Aprendizagem por treinamento de redes de aproximação
|
|
- Liliana Mendes
- 4 Há anos
- Visualizações:
Transcrição
1 Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL Inteligência Artificial 1
2 Introdução Neste capítulo, serão apresentados conceitos sobre redes de e interpolação. Estas redes podem ser vistas como um caso especial de duas camadas da noção geral de redes neurais. Estas redes podem ser treinadas através de soluções de equações lineares ou através do gradiente ascendente. Também possuem capacidade de generalização tanto quanto as redes neurais com mais camadas. O objetivo é entender como as redes de interpolação e funcionam e como apresentar à rede as informações necessárias, através das amostras, para que sejam desempenhadas as respectivas funções. SEL Inteligência Artificial 2
3 Uma rede interpola ou aproxima funções de acordo com a quantidade de neurônios que ela possui. Funções gaussianas centradas em amostras fornecem boas interpolações. Suponha que se tenha uma caixa preta com várias entradas, x1... x n e uma saída u. Suponha também que se quer predizer os valores futuros de u, dada uma sequência de amostras de combinações entrada-saída. Decide-se construir uma função dos valores de entrada, y(x1. x n ) com as seguintes propriedades: o valor de y é exatamente igual à saída da caixa preta se as entradas apresentadas é uma das amostras das combinações entrada-saída; e o valor y está próximo à saída da caixa preta para as outras entradas. SEL Inteligência Artificial 3
4 Uma maneira de interpolar funções é fazendo uma soma ponderada de funções, f i : s y(x 1,..., x n )= i=1 w i f i (x 1,..., x n ) Existem evidências de que cada fi deve alcançar o valor máximo ou mínimo dele quando os valores de entrada, x 1...x n, estiverem próximos aos valores de entrada considerados para a i-ésima amostra entrada-saída. Os valores de f i devem mudar de acordo com as amostras da entrada. Suponha que se considere x1...x n, os valores da entrada atual, como as coordenadas de um vetor x. Também, suponha que os valores de entrada associados com a i-ésima amostra como as coordenadas de outro vetor, c i SEL Inteligência Artificial 4
5 Assim, cada amostra de entrada c i é um ponto de referência, ou centro, estabelecido pela i-ésima amostra entrada-saída. Em virtude de que cada f i depende somente de um centro, o centro estabelecido pela i-ésima amostra, cada f i especializa a influência da i-ésima amostra nas predições futuras. A questão que se coloca é a seguinte: qual função se deve escolher para g i? f i (x i )=g i ( x c i ) A função Gaussiana é a mais utilizada por duas razões: possui propriedades matemáticas atrativas e é fácil de ser controlada através de um parâmetro σ 1 2σ g i ( x c i )=e x c i 2 SEL Inteligência Artificial 5
6 Figura 1. Funções Gaussianas de várias larguras determinadas por três valores de σ. SEL Inteligência Artificial 6
7 Com a função Gaussiana incorporada à função interpolação, tem-se s y(x)= i=1 w i e 1 2σ x c i 2 Esta função pode ser calculada por uma rede de duas camadas sendo que o nó na segunda camada calcula uma soma ponderada das saídas dos nós da primeira camada, e cada um dos nós da primeira camada calcula uma função Gaussiana centrada em uma amostra de entrada. Tais redes são denominadas redes de interpolação. Veja um exemplo na Figura 2. SEL Inteligência Artificial 7
8 Figura 2: Uma rede de interpolação. Cada nó na primeira camada responde intensamente a uma amostra na entrada. O nó da segunda camada simplesmente soma as saídas ponderadas dos nós da primeira camada. SEL Inteligência Artificial 8
9 Em resumo, uma rede de interpolação é uma representação que é uma rede neural na qual: Existem duas camadas de neurônios. Cada neurônio da primeira camada calcula a Gaussiana da distância entre o vetor de entrada corrente e uma amostra do vetor de entrada. Cada neurônio da segunda camada soma as entradas dele. Os pesos entre as duas camadas são ajustados de tal maneira que cada saída do neurônio da segunda camada seja exatamente a saída desejada para cada amostra da entrada. SEL Inteligência Artificial 9
10 Com um número suficiente de nós, as redes podem interpolar perfeitamente. A seguir, é apresentado um exemplo de como funcionam redes de interpolação: vamos supor que uma pessoa deseja saber como ela aproveita as férias dela em função do tempo de duração. A Tabela 1 mostra as quatro últimas férias desta pessoa, as férias com menor tempo de duração foram boas, as próximas férias, com um tempo maior de duração, foram melhores (amostra 2), as férias da amostra 3 foram terríveis e a última foi melhor que a anterior, considerando uma escala de 1 a 10. SEL Inteligência Artificial 10
11 Amostra Duração (Dias) Avaliação (1-10) Tabela 1 SEL Inteligência Artificial 11
12 Suponha que se queira projetar uma rede de interpolação para predizer as avaliações de outras férias com durações distintas. Em função de que o problema possui quatro amostras, mas somente uma variável de entrada, a duração das férias, a rede de interpolação possui quatro nós e uma entrada, como mostrada na Figura 3. Com uma largura pequena σ, cada amostra tem somente influência local, com uma largura grande σ, cada amostra tem uma influência global. Dados valores para σ, é fácil calcular valores para os pesos tal que a rede de interpolação forneça resultados corretos para todas as amostras. A razão é que o número de pesos é o mesmo que o número de amostras das combinações entrada-saída, e cada combinação entrada-saída fornece uma equação envolvendo os pesos desconhecidos: SEL Inteligência Artificial 12
13 Figura 3: Uma rede de interpolação para predizer as avaliações das férias dadas as durações das férias. SEL Inteligência Artificial 13
14 1 2σ y 1 =w 1 e (x 1 x 1 ) σ +w 2 e (x 1 x 2 ) 2 1 2σ +w 3 e (x 1 x 3 ) 2 +w 4 e 1 2σ y 2 =w 1 e (x 2 x 1 ) 2 1 2σ +w 2 e (x 2 x 2 ) σ +w 3 e (x 2 x 3 ) 2 +w 4 e 1 2σ (x 1 x 4 ) 2 1 2σ (x 2 x 4 ) 2 1 2σ y 3 =w 1 e (x 3 x 1 ) 2 1 2σ +w 2 e (x 3 x 2 ) σ +w 3 e (x 3 x 3 ) 2 +w 4 e 1 2σ y 4 =w 1 e (x 4 x 1 ) σ +w 2 e (x 4 x 2 ) σ +w 3 e (x 4 x 3 ) 2 +w 4 e 1 2σ (x 3 x 4 ) 2 1 2σ (x 4 x 4 ) 2 SEL Inteligência Artificial 14
15 O procedimento de treinamento pode ser resumido da seguinte maneira: Para criar uma rede de interpolação: Para cada amostra dada, crie um nó centrado na amostra de entrada. Então, crie uma equação da seguinte maneira: Calcule a distância entre a amostra da entrada e cada um dos centros dos nós. Calcule a função Gaussiana de cada distância. Multiplique cada função Gaussiana pelos correspondentes pesos dos nós. Equacione a saída da amostra com a soma das funções Gaussianas ponderadas das distâncias. Resolva as equações para encontrar os pesos. SEL Inteligência Artificial 15
16 Para três valores de σ, a tabela abaixo fornece os respectivos valores (Tabela 2) σ w 1 w 2 w 3 w SEL Inteligência Artificial 16
17 Dado um σ e um conjunto correspondente de pesos, pode-se calcular os valores para a função de interpolação e a rede correspondente não somente para as amostras das entradas consideradas, mas para qualquer entrada. As funções ilustradas na Figura 4 foram geradas a partir dos valores da Tabela 2. Note que as funções de interpolação passam pelos dias de duração das férias 4, 7, 9 e 12. SEL Inteligência Artificial 17
18 Figura 4. Funções de interpolação para uma avaliação das férias do tipo Gaussiana para três valores de σ. Valores grandes e pequenos de σ produzem funções de interpolação oscilações e variações pouco representativas. SEL Inteligência Artificial 18
19 Se a rede possui menos nós que amostras, nenhuma escolha de pesos pode assegurar que a rede forneça a saída correta para todas as amostras das entradas. Pode-se construir redes com menos nós que amostras, estas redes são denominadas redes de, e olham para os pesos como aproximações razoáveis. O método do gradiente ascendente é apropriado para se ajustar os pesos para aproximações razoáveis das amostras das entradas. Este método busca os valores máximos como uma medida do desempenho de uma rede de. Pode-se medir o desempenho somando-se os erros quadrados para todas as amostras das entradas. Supõe-se que o valor atual de y para uma amostra particular é ds. SEL Inteligência Artificial 19
20 sendo r na equação anterior uma taxa constante, deve ser ajustada para garantir uma convergência rápida para uma solução satisfatória e evitar sobressinal e instabilidade. Em resumo, para se criar uma rede de : Quando existem poucas amostras, crie uma rede de interpolação usando o procedimento da rede de interpolação. Escolha uma taxa constante, r. Até que o desempenho seja satisfatório; Para todas as amostras das entradas, Calcule as saídas resultantes. Calcule Δw i para cada peso. Some as mudanças dos pesos para todas as amostras das entradas e altere os pesos. SEL Inteligência Artificial 20
21 O objetivo é maximizar a função objetivo P, esta função alcança valor nulo quando não existe erro: P= ( y s d s ) 2 s Para maximizar a função P, deriva-se a função com relação a cada peso, w i, assim as mudanças de peso podem estar em proporção às respectivas derivadas. Através da regra da cadeia e um pouco de álgebra chega-se à seguinte fórmula para calcular as mudanças dos pesos Δ w i =r s 1 2 σ (d s y s )e x s c i 2 SEL Inteligência Artificial 21
22 Suponha, para o exemplo das férias, que não se pode ter mais que dois nós na rede, assim a predição é a alternativa possível através de uma rede de, ao invés de uma rede de interpolação. Suponha também, que são estabelecidos os valores iniciais para a rede com dois nós usando as amostras da Tabela 1 para as férias com duração 7 e 12 dias, omitindo as férias com duração de 4 e 9 dias. Utilizando o método do gradiente ascendente, ajusta-se os pesos, usando todas as quatro amostras. Os resultados, após os pesos terem sido ajustados 100 vezes com uma taxa constante r = 0.1, estão resumidos na Tabela 3 e na Figura 5. w1 e w 2 reduzem o erro para as férias de 9 dias, mas acrescentam erro nas férias de 7 e 12 dias veja Figura 5. SEL Inteligência Artificial 22
23 Figura 5. Quando existem menos nós que amostras, a função de não pode fornecer as amostras das saídas para todas as amostras das entradas. O gradiente ascendente pode produzir um conjunto de pesos que fornece uma razoável. SEL Inteligência Artificial 23
24 w 1 w 2 c 1 c 2 Valores iniciais Valores finais Tabela 3 SEL Inteligência Artificial 24
25 Há uma alternativa de se ajustar os centros e os pesos simultaneamente. Para isto deve-se também encontrar as derivadas parciais de P com respeito às coordenadas do centro. A fórmula para a j-ésima componente do i-ésimo centro é definida como segue: Δ c ij =r s w i (d s y s )e 1 2σ x s c i 2 1 σ (x sj c ij ) Os resultados, após serem ajustados os pesos e os centros 100 vezes com r = 0.1, são mostrados na Tabela 4. SEL Inteligência Artificial 25
26 w 1 w 2 c 1 c 2 Valores iniciais Valores finais Tabela 4 SEL Inteligência Artificial 26
27 Figura 6. Quando existem menos nós que amostras, a função de não pode fornecer as saídas exatas para todas as amostras das entradas. Ajustando ambos, pesos e centros, a é melhor que a conseguida com os ajustes individuais. SEL Inteligência Artificial 27
28 Suponha que a avaliação das férias dependa da temperatura média também. A temperatura será medida em Celsius e em Fahrenheit. A quantidade de amostras continua as mesmas apenas acrescidas da temperatura média, portanto a rede possui duas entradas (duração e temperatura) e uma saída (avaliação). A Figura 7 mostra a avaliação produzida por uma rede como uma função da duração das férias para uma temperatura média de 73 F. Veja nas Tabelas 5 e 6 as temperaturas consideradas. SEL Inteligência Artificial 28
29 Amostra Duração Temperatura Avaliação Tabela 5: Temperatura em graus Fahrenheit SEL Inteligência Artificial 29
30 Amostra Duração Temperatura Avaliação Tabela 5: Temperatura em graus Celsius SEL Inteligência Artificial 30
31 Figura 7. Predição da avaliação das férias versus a duração das férias para uma temperatura média de 73 F. Uma variação maior caracteriza a curva quando a temperatura não é considerada. A função derivada da temperatura em graus Celsius mostra maior influência a partir das quatro amostras. SEL Inteligência Artificial 31
32 Note que a função de em graus Celsius é maior que em Fahrenheit, portanto as unidades utilizadas alteram o treinamento também. A utilização de um fator de escala para o treinamento da rede é um procedimento útil para o treinamento. SEL Inteligência Artificial 32
Aprendizagem por treinamento de redes de aproximação Marco Henrique Terra
Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.
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. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
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 maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
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 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 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: 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 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 maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
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 maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisObservamos no gráfico acima que não passa uma reta por todos os pontos. Com base nisso, podemos fazer as seguintes perguntas:
Título : B1 AJUSTE DE CURVAS Conteúdo : Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente
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 maisRenato Martins Assunção
Análise Numérica Integração Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 1 Introdução Calcular integrais é uma tarefa rotineira em engenharia,
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura:
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 16 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisAprendizagem por gerenciamento de modelos múltiplos
Aprendizagem por gerenciamento de modelos múltiplos Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo descreve-se uma maneira de se
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisAPROXIMAÇÃO DE FUNÇÕES MÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS INTRODUÇÃO Frequentemente é possível estabelecer uma relação linear entre duas grandezas medidas experimentalmente. O método dos mínimos quadrados é uma maneira de se obter
Leia maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisFILTROS NO DOMÍNIO ESPACIAL. Nielsen Castelo Damasceno
FILTROS NO DOMÍNIO ESPACIAL Nielsen Castelo Damasceno Gerando máscaras de filtragem espacial Algumas vezes pode ser útil expressar a soma de produtos como: = + + = = w são os coeficientes do filtros. z
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 maisAula 19 06/2014. Integração Numérica
CÁLCULO NUMÉRICO Aula 19 06/2014 Integração Numérica Objetivo: Calcular integrais utilizando métodos numéricos Cálculo Numérico 3/41 Integração Numérica Cálculo Numérico 4/41 Integração Numérica Em determinadas
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 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 maisAula 3 11/12/2013. Integração Numérica
CÁLCULO NUMÉRICO Aula 3 11/12/2013 Integração Numérica Objetivo: Calcular integrais utilizando métodos numéricos Cálculo Numérico 3/64 Integração Numérica Cálculo Numérico 4/64 Integração Numérica Em determinadas
Leia maisCCI-22 FORMALIZAÇÃO CCI-22 MODOS DE SE OBTER P N (X) Prof. Paulo André CCI - 22 MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO
CCI - MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO Prof. Paulo André ttp://www.comp.ita.br/~pauloac pauloac@ita.br Sala 0 Prédio da Computação -Gregory DEFINIÇÃO Em matemática computacional, interpolar significa
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura:
Leia maisUnidade 08 MATLAB Neural Network Toolkit
Unidade 08 MATLAB Neural Network Toolkit 1. Introdução Uma rede neural artificial (NN daqui em diante) é um modelo matemático que consiste de neurônios interconectados que imitam, em uma escala menor,
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisInteligência Computacional
Inteligência Computacional REDES NEURAIS ARTIFICIAIS ADALINE Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Adaline Adaline = Adaptive Linear
Leia maisINTEGRAL DEFINIDA APLICAÇÕES. Aula 05 Matemática II Agronomia Prof. Danilene Donin Berticelli
INTEGRAL DEFINIDA APLICAÇÕES Aula 05 Matemática II Agronomia Prof. Danilene Donin Berticelli Variação Total Em certas aplicações práticas, conhecemos a taxa de variação Q (x) de uma grandeza Q(x) e estamos
Leia maisAula 4 Medidas de dispersão
AULA 4 Aula 4 Medidas de dispersão Nesta aula, você estudará as medidas de dispersão de uma distribuição de dados e aprenderá os seguintes conceitos: amplitude desvios em torno da média desvio médio absoluto
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 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 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 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 maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisGabarito P2. Álgebra Linear I ) Decida se cada afirmação a seguir é verdadeira ou falsa.
Gabarito P2 Álgebra Linear I 2008.2 1) Decida se cada afirmação a seguir é verdadeira ou falsa. Se { v 1, v 2 } é um conjunto de vetores linearmente dependente então se verifica v 1 = σ v 2 para algum
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisDerivadas Parciais Capítulo 14
Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS No Exemplo 6 da Seção 14.7 maximizamos a função volume V = xyz sujeita à restrição 2xz + 2yz + xy = que expressa a condição de a área da superfície ser
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisMultiplicadores de Lagrange
Multiplicadores de Lagrange Para motivar o método, suponha que queremos maximizar uma função f (x, y) sujeito a uma restrição g(x, y) = 0. Geometricamente: queremos um ponto sobre o gráfico da curva 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 maisProf. Luiz Felix. Unidade II MATEMÁTICA APLICADA
Prof. Luiz Felix Unidade II MATEMÁTICA APLICADA Ajuste de curvas É um método que consiste em encontrar uma curva que se ajuste a uma série de pontos e que, possivelmente, cumpra uma série de parâmetros
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisINE Fundamentos de Matemática Discreta para a Computação
INE5403 - Fundamentos de Matemática Discreta para a Computação ) Fundamentos.1) Conjuntos e Sub-conjuntos.) Números Inteiros.3) Funções.4) Seqüências e Somas.5) Crescimento de Funções Seqüências Uma seqüência
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares.
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Combinação de Classificadores Filosofia O objetivo da combinação de
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisPOTENCIAL ELÉTRICO. Prof. Bruno Farias
CENTRO DE CIÊNCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE ACADÊMICA DE TECNOLOGIA DE ALIMENTOS DISCIPLINA: FÍSICA III POTENCIAL ELÉTRICO Prof. Bruno Farias Introdução Um dos objetivos da Física é determinar
Leia mais3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 9 de maio de 2013 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
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 maisMATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21
AULA 21 MATRIZES - PARTE 1 21.1 Definição e Manipulação de Matrizes Sabemos como definir variáveis de um novo tipo de dados, denominado vetor, que representam seqüências de valores de um mesmo tipo. Por
Leia maisCapítulo 5 Derivadas Parciais e Direcionais
Capítulo 5 Derivadas Parciais e Direcionais 1. Conceitos Sabe-se que dois problemas estão relacionados com derivadas: Problema I: Taxas de variação da função. Problema II: Coeficiente angular de reta tangente.
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 maisUnidade II MATEMÁTICA APLICADA. Prof. Luiz Felix
Unidade II MATEMÁTICA APLICADA Prof. Luiz Felix Equações do 1º grau Resolver uma equação do 1º grau significa achar valores que estejam em seus domínios e que satisfaçam à sentença do problema, ou seja,
Leia maisLei de Gauss. O produto escalar entre dois vetores a e b, escrito como a. b, é definido como
Lei de Gauss REVISÃO DE PRODUTO ESCALAR Antes de iniciarmos o estudo do nosso próximo assunto (lei de Gauss), consideramos importante uma revisão sobre o produto escalar entre dois vetores. O produto escalar
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 maisResolução de sistemas de equações não-lineares: Método Iterativo Linear
Resolução de sistemas de equações não-lineares: Método Iterativo Linear Marina Andretta/Franklina Toledo ICMC-USP 18 de setembro de 2013 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires.
Leia maisA equação horária do movimento de um corpo lançado para cima em um plano inclinado por um ângulo em relação à horizontal, a partir da origem, é
O Método dos Mínimos Quadrados Frequentemente, as leis físicas permitem prever o valor de uma grandeza y a partir de uma variável independente x. Um caso particular, mas bastante comum, é aquele em que
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisEXEMPLOS Resolva as equações em : 1) Temos uma equação completa onde a =3, b = -4 e c = 1. Se utilizarmos a fórmula famosa, teremos:
EQUAÇÃO DE SEGUNDO GRAU INTRODUÇÃO Equação é uma igualdade onde há algum elemento desconhecido Como exemplo, podemos escrever Esta igualdade é uma equação já conhecida por você, pois é de primeiro grau
Leia maisficha 2 determinantes
Exercícios de Álgebra Linear ficha 2 determinantes Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico 2 o semestre 2011/12 Determinantes 2 Sendo
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisResolução de sistemas de equações não-lineares: Método Iterativo Linear
Resolução de sistemas de equações não-lineares: Método Iterativo Linear Marina Andretta/Franklina Toledo ICMC-USP 27 de março de 2015 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires.
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares.
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
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 maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 84 Equação linear Sistemas de equações lineares A equação 2x + 3y = 6 é chamada linear
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 maisSequências e Séries Infinitas. Copyright Cengage Learning. Todos os direitos reservados.
11 Sequências e Séries Infinitas Copyright Cengage Learning. Todos os direitos reservados. 11.3 O Teste da Integral e Estimativas de Somas Copyright Cengage Learning. Todos os direitos reservados. O Teste
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 maisUNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE CURSO: CIÊNCIA DA COMPUTAÇÃO DISCIPLINA: ÁLGEBRA LINEAR PROF.: MARCELO SILVA.
UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE CURSO: CIÊNCIA DA COMPUTAÇÃO DISCIPLINA: ÁLGEBRA LINEAR PROF.: MARCELO SILVA Determinantes Introdução Como já vimos, matriz quadrada é a que tem o mesmo número
Leia maisAlgoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Leia maisIntrodução aos Métodos Numéricos. Instituto de Computação UFF
Introdução aos Métodos Numéricos Instituto de Computação UFF Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares. Métodos diretos Interpolação Ajuste de Curvas Zeros de Função Sistemas
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisUm polinômio p de grau, com coeficientes reais na variável é dado por:
Cálculo Numérico IPRJ/UERJ Sílvia Mara da Costa Campos Victer ÍNDICE Aula 3- Aproximação polinomial de Funções - Polinômios de Taylor Interpolação - Polinômios de Lagrange Aula 3 - Aproximação polinomial
Leia mais