Redes Neurais - Lista 1

Prévia do material em texto

Aprendizado de Máquina - Redes Neurais
Lista de Exercícios Para Estudo - Perceptron e Redes Simples
Essa lista de exercícios foi feita por aluno com o objetivo de revisar o entendimento dos principais
tópicos baseado nos materiais do professor da disciplina de Aprendizado de Máquina.
Exercícios
1. O que é um Perceptron e qual foi seu papel na história das redes neurais?
2. Como os pesos e o bias influenciam a saída de um Perceptron?
3. Por que o Perceptron falha ao tentar resolver o problema do XOR?
4. Qual foi a importância dos trabalhos de McCulloch e Pitts no desenvolvimento das
redes neurais?
5. Como o Perceptron é utilizado em problemas de classificação binária?
6. Em que contexto o ADALINE e o MADALINE foram desenvolvidos, e qual foi
seu impacto?
7. Por que houve uma pausa nas pesquisas sobre redes neurais nas décadas de 1960 e
1970?
8. Como o Perceptron se relaciona com as funções lógicas AND e OR?
9. Quais são as limitações de redes com uma única camada de Perceptrons?
10. Como os desenvolvimentos no algoritmo backpropagation renovaram o interesse
em redes neurais?
Gabarito
1. O Perceptron, desenvolvido por Frank Rosenblatt, foi uma das primeiras tentativas
de criar uma rede neural funcional. Ele foi projetado para resolver problemas de
classificação simples, utilizando uma combinação linear de pesos e entradas para
determinar a saída.
2. Os pesos indicam a importância de cada entrada no modelo, enquanto o bias atua
como um ajuste fino que desloca a função de ativação. Ambos determinam se o
Perceptron ativa a saída 0 ou 1.
3. O Perceptron falha no problema do XOR porque não consegue encontrar uma linha
de separação linear para as entradas desse problema, demonstrando a necessidade de
redes mais complexas.
4. McCulloch e Pitts criaram o primeiro modelo matemático de um neurônio,
mostrando que ele podia ser representado como um circuito lógico. Esse trabalho
lançou as bases para o desenvolvimento das redes neurais.
5. O Perceptron é útil em classificação binária ao prever duas classes distintas, como
"sim" ou "não", com base na soma ponderada das entradas e no threshold aplicado.
6. ADALINE e MADALINE foram redes desenvolvidas para problemas do mundo
real, como eliminar ecos em linhas telefônicas. Eles demonstraram o potencial das
redes neurais além de experimentos acadêmicos.
7. A pausa nas pesquisas se deu por limitações computacionais e pela descoberta de
que os Perceptrons eram incapazes de resolver alguns problemas simples. Isso
desviou o foco para sistemas especialistas e IA simbólica.
8. O Perceptron pode implementar funções lógicas simples, como AND e OR, mas
falha em situações mais complexas, como o XOR, devido à falta de capacidade de
não-linearidade.
9. Redes com uma única camada são limitadas, pois não conseguem resolver
problemas com padrões mais complexos. Elas não têm a capacidade de capturar
relações não lineares entre as entradas.
10. O backpropagation permitiu que redes mais profundas fossem treinadas,
ajustando pesos de forma eficiente e resolvendo o problema do XOR e outros
desafios mais complexos.