1 - Paradigmas de Aprendizado de Redes Neurais Artificiais

Prévia do material em texto

Paradigmas de
Aprendizado de
Redes Neurais
Arti�ciais
O que são Redes Neurais Arti�ciais (RNA)?
Em suma, uma RNA é um método computacional de
aprendizagem baseado no funcionamento do cérebro
humano. Seu funcionamento pode ser entendido a partir
de uma breve analogia com os sentidos do corpo humano.
Quando estamos inseridos em um ambiente, nossos
sentidos, como olfato, tato ou visão, fornecem
informações sobre as condições do meio em que estamos
inseridos. É a partir dessas informações que pautamos as
nossas ações. Se estamos em um ambiente muito quente,
com alta incidência de raios solares, nossos sentidos são
capazes de interpretar essas informações e nos dar as
possíveis consequências de uma permanência prolongada
em tal ambiente, como uma insolação solar ou até mesmo
lesões severas na pele. Essa capacidade interpretativa é
construída a partir de um processo de aprendizado,
constituído basicamente por experiências adquiridas ao
longo de nossas vidas e lições que nos são transmitidas em
um processo geracional.
Assim como no exemplo a pouco citado, uma rede neural
arti�cial trabalha inserida em um meio, de onde se retiram
informações iniciais (inputs) e suas consequências
(outputs), de acordo com o treinamento obtido através do
processo de aprendizagem da rede neural. Este processo
pode �car mais claro a partir de uma representação
grá�ca:
Figura 1: Exemplo de uma rede neural arti�cial. As camadas em vermelho, amarelo e
azul descrevem, respectivamente, a camada de entrada (input layer), camada
oculta (hidden layer) e camada de saída (output layer). | Fonte: LEK, PARK (2008).
Na Figura 1, a camada de entrada recebe os estímulos do
meio absorvendo os dados iniciais, que, logo em seguida,
são processados pelas camadas ocultas conforme o
processo de aprendizagem da máquina. Por �m, os
resultados são apresentados na camada �nal, ou camada
de saída.
Arquiteturas de Rede
A forma como estruturamos a RNA é orientada pelo
algoritmo de aprendizado escolhido. Em geral, estes
algoritmos são escolhidos de acordo com a complexidade
do problema a ser atacado. Suas estruturas básicas
podem ser divididas em três classes:
 Redes Alimentadas Adiante com Camada Única
Quando organizado em camadas, os neurônios são
distribuídos em nós de entrada e saída, em um sistema de
distribuição de informações não-cíclico. Estes nós formam
as camadas de entrada e saída, como mostra a Figura 2.
Figura 2: Exemplo de uma rede de camada única. | Fonte: HAYKIN S. (2001).
 Redes Alimentadas Adiante com Múltiplas Camadas
Como no caso anterior, os dados nesse tipo de rede �ui
apenas em uma direção, no entanto, entre as camadas de
interface existem N camadas, ditas camadas ocultas,
formadas por nós ocultos. Este tipo de arquitetura é
extremamente útil quando o número de nós na camada de
entrada é particularmente grande, dando mais
profundidade à análise da RNA. Logo abaixo temos um
exemplo de rede com múltiplas camadas:
Figura 3: Exemplo de uma rede com múltiplas camadas. | Fonte: HAYKIN S. (2001).
 Redes Recorrentes
Ao contrário dos casos anteriores, uma rede recorrente
possui um �uxo cíclico de dados, com ao menos um dado
de saída sendo reintroduzido na camada de entrada após
o término do processo de aprendizado. Este tipo de rede
pode ser construída com ou sem camadas ocultas, como
mostra a Figura 4.
Figura 4: Exemplo de duas redes recorrentes, com camada única (esquerda) e
camada oculta (direita). | Fonte: HAYKIN S. (2001).
A realimentação da camada de entrada com dados da
camada de saída afeta profundamente a capacidade de
aprendizagem da rede e seu desempenho, alterando o
comportamento linear da RNA.
Aprendizado Supervisionado
O processo de aprendizagem de uma RNA pode ser
de�nido como uma busca por padrões em um conjunto de
dados que permitam predições de comportamento. De
maneira simples, o processo de aprendizado pode ser
dividido em três tipos: supervisionados, não
supervisionados e por reforço.
O processo supervisionado ocorre quando ensinamos à
rede como fazer predições mais assertivas a partir de
resultados já assimilados e de veracidade comprovada.
Neste caso, adicionamos à rede um elemento dito
professor, que possui experiência prévia sobre os
resultados desejados. Deste modo, quando comparamos a
diferença entre os resultados obtidos com os resultados
esperados, adicionamos o elemento erro ao nosso
aprendizado de máquina.
Aprendizado Não Supervisionado
São classi�cadas como redes não supervisionadas as
redes que não possuem nenhum direcionamento durante o
processo de aprendizagem. Nesse caso, a própria rede é
responsável por agrupar os padrões de treinamento de
acordo com o número de entradas.
Aprendizado por Reforço
De modo semelhante ao primeiro caso, no aprendizado por
reforço o conhecimento prévio de um resultado assertivo é
substituído por um crivo, que avalia os resultados obtidos
por um determinado processo de aprendizado, reforçando
suas diretrizes caso o resultado seja satisfatório.
Atividade Extra
Recomendo assistir esse vídeo, com legendas em
português.
Mas o que *é* uma Rede Neural? | Deep learning
https://www.youtube.com/watch?v=aircAruvnKk (19:13)
https://www.youtube.com/watch?v=aircAruvnKk
Referência Bibliográ�ca
HAYKIN, S. "Neural Networks. A Comprehensive
Foundation". 2 ed. New Jersey: Prentice Hall, 2001.
LEK, S.; PARK, Y.P. “Arti�cial Neural Network”. Springer.
2008.
GOODFELLOW, I. “Deep Learning”. The Mit Press. 2016.