por correção de erro; Aprendizagem Baseada em memória; Aprendizagem Hebbiana; Aprendizagem Competitiva; Aprendizagem de Boltzmann; Aprendizagem por reforço; Aprendizagem Supervisionada Aprendizagem não Supervisionada
52 RNAs - Aprendizado Tipos (Haykin): Aprendizagem por correção de erro; Aprendizagem Baseada em memória; Aprendizagem Hebbiana; Aprendizagem Competitiva; Aprendizagem de Boltzmann; Aprendizagem por reforço; Aprendizagem Supervisionada Aprendizagem não Supervisionada
53 Aprendizado por Correção de Erro
54 RNAs - Aprendizado Aprendizagem por Correção de Erro: A aprendizagem por correção de erro é aquela cujo objetivo é minimizar o erro de resposta da rede, em relação a uma resposta desejada, em um dado momento.
55 RNAs - Aprendizado Aprendizagem por Correção de Erro: Existe uma resposta desejada para um neurônio k a um tempo n, como a resposta atual desse neurônio produzida através de estímulos advindos de um padrão de treinamento x(n). Este padrão de entrada x(n) e a resposta desejada para um neurônio k constituem um exemplo particular apresentado a rede, a um tempo n. Geralmente, a resposta do neurônio k é diferente da resposta desejada.
56 RNAs - Aprendizado Aprendizagem por Correção de Erro: Sendo assim, existe um erro, que é a diferença entre a resposta obtida em relação a resposta desejada. Portanto, a aprendizagem por correção de erro visa minimizar o erro de maneira tal que a resposta de saída mais se aproxime da resposta desejada. Há uma variedade de regras de adaptação que visam reduzir o erro com a apresentação de cada padrão de treinamento.
57 RNAs - Aprendizado Aprendizagem por Correção de Erro: O desempenho dos diferentes algoritmos para ajuste dos pesos é medido geralmente por uma função de erro médio sobre todo o arquivo de treinamento, chamado de erro médio quadrado. As abordagens mais utilizadas para redução do erro médio quadrado estão baseadas no método do gradiente descendente. Exemplos de algoritmos de aprendizagem por correção de erro são os Adalines e Madalines, os LMSs, e o Backpropagation.
58 APRENDIZAGEM POR REFORÇO
59 RNAs - Aprendizado Aprendizagem por reforço: As ideias decorrem dos experimentos de Pavlov e Minsky sobre condicionamento por reforço. Lei do Efeito: quanto maior a satisfação obtida com uma certa experiência em um animal, maiores as chances de ele aprender O aprendizado por reforço é considerado um caso particular de aprendizado supervisionado. No aprendizado por reforço o crítico externo procura maximizar o reforço das ações boas executadas pela rede.
60 RNAs - Aprendizado Aprendizagem por reforço: crítico Reforço / penalidade RNA ação
61 Aprendizagem Competitiva
62 RNAs - Aprendizado Aprendizagem Competitiva: Na aprendizagem competitiva, os neurônios de saída da RNA competem entre si para definir qual deles será ativado, em resposta a um determinado padrão de entrada apresentado. Assim, entradas que possuem alguma semelhança, tendem a ativar o mesmo neurônio. Tipo de aprendizagem adequada para descobrir características salientes que podem ser utilizadas para classificar um conjunto de padrões de entrada.
63 RNAs - Aprendizado Aprendizagem Competitiva: Os neurônios individuais da rede aprendem a se especializar em agrupamentos de padrões similares. Assim, eles se tornam detectores de características para classes diferentes de padrões de entrada. Entradas que possuem alguma semelhança tendem a excitar o mesmo neurônio na saída. Para um neurônio k ser o neurônio vencedor, seu campo local induzido vk para um padrão de entrada especificado x deve ser o maior entre os neurônios da rede.
64 RNAs - Aprendizado O sinal de saída yk do neurônio vencedor k é =1; os demais são iguais a 0. Aprendizagem Competitiva: Regra de aprendizagem competitiva padrão: w kj ( x w ) se o neuronio k vencer j kj = 0 se o neuronio k perder É a taxa de aprendizagem Esta regra tem o efeito global de mover o vetor de peso sináptico wk do neurônio vencedor k em direção ao padrão de entrada x
65 RNAs - Aprendizado Aprendizagem Competitiva: Pontos= vetores de entrada; x= vetores pesos de três neurônios de saída.
66 RNAs - Algoritmo Backpropagation Exemplo
67 RNAs - Backpropagation Problema : construir um reconhecedor de caracteres (OCR): - L; - C; - H; - O;
68 RNAs - Backpropagation
69 RNAs - Backpropagation
70 RNAs - Backpropagation
71 RNAs - Backpropagation
72 RNAs - Backpropagation Padrão de saídas para os caracteres: L ; C ; H ; O ;
73 RNAs - Backpropagation : L
74 RNAs - Backpropagation : L
75 RNAs - Backpropagation : L
76 RNAs - Backpropagation : L
77 RNAs - Backpropagation : L
78 RNAs - Backpropagation : L
79 RNAs - Backpropagation : L
80 RNAs - Backpropagation : L
81 RNAs - Backpropagation : L L
82 RNAs - Backpropagation : C C
83 RNAs - Backpropagation : H H +1
84 RNAs - Backpropagation : O O +1
85 RNAs - Algoritmo Backpropagation
86 RNAs - Arquitetura
87 representação Cada círculo representa um neurônio, e cada coluna de neurônios indica uma camada. Assim, os neurônios 1,..i,..N, compõem a camada de entrada, os 1,..j,..L, representam a camada escondida, e os neurônios 1,..k,..M, representam a camada de saída.
88 representação As setas que estão entrando na primeira camada representam as entradas da rede, e aquelas que estão saindo da última camada representam as saídas obtidas por ela. As demais setas que chegam à camada escondida e à camada de saída representam as ligações sinápticas, e indicam que a rede está totalmente interconectada.
89 representação - Os elementos x p1,..,x pi,..,x pn, representam o p-ésimo vetor de treinamento que servirá de entrada para a rede. - Os elementos x p0 e i p0 que recebem o valor fixo 1, alimenta o bias de cada neurônio. - Os elementos w h j0,..,w h j1,..w h ji,..,w h jn, assim como w o k0,..,w o k1,..,w o kj,..,w o kl representam os valores dos pesos sinápticos dos neurônios, e sofrem alterações durante o processo de aprendizagem da rede. - Os elementos i p1,..,i pj,..,i pl, e o p1,..,o pk,..,o pm representam as saídas (ativação) da camada escondida e da camada de saída, respectivamente.
90 Algoritmo O processo de treinamento de um único vetor de entrada, utilizando o algoritmo Backpropagation é feito da seguinte forma: a) Aplicar o vetor de entrada às entradas; x = (x, x,.., x ) p p p p 1 2 N b) Calcular os valores de "net" para as unidades da camada escondida; net N h h pj = wjixpi i= 1 T
91 Algoritmo c) Calcular as saídas da camada escondida; f h h pj j pj i = f ( net ) onde é a função de ativação aplicada as saídas da camada escondida. No exemplo, foi utilizada a tangente hiperbólica. d) Na camada de saída, calcular os valores de "net" para cada unidade de saída; net o pk L j= 1 o kj pj = w i
92 Algoritmo e) Calcular as saídas; onde é a função de ativação aplicada as saídas da camada de saída. Foi utilizada a tangente hiperbólica. f) Calcular os termos de erro para as unidades de saída; Onde: f o o o = f ( net ) pk k pk o y o f o ' net o pk pk pk k pk = ( ) ( )
93 Algoritmo y pk onde são os valores de saída desejados e é a derivada da função de ativação. Como neste caso foi utilizada a tangente hiperbólica, f o k ' = o 2 pk (1 ) g) Calcular os termos de erro para as unidades escondidas; h h h o o pj j pj pj kj k = f ' ( net ) w o' f k
94 Algoritmo h) Atualizar os pesos da camada de saída; onde o o o kj kj pk pj w ( t + 1) = w ( t) + i é o parâmetro da taxa de aprendizagem i) Atualizar os pesos da camada escondida; h h h ji ji pj pi w ( t + 1) = w ( t) + x O termo de erro médio instantâneo é definido como: M 1 2 onde E p = = ( y o ) pk pk pk pk 2 k = 1
95 Algoritmo - Exemplo
96 Definições p/a Rede Exemplo 1) Número de vetores de treinamento: 4 (somente os caracteres certinhos da matriz) 2) Número de neurônios na camada de entrada: 21 (20 matriz e 1 bias) 3) Número de neurônios na camada escondida: 5 4) Número de neurônios na camada de saída: 4 (4 padrões) 5) Parada p/erro médio quadrado satisfatório: 0,001 6) Limite máximo de padrões treinamento: ) Taxa de aprendizado: 0,001 8) Função de ativação: tangente hiperbólica
97 Implementação 1) Iniciar os pesos aleatoriamente (depois * 0,2) tanto da camada escondida quanto da camada de saída 2) Fornecer a taxa de aprendizado: ) Fornecer a quantidade de vetores de treinamento:4 4) Treinamento: rotinas de propagação e retropropagação; pára por taxa de erro ou pelo alcance do limite máximo de interações p/treinamento 5) Salvar a configuração total 6) Uso: apresenta um novo padrão p/reconhecimento; Responde com valor numérico do reconhecimento.
98 Referências Fernando Deschamps UFSC; Paulo Marins Engel UFRGS; Haykin, Simon. Redes Neurais princípios e prática. 2.ed. Porto Alegre: Bookman, Kovalsky.
99 Referências Fernando Deschamps UFSC; Paulo Marins Engel UFRGS; Haykin, Simon. Redes Neurais princípios e prática. 2.ed. Porto Alegre: Bookman, Braga, Carvalho e Ludermir. Redes Neurais Artificiais teoria e aplicações. Rio: LTC, Livro do Kovalsky; Lâminas do prof. Júlio Cesar Nievola, da PUC/PR; Lâminas de Leandro Augusto da Silva; Lâminas do Cin-UFPE;
UNIVERSIDADE 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 maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisRedes Neurais Artificiais
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 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 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 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 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 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: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia 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 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 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 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 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 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 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 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 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 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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
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 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 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 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 maisInteligência Artificial. Redes Neurais Artificiais. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Redes Neurais Artificiais Aula I Introdução Sistemas de IA Contextualização (IA Simbólica
Leia maisSCE 5809 REDES NEURAIS
Sistemas de SCE 5809 REDES NEURAIS Profa. Roseli Ap. Francelin Romero Os diversos sistemas de possuem características particulares e comuns que permitem sua classif.: linguagem de descrição modo paradigma
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 Artificiais. Profa. Teresa Ludermir Sistemas Inteligentes
Redes Neurais Artificiais Profa. Teresa Ludermir Sistemas Inteligentes Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo1: distinguir padrões visuais
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisRedes Neurais Artificiais. 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 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 mais5 Redes Neurais Artificiais
5 Redes Neurais Artificiais 5.1. Introdução A motivação original desta metodologia 1 foi a tentativa de modelar a rede de neurônios humanos visando compreender o funcionamento do cérebro. Portanto, como
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 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 e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
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 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 maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia 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 maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
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 maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 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 mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia 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. 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 maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia 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 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 mais3 REDES CLÁSSICAS PERCEPTRON E ADALINE
w b Professor José Gomes de Carvalho Jr. 3 REDES CLÁSSICAS PERCEPTRON E ADALINE 3.-Redes com funções de ativação de limiar Uma rede simples de uma camada, consiste em um ou mais neurônios de saída j conectados
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 maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
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 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 maislnteligência Artificial Introdução a Redes Neurais Artificiais
lnteligência Artificial Introdução a Redes Neurais Artificiais Objetivos Descrever as características básicas das Redes Neurais Artificiais (RNAs). Descrever o funcionamento de uma RNA. Descrever algumas
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
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 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 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 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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisCapítulo 2 Processos de Aprendizado
Capítulo 2 Processos de Aprendizado A propriedade mais significativa de uma Rede Neural Artificial é certamente a habilidade de aprender a partir do seu ambiente e melhorar seu desempenho através do aprendizado.
Leia maisSistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia 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 maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisRedes Neurais 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 mais