R- Avaliacao RNA - Sistemas Inteligentes (1)

Prévia do material em texto

<p>AVALIAÇÃO - SISTEMAS INTELIGENTES Nome: 1 - Considere uma tarefa de classificação binária em que você deseja separar duas classes, A e B, em um espaço bidimensional usando um neurônio artificial. A) Explique o funcionamento do perceptron e discuta as principais diferenças entre eles em termos de aprendizado e atualização de pesos. 0 algoritimo da gera valores para Cebe base de dados essa etapas entra Esse loop para que aveta ajustada atroves de uma for mula Hebs e so grands has Essa i feita conjunto de dados utili do teste, onde ter a taxa de acerto do B) Mencione as limitações do perceptron e como o Adaline aborda algumas dessas limitações. Os modelos acabam now Se com dados linearma te separaveis, O acaba tends que ajustan varias vezes pe 2 em determinados treinamentos se seta boa. 0 adaline atraves dc de calculo e acaba a sem precisar fazer 05 ajustes que C) Mostre, de forma gráfica, qual a diferença entre o resultado do treinamento (ajuste da reta) de um Perceptron comum e do treinamento realizado com o Adaline. Para as retas criadas em cada época do treinamento, utilize linhas contínuas e para a reta final, encontrada após o treinamento, utilize a linha pontilhada. Coloque o resultado de pelo menos 5 épocas. PERCEPTRON ADALINE 3 - Aprendemos que o treinamento de um Perceptron é o ajuste automático dos pesos (W) e que estes pesos tem relação direta com a equação da reta. Neste contexto, indique quais</p><p>são as variáveis da equação da reta que o ajuste é feito e qual é a função de cada uma dessas variáveis (não é necessário especificar exatamente o que faz cada variável). ax+by+c=0 a eb saw e C i limiar de utilizados a y que no Após o treinamento, como podemos diferenciar se um determinado ponto está sobre a reta 2 ou está abaixo da reta ou acima da mesma? Se a saida for negativa, 0 a Se a For 0 ponto esta acima Se a saida for 0 esta sobre a 4 - Para o treinamento de um Perceptron, sabemos que precisamos de uma base de dados na qual cada sample (linha do dataset) tem uma determinada classificação. Estes samples são classificados em classes que, no caso do Perceptron, devem ser linearmente separáveis. Em uma base com 1000 samples, NÃO devemos utilizar todos eles para o treinamento. Explique por que e como o treinamento deve ser feito. usamos toda a base de temos for peb 20% teste Os dados de treinamento dados de teste usados para ven a do models 5 - perceptron multi camadas (PMC) pode ser utilizado para classificação ou regressão, por exemplo. Explique a principal diferença entre essas redes em termos de arquitetura, topologia e função de ativação. 0 name dit, busca classifican Separar em classes onde Sua de now linear a busca dos e Sua funcas de e</p><p>5 - Quando tratamos de séries temporais, normalmente temos um dataset com valores que variam no tempo, ou seja, para o eixo X, temos valores relacionados ao tempo, como dia, data ou hora. No eixo Y, temos um determinado Por exemplo, valores de uma ação da bolsa de valores. Neste contexto, como estruturamos o dataset abaixo para ser utlizado para treinar uma Rede Neural do tipo MLP? Considere o tamanho da janela igual a 4. Monte pelo menos 3 linhas do dataset. Indique também (pinte o quadradinho) em qual sample será o corte para dividirmos uma parte do dataset para treinamento e uma parte para teste. Considere que teremos 25% para teste (temos 16 samples - 25% de 16 da 4). Valor 10 8 9 7 12 11 14 15 13 12 8 3 Tempo 1 2 3 4 5 6 10 11 12 15 16 7 8 9 Treinamento Teste Teste Y Y S 1 10 13 2 - 14 1 - IS 24 1 16 20 1 6 11 1 1 8 15 1 9 13 1 1012 1 11 8 12 3 1</p>