Relatório de Aula Prática - Fundamentos da Inteligência Artificial

Prévia do material em texto

UNIVERSIDADE ANHANGUERA UNIDERP EDUCACIONAL
SERVIÇO SOCIAL BACHARELADO
Fundamentos da Inteligência Artificial
IMPLEMENTAÇÃO DE UMA REDE NEURAL 
Guilherme Alves Lira
Marabá
2024
Fundamentos da Inteligência Artificial
 
Guilherme Alves Lira
Produção textual interdisciplinar em Grupo apresentado às disciplinas de Administração e Planejamento em serviço social, comunicação na pratica do Assistente Social, Ética Profissional em Serviço Social, Fundamentos das Políticas sociais e Políticas Sociais, Fundamentos Históricos Teóricos e Metodológicos do Serviço Social III. Como requisito para aprovação no Curso de Serviço Social Bacharelado.
Tutor (a) EaD – Amanda Boza Gonçalves, Maria Angela Santini, Nelma dos Santos Assunção Galli, Patricia Soares Alves Paulo Sergio Aragão.
Tutor (a) Presencial – 
SUMÁRIO
1. Introdução	4
2. Metodologia	4
3. Resultados	5
4. Conclusão	6
Referências	7
1. Introdução
Este trabalho tem como objetivo implementar uma rede neural de uma camada, utilizando a função de ativação sigmoide, para realizar uma tarefa de classificação binária. O aprendizado da rede é supervisionado, e os pesos são ajustados através de retropropagação do erro. Esta atividade faz parte dos fundamentos da inteligência artificial, cobrindo os conceitos básicos de redes neurais, incluindo propagação para frente, cálculo do erro, ajuste de pesos e a função de ativação sigmoide.
2. Metodologia
2.1 Bibliotecas Utilizadas
Para a implementação da rede neural, foi utilizada a biblioteca NumPy. Esta biblioteca permite a realização de operações matemáticas de maneira eficiente, além da manipulação de arrays.
2.2 Função de Ativação Sigmoide
A função de ativação sigmoide foi implementada para transformar os valores de entrada em valores entre 0 e 1. A derivada da sigmoide foi utilizada para calcular o gradiente, essencial para o ajuste dos pesos durante o processo de treinamento.
2.3 Inicialização dos Pesos
Os pesos da sinapse foram inicializados com valores aleatórios entre -1 e 1. A inicialização aleatória garante que a rede não apresente comportamento uniforme antes do início do treinamento.
2.4 Treinamento da Rede Neural
O treinamento da rede foi realizado utilizando a técnica de retropropagação do erro, na qual os pesos são ajustados com base na diferença entre a saída prevista e a saída desejada (erro). Foram realizadas 10.000 iterações, e a cada 1.000 iterações o erro quadrático médio foi exibido.
2.5 Avaliação da Rede
Após o treinamento, a rede neural foi avaliada, gerando as saídas com base nos pesos ajustados.
3. Resultados
O conjunto de dados utilizado foi o seguinte:
Os pesos finais obtidos após o treinamento e as saídas da rede foram exibidos conforme o código a seguir:
Ao final do treinamento, foi possível observar uma redução significativa no erro quadrático médio ao longo das iterações. Abaixo está um gráfico que representa a evolução do erro quadrático médio:
4. Conclusão
A implementação de uma rede neural de uma camada, utilizando a função sigmoide, demonstrou como os pesos podem ser ajustados durante o processo de aprendizado supervisionado. O treinamento resultou em uma rede capaz de realizar a classificação binária corretamente para o conjunto de dados fornecido. A redução progressiva do erro quadrático médio ao longo do treinamento mostra que a rede conseguiu aprender a relação entre as entradas e as saídas desejadas.
Referências
[1] GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016.
[2] RUSSELL, Stuart J.; NORVIG, Peter. Inteligência Artificial. Elsevier, 2013.
image7.png
image8.png
image9.png
image1.png
image2.png
image3.png
image4.png
image5.png
image6.png