IA_Aula09

Prévia do material em texto

*
PUCC
Inteligência Artificial
*
PUCC
Agenda - Aula 09
 Redes Neurais Artificiais
*
PUCC
Redes Neurais
Sistema nervoso é formado por um conjunto de neurônios.
A comunicação entre neurônios é realizada por impulsos.
Quando um impulso é recebido por um neurônio pode ocorrer dele provocar uma estímulo maior que o seu “limite de ação”, causando o disparo de um segundo impulso o qual flui pela sua saída (axônio) que pode estar conectado a uma entrada (dendrito) de outra célula.
*
PUCC
Redes Neurais
Pensando no Homem:
100 bilhões de neurônios
Cada Neurônio possui 1000 dendritos
Cada dendrito uma sinapse – 1014 sinapses
Sinapse: opera a 100 Hz
1016 com/seg.
*
PUCC
Redes Neurais
Os neurônios estão conectados uns aos outros através das sinapses.
Sinapses transmitem estímulos através de diferentes concentrações de Sódio e Potássio.
Todas as funções e movimentos do organismo estão relacionados ao funcionamento dessas células.
*
PUCC
Redes Neurais Artificiais
1956 – Darthmouth College
IA Simbólica: tenta simular o comportamento inteligente humano desconsiderando os mecanismos responsáveis por tal.
IA Conexionista: acredita que construindo um sistema que simule a estrutura do cérebro humano este apresentará inteligência: será capaz de aprender, assimilar, errar e aprender com seus erros.
*
PUCC
Redes Neurais Artificiais
Consiste em um método de solucionar problemas de IA construindo um sistema que tenha circuitos simulando o cérebro humano: aprendendo, errando e fazendo descobertas.
Aplicações:
Classificação de Padrões
Clustering e Aproximação Funcional
Série Temporais
Otimização
*
PUCC
Redes Neurais Artificiais
Modelo Matemático RNA
Um grafo direcionado é um objeto geométrico que consiste de um conjunto de pontos, chamados nós, e um conjunto de linhas direcionadas entre eles.
Uma RNA é uma estrutura de processamento de informação distribuída paralelamente na forma de um grafo direcionado com algumas definições e restrições próprias
NÓS – Elementos de Processamento
ARCOS- Conexões de uma única direção.
*
PUCC
Redes Neurais Artificiais
Uma RNA pode possuir memória local e qualquer número de conexões de saída dese que os sinais destas sejam idênticos.
A única entrada permitida para a função de transferência (que cada elemento de processamento possui) é composta pelos valores armazenados na memória local do elemento e os valores de entrada das conexões recebidas por ele.
As funções de transferência podem operar continuamente ou episodicamente (activate).
*
PUCC
Redes Neurais Artificiais
De uma forma geral:
Sinais são apresentados à entrada
Cada sinal é multiplicado por um peso (o qual indica a sua “influência” na saída)
É feita uma soma ponderada dos sinais; isto produz um nível de atividade.
Se este nível de atividade excede um determinado limite (threshold) a unidade de processamento produz uma saída.
*
PUCC
Redes Neurais Artificiais
Neurônio Artificial
Warrem MacCulloch: circuito de entradas binárias combinadas por uma soma ponderada produzindo uma saída efetiva.
X0
X1
Xn
y

wn
w0
w1
*
PUCC
Redes Neurais Artificiais
Treinamento: 
A maioria dos modelos de RNAs possui alguma regra de treinamento, onde os pesos das conexões são ajustados de acordo com os padrões apresentados.
Ela passa por um processo de treinamento a partir de casos reais conhecidos adquirindo a sistemática necessária para executar adequadamente um processo para dados fornecidos.
A RNA é capaz de extrair regras básicas a partir de dados reais diferindo da computação programada onde é necessário um conjunto de regras rígidas.
*
PUCC
Redes Neurais Artificiais
Processos de Aprendizado
A propriedade mais importante de uma RNA é a habilidade de aprender de seu ambiente. Isso é feito através de um processo iterativo de ajuste aos seus pesos.
Uma RNA está “treinada” quando atinge uma solução geral para uma determinada classe de problemas.
Algoritmos de aprendizado: conjunto de regras bem definidas para a solução de um problema de aprendizado. Vários tipos, diferem pelo modo como os pesos são modificados.
*
PUCC
Redes Neurais Artificiais
Processos de Aprendizado
Aprendizado Supervisionado
Aprendizado Não Supervisionado
Reforço
Ciclo: apresentação de todos os N pares (entrada e saída) do conjunto de treinamento
Correção Padrão: ocorre a cada apresentação à rede de um par do conjunto de treinamento
Correção Batch: uma correção por ciclo
*
PUCC
Redes Neurais Artificiais
O maior segredo para construir aplicações com sucesso, é saber quando parar de treinar. Treinar pouco significa que a rede não irá aprender os padrões. Treinar muito, pode fazer a rede “decorar” os padrões perdendo a capacidade de generalização.
*
PUCC
Redes Neurais Artificiais
Regra 
Iniciar as conexões com pesos aleatórios.
Repita até que o erro E seja pequeno (E < )
Para cada par de treinamento ( X,d)
Calcule a resposta Obtida O;
Se E >= 
Atualize os pesos: Wnovo= Wanterior + .E.X
( X,d): padrão de entrada e resposta desejada
E: Erro = Resp. desejada – Resp. Obtida (d-O)
: taxa de aprendizado (positiva)