Ensaios sobre a Modelagem Computacional dos Circuitos Cerebrais do Sistema de Memória Emocional
|
|
- João Vítor Henrique Ramalho Ferreira
- 7 Há anos
- Visualizações:
Transcrição
1 Ensaios sobre a Modelagem Computacional dos Circuitos Cerebrais do Sistema de Memória Emocional Artur Versiani S. Varella 1, Carlos Alberto S. Franco 1 1 Instituto de Matemática Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ Brasil arturvsv@nce.ufrj.br, casfran@unisys.com.br Abstract. Considering the progresses in the researches of the neurosciences on the process of expression of the emotions and the storage of emotionally significant stimulus, this article describes some researches about the creation of a computational model based in the circuits involving the amygdala in the process of emotional learning. Biologically realistic algorithms were used with the objective of approximating the proposed model of the neurobiological reality. The results and the dynamics of the model were properly described analyzed. Resumo. Considerando os avanços nas pesquisas das neurociências sobre o processo da expressão das emoções e do armazenamento de estímulos emocionalmente relevantes, este artigo descreve alguns ensaios sobre a criação de um modelo computacional dos circuitos cerebrais relacionados com estes processos. Foram utilizados algoritmos biologicamente realísticos com o objetivo de aproximar o modelo proposto da realidade neurobiológica. Neste artigo se encontram descritos e analisados os resultados e a dinâmica do modelo proposto. 1. Introdução A modelagem computacional de circuitos cerebrais é de grande valia como mais um argumento aos resultados alcançados pelas neurociências, sejam anatômicos ou fisiológicos [O Reilly e Munakata 2000]. Atualmente, a observação em tempo real dos fluxos elétricos no cérebro é realizada primordialmente pela análise das diferenças geradas, decorrentes do processamento, no fluxo sanguíneo e no campo magnético cerebrais [Churchland e Sejnowski 1992]. Este tipo de medição não consegue capturar a dinâmica de funcionamento dos neurônios nas estruturas e nos circuitos anatômicos já conhecidos e pesquisados. Com um modelo computacional pode-se conseguir isolar um determinado circuito ou um sistema de circuitos no cérebro para que além de confirmar supostas hipóteses de funcionamento, possam ser geradas outras hipóteses, analisando a dinâmica de funcionamento do próprio modelo. Existem diversos sistemas de memória conhecidos atualmente pelas neurociências, dentre eles, o sistema de memória emocional é o mais recente [Eichenbaum 2002]. Para se estudar os circuitos cerebrais envolvidos na sua expressão, o medo é a emoção mais utilizada. Devido ao fato do medo ser uma emoção primária de fácil elicitação em mamíferos, como ratos, facilita o processo de pesquisa e a análise anatômica e fisiológica dos circuitos envolvidos [LeDoux 2002]. Desta forma, para se
2 estudar o processo de armazenamento e recuperação das memórias emocionais é utilizado o condicionamento clássico por medo: a apresentação de um estímulo incondicionado (choque) emparelhado com um estímulo condicionado (som) repetidamente, deve gerar após um determinado tempo uma resposta condicionada (expressão do medo) apenas com a apresentação do estímulo condicionado (som). Neste sentido, foi criada uma proposta de modelagem computacional para os circuitos envolvidos com o processo do condicionamento por medo, utilizando-se de ferramentas e algoritmos embasados nos conhecimentos atuais das neurociências. 2. Circuitos do Sistema de Memória Emocional De acordo com Eichenbaum (2002), o sistema de memória emocional envolve circuitos dedicados do cérebro que operam em paralelo com outros sistemas cerebrais. Assim, mesmo na ausência da memória consciente para os eventos da experiência aprendida, existe um sistema de memória específico que media a aprendizagem e a expressão das respostas emocionais a estímulos significantes. Por este sistema, podemos nos sentir nervosos, alegres ou com medo, mesmo antes ou independentemente da nossa habilidade de declarar a origem dos nossos sentimentos. Este sistema tem como estrutura central a amígdala e é encarregado também da expressão fisiológica do medo. O processar da amígdala, liberando e alterando os níveis das substâncias modulatórias responsáveis pelos estados emocionais [Izquierdo 2004], é responsável pela plasticidade específica que ocorre nos seus circuitos, portanto, o conceito de memória emocional está relacionado com a plasticidade cerebral nos circuitos envolvendo a amígdala e na influência do sistema em questão nos outros sistemas e estruturas cerebrais [LeDoux 2000]. Figura 1. Principais circuitos da amígdala utilizados no condicionamento por medo. A Figura 1 exibe os principais circuitos de entrada e saída da amígdala. As informações dos sentidos chegam ao tálamo e se dividem em dois caminhos: o caminho conhecido como rota curta sai do tálamo e vai direto para o núcleo lateral da amígdala, abastecendo-a rapidamente com informações ainda pouco processadas; a outra rota sai do tálamo, passa pelo córtex e provê o núcleo lateral com informações mais processadas. A amígdala é subdivida em vários núcleos altamente interconectados. Os núcleos mais importantes para o condicionamento por medo são os núcleos lateral, basal e central. As entradas principais da amígdala chegam ao núcleo lateral, que as projeta aos núcleos basal e central. O núcleo central é o responsável pelas saídas principais da amígdala; estas saídas estão relacionadas com diversas estruturas cerebrais como o sistema nervoso autônomo (coração, respiração), o hipotálamo (liberação de hormônios)
3 e a haste cerebral (reação de congelamento e vigilância). Os núcleos da amígdala recebem projeções de várias outras estruturas cerebrais, mas, o foco do modelo é, a princípio, o menor circuito responsável pelo condicionamento por medo. 3. LEABRA O LEABRA (local, error-driven and associative, biologically realistic algorithm) surgiu da preocupação em criar alternativas de algoritmos e dinâmicas computacionais fundamentadas no conhecimento atual das neurociências. Este algoritmo foi fundamentado em seis princípios básicos: realismo biológico, representações distribuídas, competição inibitória, ativação bidirecional, aprendizado orientado por erro e aprendizado Hebbiano [O Reilly 1998]. A maioria das redes neurais artificiais feedforward emprega apenas dois destes princípios: representações distribuídas e aprendizado orientado por erro [Haykin 2001]. Este algoritmo utiliza uma função de ativação que modela as propriedades eletrofisiológicas dos neurônios reais. A sua implementação, biologicamente consistente, facilita a construção da ligação entre biologia e cognição, além de possibilitar a modelagem da competição inibitória. É utilizada a função KWTA (k- Winners-take-all) [O Reilly 1998] para simular a inibição causada pelos neurônios inibidores no cérebro. Esta função tem como objetivo controlar o nível de ativação cerebral, limitando a ativação dos neurônios, em uma dada camada, a somente k unidades ativas ao mesmo tempo. O aprendizado direcionado por erro é implementado no LEABRA usando uma versão simétrica do algoritmo biologicamente plausível GeneRec [O Reilly e Munakata 2000]. São utilizadas duas etapas de processamento distintas: a primeira etapa é a fase negativa (-), que corresponde à expectativa ou predição de uma saída, e que é utilizada tão somente quando a rede não está em processo de aprendizado, fluindo a ativação normalmente da entrada para a saída. A segunda etapa é chamada de fase positiva (+), consiste na ativação da saída esperada juntamente às entradas e, neste caso, a informação flui nos dois sentidos da rede. Daí a importância das conexões bidirecionais para o LEABRA e, possivelmente, para o cérebro. A regra de aprendizado é a mesma para todas as unidades da rede, é na sua essência como a regra do delta: Δw = ε ( y y ) x (1) ik + j Sendo y j a ativação da unidade receptora, x i a ativação da unidade emissora e as fases indicadas pelos sinas + e sobrescritos. Apenas a computação desta diferença pode direcionar o aprendizado de uma forma muito parecida com o backpropagation [O Reilly e Munakata 2000]. Devido ao fato da aprendizagem Hebbiana ser biologicamente e computacionalmente plausível, ela satisfaz todas as restrições necessárias para ser utilizada como um mecanismo útil para a modelagem neurocomputacional. A implementação da combinação dos algoritmos de aprendizado hebbiano e direcionado por erro se dá de forma muito simples: j i Δ w = k Δ ) + (1 k )( Δ ) (2) ik hebb ( hebb hebb err
4 Δ hebb Os dois componentes de aprendizado e são dados pelas regras Hebbiana e supervisionada definidas acima; o parâmetro K hebb é utilizado para determinar a proporção dos dois tipos de aprendizado. 4. Modelo Computacional Proposto Os circuitos cerebrais do condicionamento por medo foram modelados utilizando-se do LEABRA, eles são exibidos na Figura 2. Δ err Figura 2. Modelo computacional dos circuitos do condicionamento por medo. Devido ao fato das projeções e divisões das áreas dos circuitos modelados, e do cérebro como um todo, não serem rígidas, foram modeladas apenas as projeções principais, levando em consideração as suas respectivas importâncias para o condicionamento por medo [Mcdonald 1998; LeDoux 2000]. 4.1 Entradas e saídas do modelo computacional proposto Os estímulos de entrada auditivos e somestésicos foram definidos como freqüências representadas pela combinação da ativação dois a dois do conjunto de neurônios das camadas de entrada. As saídas da amígdala se originam principalmente do núcleo central e controlam uma variedade de estruturas responsáveis por expressões emocionais como, por exemplo, o aumento da freqüência respiratória, o congelamento, o sobressalto ao choque e os movimentos faciais [Lent 2001]. Devido ao foco deste modelo não ser nenhuma destas estruturas em específico, foi modelada a saída amigdalóide com um único neurônio, responsável por determinar se manifesta ou não a reação de medo. 4.2 Modelagem das estruturas envolvidas Para controlar o nível de ativação das estruturas da rede foi utilizada inibição de 0.25, ou seja, aproximadamente 25% dos neurônios podem ficar ativos simultaneamente. O nível de aprendizado Hebbiano utilizado foi de 0.01 para todo o aprendizado no modelo. O tálamo foi modelado como um propagador dos estímulos, no sentido que este não realiza processamento sobre a ativação, seu papel de fato é pouco conhecido e parece ter haver com a atenção [O Reilly e Munakata 2000]. Sua projeção para o núcleo
5 lateral tem taxa de aprendizado de 0.01 e para o córtex de 0.005, devido às características de ambas as estruturas [LeDoux 2000]. As projeções para a amígdala que passam pelo córtex têm informações de alto nível, ou seja, são mais processadas [Lent 2001; LeDoux 2000]. Na modelagem dos córtices, foram utilizados vinte neurônios para cada córtex, sendo que sua projeção para a amígdala tem taxa de aprendizado de 0.01 para um estímulo inócuo e para um estímulo incondicionado [Armony et al 1997]. As conexões de retorno do núcleo central aos córtices têm peso reduzido de 0.5, apesar da grande influência da amígdala no processamento cortical. Isto se deve ao fato da grande influência da amígdala se dar devido a projeções a todas as fases de processamento, inclusive aquelas que não tem projeções de entrada para ela, e não a um sinal de retorno amplificado ao último estágio de processamento cortical [LeDoux 2002]. A taxa de aprendizado da projeção de saída, bem como das projeções de retorno do núcleo central obedecem ao mesmo critério variável das projeções córtex-amígdala. 4.3 Fases do treinamento Inicialmente o modelo deve ser ambientado, significando que ele deve construir representações internas dos estímulos sonoros e somestésicos, bem como aprender a gerar as respectivas saídas na amígdala. A próxima etapa é chamada de condicionamento, nela são utilizados padrões de entrada associando um estímulo condicionado auditivo com um estímulo incondicionado somestésico. A rede, então, é treinada utilizando validação cruzada. Esta validação é feita com um conjunto de padrões utilizados para verificar se somente o estímulo sonoro condicionado pôde gerar a resposta condicionada na amígdala, mesmo sem o modelo ter sido treinado explicitamente nesta tarefa. Se o comportamento esperado é realizado diz-se que o treinamento, ou o experimento, convergiu; analogamente, o animal adquiriu o condicionamento esperado. Armony e colaboradores (1997), na linha de pesquisa de LeDoux (2000), também desenvolveram um modelo computacional sobre o sistema de condicionamento por medo. Este modelo se parece em alguns aspectos ao modelo proposto neste trabalho, onde o estímulo incondicionado é apenas uma outra entrada, no entanto não são modeladas as estruturas pelas quais o estímulo em questão chega à amígdala. 5. Resultados Não foi utilizada uma modelagem direta para o condicionamento, na qual os estímulos são treinados e testados com os mesmos padrões de entrada. Desta forma, o modelo foi treinado para gerar um resultado com a apresentação simultânea dos estímulos, e testado com a apresentação apenas do estímulo condicionado. Assim, este modelo se aproxima de forma mais abrangente do paradigma do condicionamento clássico. Alguns outros modelos computacionais se referem ao estímulo incondicionado como a saída de uma rede na fase de treinamento, e a resposta condicionada como a saída gerada em um teste com o estímulo previamente aprendido [Gluck e Myers 2001]. Neste caso, o condicionamento é direto, ou seja, desde que a regra de aprendizado funcione, o condicionamento se dará com sucesso. Nestes outros modelos, as perguntas às quais eles se destinam a responder são diferentes [Gluck et al 2003].
6 O modelo apresentou resultados satisfatórios. Ele gerou a saída desejada apenas com a apresentação do estímulo sonoro, característica básica do condicionamento, sem que fosse apresentada explicitamente esta associação e sem que esquecesse o que já havia aprendido previamente, em 100% dos experimentos. A Tabela 1 exibe um resumo de algumas estatísticas dos treinamentos referenciados acima. Tabela 1. Resumo das estatísticas dos experimentos do modelo computacional proposto. Duração média dos experimentos Media (épocas) Desvio padrão Máximo (épocas) Mínimo (épocas) Convergência (%) Ambientação 00:00:18 48,66 32, % Condicionamento 00:00:57 164,36 95, % 5.1 Representações geradas Os córtices e os núcleos amigdalóides geram representações variadas para os diferentes estímulos, estas representações serão discutidas abaixo. Nos núcleos amigdalóides, no processo de ambientação, usualmente o núcleo lateral gera alguns grupos de representações parecidas: (1) um grupo correspondente aos estímulos auditivos; (2) um grupo correspondente aos estímulos somestésicos; (3) um grupo para os estímulos somestésicos que geram resposta na amígdala. Os núcleos central e basal seguem os grupos de representações geradas no núcleo lateral, apesar das suas representações serem menos definidas, ou seja, com um nível de ativação mais baixo. No condicionamento, a representação da ativação no núcleo lateral do estímulo sonoro condicionado geralmente converge para a mesma representação gerada pelo estímulo somestésico incondicionado. A Figura 3 exibe as representações dos núcleos da amígdala após o condicionamento: em (A) são exibidos os estímulos sonoros; e em (B) os estímulos somestésicos. Figura 3. Representações nos núcleos da amígdala após o condicionamento. Na procura por um nível de ativação estável que satisfaça as restrições impostas pelo modelo, na etapa de condicionamento, a representação gerada pelo estímulo condicionado é atraída para a representação gerada pelo estímulo incondicionado no
7 núcleo lateral, gerando um condicionamento bem sucedido. É possível que o cérebro, como um sistema dinâmico, atue também desta forma, ou seja, o resultado de um condicionamento bem sucedido talvez possa ser a atração, causada por um estímulo condicionado neutro, a um estado de ativação característico de um estímulo incondicionado. Nos córtices auditivo e somestésico, no processo de ativação da rede, pode ser que o estímulo sonoro condicionado gere alguma ativação no córtex somestésico. Esta ativação pode, depois do condicionamento bem sucedido, ser relacionada com a representação gerada somente pelo estímulo incondicionado no córtex somestésico. Este fato parece estar relacionado com a lembrança de uma associação aprendida: pode-se lembrar conscientemente, já que a informação está no córtex [Gazzaniga et al 2002], de uma sensação de medo, além de exibir as alterações fisiológicas características da ativação da amígdala através do condicionamento. As projeções de retorno da amígdala para os córtices cerebrais podem ajudar neste processo de lembrança, além de estarem relacionadas com a atenção. A Figura 4 exibe um exemplo deste tipo de ativação: em (A) pode-se observar a apresentação somente do estímulo sonoro condicionado e a ativação no córtex somestésico, idem à ativação oriunda da apresentação do estímulo incondicionado (B). Figura 4. Geração de representações no córtex oposto ao do estímulo condicionado. 6. Conclusão O modelo demonstrou resultados satisfatórios, ele apresentou comportamento característico dos circuitos cerebrais modelados. Após um condicionamento bem sucedido, apenas com a apresentação do estímulo condicionado (som) foi gerada uma resposta equivalente à exibição do estímulo incondicionado (choque), sem que o modelo tenha sido treinado explicitamente com este padrão de entrada. A análise das representações geradas também demonstrou características não óbvias obtidas pela dinâmica de funcionamento do modelo, podendo ser comparadas com a dinâmica cerebral. A dinâmica de funcionamento do LEABRA permite que a ativação neuronal no sistema de redes seja observada. Desta forma, além de ser possível a intervenção por scripts de programação em qualquer estado do modelo, pode-se visualizar as representações geradas em todas as camadas da rede. O sistema de neurônios passa a poder ser visualizado como um sistema dinâmico fechado [Varela et al 2003], no qual estímulos externos são perturbações na sua própria dinâmica.
8 Ainda em fase muito inicial, o modelo computacional proposto pode ser utilizado em pesquisas sobre a influência das emoções em características emergentes cerebrais como a atenção e a memória, representada neste caso como os outros sistemas de memória, e vice-versa. O modelo também pode ser utilizado em outros experimentos neurocomputacionais com a finalidade de gerar novas hipóteses ou comprovar as já existentes. Ajudando, desta forma, no desenvolvimento das neurociências. Referências Armony J. L.; Servan-Schreiber D.; Cohen J. D.; Ledoux J. E. (1997) Computational modeling of emotion: Explorations through the anatomy and physiology of fear conditioning, Trends in Cognitive Sciences, v. 1, n. 1, p , abr. Churchland P.; Sejnowski T. J. (1992) The Computational Brain, Cambridge: the MIT Press. Eichenbaum H. (2002) The Cognitive Neuroscience of Memory: an Introduction, New York: Oxford University Press. Gazzaniga M. S.; Ivry R. B.; Mangun G. R. (2002) Cognitive Neuroscience: The Biology of Mind, 2.ed. New York & London: W.W. Norton & Company. Gluck M. A.; Myers C. E. (2001) Gateway to Memory: An Introduction to Neural Network Modeling of the Hippocampus and Learning, London: MIT Press. Haykin, S. (2001) Redes Neurais: Princípios e Práticas, 2.ed. Porto Alegre: Bookman. Izquierdo I. (2004) A arte de esquecer, Rio de janeiro: Vieira & Lent. LeDoux J. E. (2000) Emotion Circuits in the Brain, Annual Review of Neuroscience, n. 23, p (2002) Synaptic Self: how our brains become who we are, New York: Viking. Lent R. (2001) Cem Bilhões de Neurônios: Conceitos Fundamentais de Neurociência, São Paulo: Editora Atheneu. McDonald A. J. (1998) Cortical pathways to the mammalian amygdala, Progress in Neurobiology, v. 55, p O Reilly R. C. (1998) Six principles for biologically based computational models of cortical cognition, Trends in Cognitive Sciences, v. 2, n. 11, p O Reilly R. C.; Munakata Y. (2000) Computational Explorations in Cognitive Neuroscience: Understanding the Mind by Simulating the Brain, Cambridge: MIT Press. Varela F. J.; Thompson E.; Rosch E. (2003) A mente incorporada: ciências cognitivas e experiência humana, Porto Alegre: Artmed.
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 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 maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisREDES NEURAIS ARTIFICIAIS
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 maisO termo redes neurais se sobrepõe a alguns campos distintos:
Conexionismo e Redes Neurais A psicologia conexionista é um campo que se apóia nas chamadas redes neurais artificiais como veículo para a expressão matemática dos seus conceitos e teorias. Ela não é o
Leia maisMemória. Dr. Fábio Agertt
Dr. Fábio Agertt O que é? Memória O termo memória tem sua origem etmológica no latim memoriam e significa a faculdade de reter e readquirir idéias, imagens, expressões e conhecimentos Função cerebral superior
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 maisFunções do Córtex Cerebral. Profª Viviane Marques
Funções do Córtex Cerebral Profª Viviane Marques Profª Viviane Marques Classificação das Áreas Corticais Classificação Anatômica Classificação Filogenética Classificação Estrutural Classificação Funcional
Leia maisIntrodução à Neurociência Computacional
Introdução à Neurociência Computacional Antonio C. Roque USP, Ribeirão Preto, SP Aula 1 Elementos básicos de neurociência Neurônio Doutrina do neurônio (Ramon y Cajal): O cérebro é composto por células
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 maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
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 maisMestrado Profissional em Ensino de Ciências
Mestrado Profissional em Ensino de Ciências Teorias da aprendizagem Professor: Oscar Tintorer Delgado Universidade Estadual de Roraima Necessidade da teoria Toda ciência tem como base teorias e a pedagogia
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 maisSelf Organizing Maps - Redes de Kohonen
Self Organizing Maps - Redes de Kohonen 1. Redes auto organizáveis Existe uma classe de redes neurais artificias que possuem a capacidade de auto organização, sendo por isto chamadas de redes auto organizáveis.
Leia maisPRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Leia maisDesafios da inclusão escolar e
Desafios da inclusão escolar e dificuldades de aprendizagens das pessoas com deficiência Profa. Dra Nadia Aparecida Bossa Profa. Dra. Nadia Aparecida Bossa Autora dos Livros: - Fracasso Escolar: um olhar
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 maisApresentação da Neurociência Computacional
Apresentação da Neurociência Computacional O objetivo principal da neurociência computacional é explicar como os sinais elétricos e químicos nas células e redes de células interconectadas do cérebro são
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 maisEcho State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
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 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 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 mais(CURSO DE ESPECIALIZAÇÃO EM BIOMECÂNICA) CONTROLE MOTOR
Escola de Educação Física e Desporto (CURSO DE ESPECIALIZAÇÃO EM BIOMECÂNICA) CONTROLE MOTOR Prof. PAULO JOSÉ GUIMARÃES DA SILVA www.peb.ufrj.br Lab. Proc. Sinais Engenharia Neural EMENTA DA DISCIPLINA
Leia maisAprendizado & Memória
Aprendizado & Memória Por que esta aula é importante para o curso de Medicina? Comum após concussão, alcoolismo crônico, encefalite, tumor cerebral e AVC. Demências: Doença de Alzheimer's Doença de Parkinson
Leia maisO que é uma lesão neurológica???????
PLASTICIDADE NEURAL O que é uma lesão neurológica??????? Sistema Nervoso Central (SNC) Sistema Nervoso Periférico (SNP) Estruturas cerebrais Recuperação funcional? Como ocorre? Quais são as bases fisiológicas?
Leia maisDra Nadia Bossa PALESTRA DISTÚRBIOS DE ATENÇÃO E DIFICULDADES DE APRENDIZAGEM
Dra Nadia Bossa PALESTRA DISTÚRBIOS DE ATENÇÃO E DIFICULDADES DE APRENDIZAGEM Dra Nadia Bossa O cérebro é constituído de vários circuitos neuronais, denominados sistemas funcionais. Esses sistemas são
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
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 maisElementos do córtex cerebral
Elementos do córtex cerebral Antonio C. Roque Universidade de São Paulo Ribeirão Preto, SP Baseado no capítulo 1 do livro de Moshe Abeles, Corticonics: Neural Circuits of the Cerebral Cortex, Cambridge
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisRedes Competitivas e de Kohonen
Redes Competitivas e de Kohonen Redes Competitivas Até agora as redes estudadas possuíam muitas saídas ativas, no aprendizagem competitivo somente uma unidade de saída pode estar ativa a cada momento.
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
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 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 maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
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 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 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 maisEstrutura e Funções do. Telencéfalo PROF. MUSSE JEREISSATI
EURO ANATOMIA Estrutura e Funções do Telencéfalo PROF. MUSSE JEREISSATI mussejereissati@hotmail.com website: www.mussejereissati.com Feito com Apple Keynote AGORA, NÃO! 3 O Cérebro (Encéfalo) Está dividido
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 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 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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisAS RELAÇÕES NEURAIS DE INTERAÇÃO E INTEGRAÇÃO ENTRE RACIOCÍNIO MORAL E EMOÇÕES: UM DIÁLOGO DAS NEUROCIÊNCIAS COM AS ÉTICAS CONTEMPORÂNEAS
AS RELAÇÕES NEURAIS DE INTERAÇÃO E INTEGRAÇÃO ENTRE RACIOCÍNIO MORAL E EMOÇÕES: UM DIÁLOGO DAS NEUROCIÊNCIAS COM AS ÉTICAS CONTEMPORÂNEAS THE NEURAL RELATIONS OF INTERACTION AND INTEGRATION BETWEEN MORAL
Leia maisAprendizagem e Neurodiversidade. Por André Luiz de Sousa
Aprendizagem e Neurodiversidade Por André Luiz de Sousa Você provavelmente já se perguntou: o que é a aprendizagem? Como aprendemos? Neste breve texto, falaremos um pouco sobre este assunto. A aprendizagem
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRedes Neurais. 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 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 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 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 maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisArticulações entre Música, Educação e Neurociências: Ideias para o Ensino Superior
7SIMCAM SIMPÓSIO INTERNACIONAL DE COGNIÇÃO E ARTES MUSICAIS UNIVERSIDADE DE BRASÍLIA, 2011 Articulações entre Música, Educação e Neurociências: Ideias para o Ensino Superior Luciane Cuervo, Departamento
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 maisTodos os animais têm direito ao respeito e à proteção do homem
Todos os animais têm direito ao respeito e à proteção do homem Comportamento animal Conceitos básicos Conceitos básicos Comportamento é uma reação exibida pelo indivíduo como resultado de estímulos internos
Leia maisÁREAS CORTICAIS ENVOLVIDAS NO CONTROLE DE MOVIMENTOS: Areas de Brodmann
ÁREAS CORTICAIS ENVOLVIDAS NO CONTROLE DE MOVIMENTOS: Areas de Brodmann COMANDO MOTOR SUPERIOR: CÓRTEX Planejamento e comando motor. Experimentos de estimulação elétrica de áreas cerebrais estabeleceram
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
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 maisANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL IBM RESEARCH NO MUNDO IBM RESEARCH NO MUNDO CIÊNCIA DO COMPORTAMENTO CIÊNCIA DOS MATERIAIS QUÍMICA MATEMÁTICA CIÊNCIA DA COMPUTAÇÃO
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisRobótica Evolutiva uma População de Robôs Reais que Fazem Amor e Geram Descendentes Enquanto Aprendem a Realizar Tarefas
Robótica Evolutiva uma População de Robôs Reais que Fazem Amor e Geram Descendentes Enquanto Aprendem a Realizar Tarefas Eduardo Simões Mestrado em Microeletrônica UFRGS Doutorado em Robótica University
Leia maisTodos os animais têm direito ao respeito e à proteção do homem
Todos os animais têm direito ao respeito e à proteção do homem Comportamento animal Conceitos básicos Conceitos básicos Comportamento é uma reação exibida pelo indivíduo como resultado de estímulos internos
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisposicionados no escalpe do usuário, medindo sinais eletroencefalográficos (EEG). Uma vez medidos, esses sinais são então classificados por modelos
1 Introdução A interação entre humanos e máquinas tem sido um campo de pesquisa e desenvolvimento em expansão nos últimos anos. As três últimas décadas testemunharam o aparecimento de interfaces homem-máquina
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 maisA Utilização de Algoritmos na formação da Decisão Judicial Razão, Emoções e Sentimentos
A Utilização de Algoritmos na formação da Decisão Judicial Razão, Emoções e Sentimentos Lisboa, 7 de Junho de 2018 1 Luis Martins Advogado IBM Corporation Glossário Básico Sistema Computacional Máquina
Leia maisTodos os animais têm direito a vida
Todos os animais têm direito a vida Comportamento animal Conceito de comportamento Comportamento é uma reação exibida pelo indivíduo como resultado de um estímulo interno ou externo Conceito de etologia
Leia maisProfs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani O que é Machine Learning? Estatística Machine Learning
Leia maisEncéfalo. Aula 3-Fisiologia Fisiologia do Sistema Nervoso Central. Recebe informações da periferia e gera respostas motoras e comportamentais.
Aula 3-Fisiologia Fisiologia do Sistema Nervoso Central Sidney Sato, MSC Encéfalo Recebe informações da periferia e gera respostas motoras e comportamentais. 1 Áreas de Brodmann Obs: Áreas 1,2,3 : área
Leia maisAspectos Anatômicos: CÉREBRO E TDAH
Entendendo o Transtorno de Déficit de Atenção e Hiperatividade (TDAH) Parte I Aspectos Anatômicos: CÉREBRO E TDAH Ft. Alline Camargo Fisioterapeuta graduada pela Universidade de Sorocaba (UNISO) (CREFITO-3/228939-F)
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisNosso objetivo: Exposição de casos clínicos, compartilhar conhecimentos e ampliar as possibilidades de atendimentos no seu dia a dia profissional.
GEN XIX Grupo de Estudos em Neurometria Discussão de Casos Clínicos Nosso objetivo: Exposição de casos clínicos, compartilhar conhecimentos e ampliar as possibilidades de atendimentos no seu dia a dia
Leia maisNEURO UR PLA S ICI C DA D DE cére r bro br é um sis i t s e t ma m ab a e b rto t, o que est s á cons con t s a t n a t n e i t n e t ra r ç a ã ç o
NEUROPLASTICIDADE O cérebro é um sistema aberto, que está em constante interação com o meio e que transforma suas estruturas e mecanismos de funcionamento ao longo do processo de interação. Aprende atuando!
Leia maisSistema Límbico. Prof. Gerardo Cristino. Aula disponível em:
FACULDADE DE MEDICINA/UFC-SOBRAL MÓDULO SISTEMA NERVOSO NEUROANATOMIA FUNCIONAL Sistema Límbico Prof. Gerardo Cristino Aula disponível em: www.gerardocristino.com.br Objetivos de Aprendizagem Sistema Límbico
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 Motivação Básica A mente humana,
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 maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisPSICOLOGIA B - 12º ano
PSICOLOGIA B - 12º ano Tema 2: EU Processos emocionais A professora: Antónia Couto Ano letivo: 2011-2012 Índice Introdução Distinção entre afeto, sentimento e emoção (D5) Definição de emoção (D6 e D7)
Leia maisNeste curso, vamos estudar algumas maneiras em que a matemática é usada para modelar processos dinâmicos em biologia.
Introdução à Modelagem Matemática em Biologia Os sistemas biológicos são caracterizados por mudança e adaptação. Mesmo quando eles parecem ser constantes e estáveis, isso é o pelo resultado de um balanceamento
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
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 maisEsboço da aula. - Princípios da teoria evolutiva. - Cognição humana em uma perspectiva evolutiva. - Modulações culturais
Esboço da aula - Princípios da teoria evolutiva - Cognição humana em uma perspectiva evolutiva - Modulações culturais Objetivos de aprendizagem - Entender os fundamentos da teoria evolutiva e como eles
Leia maisUFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia 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 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 maisPsicofisiologia APRENDIZAGEM E MEMÓRIA
Psicofisiologia APRENDIZAGEM E MEMÓRIA Aprendizagem e Memória Definições e classificações Aprendizagem: Indução de alterações neuronais induzidas pela experiência Memória: Manutenção e expressão daquelas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 maisReconhecendo Instrumentos Musicais Através de Redes Neurais Artificiais
Reconhecendo Instrumentos Musicais Através de Redes Neurais Artificiais Carlos Roberto Ferreira de Menezes Júnior, Eustáquio São José de Faria, Keiji Yamanaka Faculdade de Engenharia Elétrica (Programa
Leia maisPrático de Modelagem Computacional em Neurociência. Dia 25 de Julho. Redes
Prático de Modelagem 1o Curso Computacional em Neurociência Dia 25 de Julho Redes Rodrigo FO Pena Doutorando Por que redes? Neurociência: ciência complexa ~86 bilhões de neurônios Trilhões de sinapses
Leia mais