Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação
|
|
- Maria Clara Sabala Gesser
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1
2 Conceitos básicos Naive Bayes K-vizinhos mais próximos Redes Neurais Outros classificadores Combinação de classificadores 2
3 Naive Bayes 3
4 Naive Bayes Se em uma dimensão para N pontos temos N dados, em l dimensões termos N l dados. Assim, se l é grande, a estimação de uma fdp multidimensional é difícil de se obter. Logo, devemos fazer algumas concessões acerca da precisão que esperamos obter na estimação de uma fdp. 4
5 Naive Bayes Uma das suposições que podemos fazer é que os atributos individuais são estatisticamente independentes. Assim: Para fazer essa estimação será necessário ln (l pontos para cada fdp 1D) ao invés de N l pontos. 5
6 Naive Bayes O classificador Naive Bayes associa o vetor de atributos x à classe: Apesar da limitação em assumir independência dos atributos, o classificador Naive Bayes é robusto e apresenta boa performance para muitos dados reais. 6
7 Naive Bayes Naive Bayes no Weka: 7
8 Naive Bayes Formato: 8
9 Naive Bayes Naive Bayes no class REAL REAL REAL REAL 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa 5.4,3.9,1.7,0.4,Iris-setosa... 9
10 Naive Bayes 10
11 k-vizinhos mais próximos knn 11
12 k-vizinhos mais próximos (knn) 12
13 k-vizinhos mais próximos (knn) Os elementos das classes são pontos no R n Em geral, os vizinhos são definidos por uma distância, que pode ser a euclidiana ou outras métricas, como Mahalanobis. 13
14 k-vizinhos mais próximos (knn) Algoritmo: Identifique os k-vizinhos mais próximos do vetor de atributos x que se quer classificar. Determine o número de vizinhos em cada classe. Classifique x com pertencente à classe que resultou em um maior número de vizinhos. 14
15 k-vizinhos mais próximos (knn) 15
16 k-vizinhos mais próximos (knn) Propriedades: A versão mais simples do método considera k=1, que é conhecida como nearest neighbor rule (NN). Dado que o conjunto de treinamento seja relativamente grande, pode-se provar que: Ou seja, o erro cometido na classificação é no máximo duas vezes maior do que o classificador bayesiano, que é ótimo. 16
17 k-vizinhos mais próximos (knn) Propriedades: Para o caso de duas classes, pode-se mostrar que: Ou seja, quando k tende ao infinito, a performance do knn tende à performance ótima (igual à performance do classificador bayesiano). 17
18 k-vizinhos mais próximos (knn) Regiões de separação: Telhas de Voronoi 18
19 k-vizinhos mais próximos (knn) function z=k_nn_classifier(z,v,k,x) [l,n1]=size(z); [l,n]=size(x); c=max(v); % The number of classes % Computation of the (squared) Euclidean distance % of a point from each reference vector for i=1:n dist=sum((x(:,i)*ones(1,n1)-z).^ 2); %Sorting the above distances in ascending order [sorted,nearest]=sort(dist); % Counting the class occurrences among the k-closest % reference vectors Z(:,i) refe=zeros(1,c); %Counting the reference vectors per class for q=1:k class=v(nearest(q)); refe(class)=refe(class)+1; end [val,z(i)]=max(refe); end 19
20 k-vizinhos mais próximos (knn) Cálculo do erro na classificação: function clas_error=compute_error(y,y_est) [q,n]=size(y); % N= no. of vectors c=max(y); % Determining the number of classes clas_error=0; % Counting the misclassified vectors for i=1:n if(y(i)~ =y_est(i)) clas_error=clas_error+1; end end % Computing the classification error clas_error=clas_error/n; 20
21 Redes neurais artificiais 21
22 Redes neurais artificiais Motivação O cérebro humano possui em torno de neurônios. O funcionamento desses neurônios constitui a base para o estudo das redes neurais. 22
23 Redes neurais artificiais Motivação 23
24 Redes neurais artificiais Motivação 24
25 Redes neurais artificiais Histórico Um histórico resumido sobre Redes Neurais Artificiais deve começar por três das mais importantes publicações iniciais, desenvolvidas por: McCulloch e Pitts (1943), Hebb (1949), e Rosemblatt (1958). Estas publicações introduziram o primeiro modelo de redes neurais simulando máquinas, o modelo básico de rede de auto-organização, e o modelo Perceptron de aprendizado supervisionado, respectivamente. Alguns históricos sobre a área costumam pular os anos 60 e 70 e apontar um reínicio da área com a publicação dos trabalhos de Hopfield (1982) relatando a utilização de redes simétricas para otimização e de Rumelhart, Hinton e Williams que introduziram o poderoso método Backpropagation. Entretanto, para se ter um histórico completo, devem ser citados alguns pesquisadores que realizaram, nos anos 60 e 70, importantes trabalhos sobre modelos de redes neurais em visão, memória, controle e auto-organização como: Amari, Anderson, Cooper, Cowan, Fukushima, Grossberg, Kohonen, von der Malsburg, Werbos e Widrow. 25
26 Aprendizado O que é aprender? Incrementar o conhecimento adaptar-se melhor às novas situações do ambiente... Como se aprende? Observando Memorizando Generalizando Especializando... 26
27 O que é necessário para o aprendizado? Aspecto externo (do ambiente) exemplos, experiências, ensino,... Aspecto estrutural (do agente) sentidos cérebro (baixo nível) memória e processador de símbolos (alto nível) Aspecto funcional (mecanismos de aprendizado) modelo simbólico: representação de conhecimento, indução, dedução modelo conexionista: redes neurais 27
28 Redes neurais Técnica de aprendizado que tem como modelo o cérebro. Q m n Ch_ r _, n m _ m _! Você consegue identificar a frase? Pegar uma borracha sendo arremessada Apesar de não ser tão rápido quanto um computador, nosso cérebro consegue calcular a trajetória da borracha muito bem. O cérebro humano é formado por 100 bilhões de neurônios, cada um, ligado a outro ou a outros! 28
29 Redes neurais artificiais Neurônio Dendritos: Têm por função receber informações ou impulsos nervosos, oriundos de axônios de outros neurônios e conduzi-los até o corpo celular. Corpo celular: os sinais recebidos são somados e de acordo com um limiar, estabelece se o neurônio deve ser ativado ou não. O limiar é um valor ou taxa de valores que determinam a ativação do neurônio. Se o somatório ultrapassar este valor o neurônio dispara Axônio: Os impulsos ou disparos são transmitidos a outros neurônios, passando através do axônio até os dendritos dos neurônios seguintes. 29
30 Redes neurais artificiais Neurônio Fisicamente não há contato entre os neurônios, porém entre a terminação axônica de um neurônio e o dendrito de outro, há um espaço chamado de espaço sinaptico. Através das sinapses os neurônios se unem funcionalmente, formando redes neurais. As sinapses funcionam como válvulas, sendo capazes de controlar a transmissão de impulsos entre os neurônios. 30
31 Redes neurais artificiais Neurônio As sinapses podem ser excitatórias ou inibitórias: Excitatória: ocorre quando a ativação do neurônio é alta e a soma dos impulsos recebidos pelo neurônio supera o seu limiar, disparando então uma substância dita Neurotransmissora, no espaço sinaptico. Esta substância altera o potencial elétrico da membrana póssinaptica, preparando para o envio de impulsos eletricos; Inibitória: reduz a capacidade de recepção do outro neurônio. 31
32 Redes neurais artificiais Definição 32
33 Redes neurais artificiais Aquisição do conhecimento: Aprendizado 33
34 Redes neurais artificiais Devido à similaridade com a estrutura do cérebro, as redes neurais exibem características similares ao comportamento humano, tais como: 34
35 Redes neurais artificiais Devido à similaridade com a estrutura do cérebro, as redes neurais exibem características similares ao comportamento humano, tais como: 35
36 Redes neurais artificiais Devido à similaridade com a estrutura do cérebro, as redes neurais exibem características similares ao comportamento humano, tais como: 36
37 Redes neurais artificiais Devido à similaridade com a estrutura do cérebro, as redes neurais exibem características similares ao comportamento humano, tais como: 37
38 Redes neurais artificiais Devido à similaridade com a estrutura do cérebro, as redes neurais exibem características similares ao comportamento humano, tais como: 38
39 Redes neurais artificiais Generalização: 39
40 Redes neurais artificiais Aplicações 40
41 Neurônios artificiais A estrutura de um neurônio é formada por: Um conjunto de links de conexão com outros neurônios (sinapses) Os links podem ser de entrada (dendritos): há um peso associado a cada link (W) saída (axônio): o peso da saída é dado por uma função de ativação Alguns neurônios podem ser conectados diretamente ao ambiente externo. Uma função de transferência (ativação) que dispara a saída. 41
42 Neurônios artificiais Descrito por Frank Rosemblat (psicólogo, 1957) o neurônio do tipo perceptron (aprende!) serve para classificar dois tipos de padrões. Será ativado quando a soma dos pesos dos links de entrada (função de entrada) atingem um certo limiar, então, o neurônio é disparado ativando a saída (função de ativação): Onde: n: é o número de entradas do neurônio wi: é o peso associado à entrada xi Θ: é o limiar (threshod) do neurônio Sendo assim, a saída y do neurônio será: Y = 1 Se Σ xi wi > θ Y = -1 Se Σ xi wi <= θ 42
43 Conceitos fundamentais Neurônio artificial 43
44 Redes neurais artificiais Histórico 44
45 Redes neurais artificiais Conceitos fundamentais 45
46 Conceitos fundamentais Elementos básicos 46
47 Conceitos fundamentais Funções de ativação: É a função que determina o nível de ativação do neurônio artificial: s j = F(net j ) 47
48 Conceitos fundamentais Tipos de processadores 48
49 Conceitos fundamentais Neurônio artificial 49
50 Neurônios artificiais Modelo de McCulloch-Pitts (1943) 50
51 Redes neurais artificiais Modelo de McCulloch-Pitts 51
52 Redes neurais artificiais Modelo de McCulloch-Pitts 52
53 Conceitos fundamentais Exemplo 53
54 Limitações Um único Perceptron consegue resolver funções linearmente separáveis (por exemplo And, Or e Not). Em funções do tipo xor, o perceptron não consegue classificar visto que ser um tipo de função não linearmente separável, isto é, não se consegue traçar um hiperplano (linha) que separe os valores + (verdadeiro), dos valores - (falso). 54
55 Conceitos fundamentais 55
56 Redes neurais artificiais Se com um único perceptron é possível computar And, Or, Nor então com várias camadas de perceptrons interconectados é possível computar todos os tipos de funções (inclusive XOR). Normalmente, existem dois tipos de algoritmos: 1. Perceptron Rule 2. Delta Rule 56
57 Topologias 57
58 Topologias.. 58
59 Processamento neural Processamento 59
60 Perceptron training rule 1. Inicializar todos os pesos aleatoriamente 2. Iterativamente aplicar cada par de treinamento ao perceptron 3. Modificar os pesos do perceptron enquanto as amostras não estiverem classificadas 4. Efetuar o procedimento tantas vezes quanto necessário até que todos o conjunto de treinamento esteja classificado corretamente. 60
61 Perceptron training rule O treinamento envolve a alteração do peso de w i associado com x i Alteração dos pesos: w i <= w i + w i Onde: w i = η (d Y) x i η é uma constante positiva chamada taxa de aprendizado e serve para moderar a forma como cada peso é alterada a cada passo. Normalmente possui valor pequeno (0.1) e diminui a medida em que as iterações aumentam. d é a saída desejada do neurônio Y é a saída atual do neurônio 61
62 Perceptron training rule Porque o algoritmo converge? Sendo os pesos alterados por: wi <= wi + wi e wi = η (d Y) xi. 1. Supondo que os pares de treinamento estão corretamente classificados: Então: d Y = 0 assim os pesos não são mais atualizados. 2. Supondo que a saída do perceptron é Y =-1, ao invés de d=+1 (desejado): Os pesos deverão ser alterados para aumentar o produto w * x 62
63 Perceptron training rule Sendo os pesos alterados por: wi <= wi + wi e wi = η (d Y) xi 1. Supondo Y = -1 e d = +1 Os pesos deverão ser alterados para aumentar o produto w * x Se xi = 0.8 e η = 0.1 então: wi = 0.1 (1 (-1)) 0.8 = Se d = -1 e Y = +1 então os pesos serão associados com o xi positivo serão decrementados ao invés de incrementados: Se xi = 0.8 e η = 0.1 então: wi = 0.1 (-1 1) 0.8 = O aprendizado converge: Dentro de um número finito de aplicações Classificam corretamente todos os exemplos de treinamento Desde que os exemplos de treinamento são linearmente separáveis e que seja utilizado um valor de suficientemente pequeno de η 63
64 Perceptron training rule Portanto: Redes neurais, aprendem a partir de exemplos, podendo interpolar e extrapolar o que aprenderam. É a alteração da intensidade das conexões entre os neurônios que sugere o aprendizado. Existem dezenas de diferentes algoritmos de aprendizado, cada um adaptado a uma determinada aplicação. 64
65 Escolha da arquitetura A definição da arquitetura de uma RNA é um parâmetro importante, visto que pode restringir o tipo de problema a ser tratado, por exemplo: Redes de uma camada, tipo A), só conseguem tratar problemas linearmente separáveis. Por outro lado redes de múltiplas camadas, tipo B), tratam também os problemas linearmente não separáveis. Enquanto redes de múltiplas camadas e recorrentes, tipo C, são mais apropriadas para resolver problemas que envolvem processamento temporal. 65
66 Taxonomia Quanto ao tipo de algoritmo de aprendizado 1. Pesos fixos 2. Supervisionado: o conjunto de treinamento é classificado por um especialista 3. Não-supervisionado: o conjunto de treinamento não tem um parecer de classificação associado a cada valor. Quanto à arquitetura 1. Feedforward: todas as sinapses se ligam somente aos neurônios da camada seguinte. 2. Recorrente: há sinapses com os neurônois da mesma camada (feedlateral) e com da camada anterior (feed-back) 3. Multi-camada 66
67 Recuperação de dados Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode executar as seguintes tarefas: 67
68 Recuperação de dados Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode executar as seguintes tarefas: 68
69 Recuperação de dados Assumindo que um conjunto de padrões tenha sido armazenado, a Rede Neural pode executar as seguintes tarefas: 69
70 Aprendizado 70
71 Treinamento supervisionado 71
72 Treinamento supervisionado Minimizar a funcao de erro 72
73 Treinamento não-supervisionado 73
74 Treinamento não-supervisionado 74
75 Redes neurais: Weka 75
76 Outros métodos de classificação Support vector machine (SVM) Redes bayesianas Classificador de máxima entropia 76
77 Combinação de classificadores 77
78 Motivação A motivação básica se baseia no fato de que mesmo o melhor classificar pode errar em alguns padrões que outros classificadores podem acertar. A combinação de classificadores pode oferecer uma informação complementar sobre a classificação. Assim, é possível usar diferentes classificadores e combinar os resultados obtidos de acordo com determinandas regras. 78
79 Motivação Qual estratégia é a mais adequada? Devemos combinar os resultados de saídas individuais através de regras do produto, soma, mínimo, máximo ou mediana? Todos os classificadores devem ser alimentados com os mesmos vetores de características ou diferentes propriedades devem ser selecionadas para classificadores específicos? 79
80 Combinação de classificadores 80
81 Combinação de classificadores Assuma que cada um dos L classificadores forneça como saída as probabilidades à posteriori: P( ω i x), i = 1, 2,..., M Há diferentes regras para combinar os resultados dos classificadores: 81
82 Regras Regra do produto: Associe o padrão x a classe ω i se ( ) i = arg max onde P ω x é a respectiva probabilidade a j k j= 1 posteriori do j-ésimo classificador. k L P j ( ω x) k Regra da soma: Associe o padrão x a classe ω i se i = arg k max L j= 1 P j ( ω x) k 82
83 Regras Votos da maioria: Associe o padrão x a classe em que há um consenso entre os classificadores ou quando ao menos l c dos classificadores concordam com a classificação de x, onde: caso contrário, a decisão é rejeição e nenhuma decisão é tomada. l c = L 2 L + 1, L even + 1, L odd 2 83
84 Projeto Utilize os atributos extraídos de formas de imagens e faça a classificação usandos os classificadores: k-vizinhos Redes neurais (use o Weka) Obtenha as matrizes de confusão para cada classificador (dica, procure por matriz de confusão no Google e veja a importância desse conceito). 84
85 Referências I. Witten e E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, Elservier. Sergios Theodoridis, Konstantinos Koutroumbas, Pattern Recognition. Elsevier (2006). Exemplo de classificação usando o Weka: 85
Redes 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 maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
Leia 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 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 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 maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais. 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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisRedes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
Leia 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 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 maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisRedes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Leia 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 maisREDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisSistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia 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 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 maisRedes Neurais Artificiais. Prof. João Alberto Fabro
Redes Neurais Artificiais Prof. João Alberto Fabro Redes Neurais Artificiais Conceitos Básicos Histórico Evolução O lugar das Redes Neurais dentro da IA Características Aplicações Redes Neurais Multicamadas
Leia 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 maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
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 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 maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisPor que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Leia maisInteligência 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
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 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 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 maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
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 maislnteligência Artificial Introdução a Redes Neurais Artificiais
lnteligência Artificial Introdução a Redes Neurais Artificiais Objetivos Descrever as características básicas das Redes Neurais Artificiais (RNAs). Descrever o funcionamento de uma RNA. Descrever algumas
Leia maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
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 maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia mais3 REDES NEURAIS ARTIFICIAIS
47 3 REDES NEURAIS ARTIFICIAIS Neste capítulo será apresentado um breve histórico das redes neurais artificiais de modo a situar o leitor, descrevendo-se suas aplicações, teorias e finalmente detalhando-se
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 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 maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 1 Aula-2 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 Aula-2 Ano: 2005 1.3. Alguns aspectos históricos 1.4. Principais Conceitos 1.4.1. Definições 1.4.2. Alguns tipos de Arquitetura Revisão da Aula-1 x 1 1
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisRedes Neurais Artificiais (RNA)
Redes Neurais Artificiais (RNA) Definições: 1. Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. 2. Técnica de aproximação
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisProfessor José Gomes de Carvalho Jr. Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO
Modelos Conexionistas - Redes Neurais 1 INTRODUÇÃO Redes Neurais Artificiais ou simplesmente Redes Neurais (também conhecidas como modelos conexionistas) têm sido, ao longo dos últimos anos, uma área de
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Classificação I: Algoritmos 1Rule e KNN Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões dos originais:
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia 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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
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 maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Introdução Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia Universidade
Leia 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 maisMotivação, Objetivo, Definição, Características Básicas e Histórico. Neurônio Artificial, Modos de Interconexão
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Leia maisAprendizado de 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisRedes Neurais: 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 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 maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Formas de Aprendizado Existe
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisFundamentos das Redes Neurais: exemplos em Java
Fundamentos das Redes Neurais: exemplos em Java Recife 2008 Copyringt by 2007 Mêuser Valença Impresso no Brasil Printed in Brazil Editor Tarcísio Pereira Diagramação Maria do Carmo de Oliveira Capa Valeska
Leia 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 maisRedes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 2 de Gonzales Classificação Linear Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function)
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 maisRedes Neurais Artificiais. Capítulos 1 e 2
Redes Neurais Artificiais Introdução Capítulos 1 e 2 Redes Neurais Artificiais (RNA) São modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano. São modelos computacionais que
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 maisProfa. Josiane M. Pinheiro outubro/2008
Baseada em: Stuart Russel e Peter Norving - Inteligência Artificial seção 20.5 Jorge M. Barreto Introdução às Redes Neurais Artificiais - http://www.inf.ufsc.br/~barreto/tutoriais/survey.pdf Cassia Yuri
Leia 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
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 maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisRegra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisRedes Neurais Artificiais. Profa. Teresa Ludermir Sistemas Inteligentes
Redes Neurais Artificiais Profa. Teresa Ludermir Sistemas Inteligentes Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo1: distinguir padrões visuais
Leia 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia mais