Aplicações Práticas com Redes Neurais Artificiais em Java

Tamanho: px

Começar a partir da página:

Download "Aplicações Práticas com Redes Neurais Artificiais em Java"

Ágata Peixoto Castanho
10 Há anos
Visualizações:

1 com em Java Luiz D Amore e Mauro Schneider JustJava de Setembro de 2009

2 Palestrantes Luiz Angelo D Amore [email protected] Mauro Ulisses Schneider [email protected] Universidade Metodista de São Paulo Professores dos Cursos de Engenharia da Computação e Sistemas de Informação Universidade Presbiteriana Mackenzie Pesquisadores do Grupo de Engenharia de Sistemas Computacionais Adaptativos

org Universidade Metodista de São Paulo Professores dos Cursos de Engenharia da

3 Agenda 1 Motivação Cérebro Humano Neurônio Biológico 2 Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento 3 Classes Utilizacão 4 Demostração das aplicações práticas em Java

4 Motivação Motivação Cérebro Humano Neurônio Biológico Ap ic çõ s Pr t c s c m Re es Ne rais Art ici s em J a

5 Cérebro Humano Motivação Cérebro Humano Neurônio Biológico 100 Bilhões de Neurônios Interconexões por Sinapses Rede Neural Capacidade de processamento e armazenamento

6 Neurônio Biológico Motivação Cérebro Humano Neurônio Biológico Dendritos Corpo Axônio Recebem estímulos Coletam e combinam informações Transmitem estímulos

7 Aplicações Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Classificação Reconhecimento de caracteres Reconhecimento de imagens Diagnóstico médico Análise de crédito Detecção de fraudes Categorização Agrupamento de sequências de DNA Mineração de dados Agrupamento de clientes Previsão Previsão do tempo Previsão financeira (câmbio, bolsa)

Análise de crédito Detecção de fraudes Categorização Agrupamento de sequências de DNA

8 Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Métodos Estatísticos X Rede Neural Artificial Tratamento de dados numéricos e qualitativos Qualidade das previsões proporcional ao aprendizado

Neural Artificial Tratamento de dados numéricos e

9 Perceptron Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento O modelo mais simples de rede neural é composto de apenas uma unidade denominada perceptron. Tal rede mapeia múltiplas entradas, compostas de valores reais e uma única saída representada por um valor binário. (Pedrini, 2008)

10 Neurônio Artificial Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento X1 w1 X2. w2 w3 Σ f(.) y Xn y = f ( n ) xi wi i=1

11 MLP (Multi Layer Perceptron) Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Referência em Redes Neurais sendo a mais utilizada e difundida Arquitetura Camada de Entrada Camada(s) Intermediária(s) ou Oculta(s) Camada de Saída

Redes Neurais sendo a mais utilizada e difundida Arquitetura

12 MLP Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento E1 S1 E2 S2 E3

13 Treinamento Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Objetivo - Obter uma função que classifique corretamente as amostras Método - Atualização iterativa dos pesos Tipo - Supervisionado Conjunto - Pares de Entrada e Saída.

classifique corretamente as amostras Método - Atualização

14 Treinamento Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Correção dos pesos sinápticos E1 S1 E2 S2 E3 ε = Srede Sdesejada

15 Parâmetros Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento Taxa de Aprendizado - Taxa para correção do Erro Inércia - Proporcionalidade da taxa de aprendizado Época - Treinamento de todas as amostras do conjunto

para correção do Erro Inércia - Proporcionalidade da taxa de

16 Gráfico Aplicações Neurônio Artificial Rede - MLP (Multi Layer Perceptron) Treinamento

17 Classes Classes Utilizacão BackPropagation +treinar() MLP +forward() Neurônio +corrigirpesos() Sinapse -peso

18 Utilizacão Classes Utilizacão Listagem 1: Utilizacao 1 MLP mlp = new MLP( 2, 5, 1 ) ; 2 BackPropagation bp = new BackPropagation ( mlp ) ; 3 bp. addpadraotreinamento ( entrada1, s a i d a 1 ) ; 4 bp. addpadraotreinamento ( entrada2, s a i d a 2 ) ; 5 bp. addpadraotreinamento ( entrada3, s a i d a 3 ) ; 6 bp. addpadraotreinamento ( entrada4, s a i d a 4 ) ; 7 mlp = bp. t r e i n a ( ) ;

addpadraotreinamento ( entrada1, s a i d a 1 ) ; 4 bp.

19 Demostração das aplicações práticas em Java Demostração das aplicações práticas em Java Perfil de Investidor OCR

20 Referências Braga, Antônio P.;Carvalho, André P.L.F.; Ludermir, Teresa Bernarda;, 2 a edição, 2007; Editora LTC Medeiros, Luciano F.; Redes Neurais em Delphi, 2006; Editora Visual Books Pedrini, Hélio; Schwartz, Willian R.; Análise de Imagens Digitais : Principios, Algoritmos e Aplicações, 2008; Editora Thomson Learning

; Redes Neurais em Delphi, 2006; Editora Visual Books Pedrini, Hélio; Schwartz,

21 Perguntas?

22 Obrigado!!!

Documentos relacionados

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento