A maior rede de estudos do Brasil

Grátis
23 pág.
Aula2 Redes Neurais

Pré-visualização | Página 1 de 2

Mineração de Dados
aplicada a Gestão de Negócios.
Aula 2
Introdução – Redes NeuraisIntrodução – Redes Neurais
Prof. Dr. Sylvio Barbon Junior
barbon@uel.br
Mineração de Dados
aplicada a Gestão de Negócios.
Sumário
1- Inteligência Artificial
2- Introdução às Redes Neurais Artificiais
3- Modelos de Redes Neurais supervisionados e não supervisionados
4- Aplicações de Redes Neurais Artificiais
Mineração de Dados
aplicada a Gestão de Negócios.
1- Inteligência Artificial
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
- Os primeiros trabalhos com RNA surgiram na década de 50;
- O tema RNA (ANN – Artificial Neural Network) se tornou um 
tema popular para pesquisa científica a partir de 1990;
- Exemplos de uso de RNA:- Exemplos de uso de RNA:
1) Avaliação de imagens captadas por satélite;
2) Classificação de padrões de escrita e fala;
3) Reconhecimento de faces com visão computacional;
4) Sistemas de controle e previsão financeira;
5) Identificação de anomalias e patologias na área médica
com base em imagens;
6) Controle automatizado de equipamentos eletrônicos.
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
“Redes neurais artificiais são modelos computacionais inspirados
no sistema nervoso de seres vivos”
- Possuem capacidade de aquisição e manutenção do 
conhecimento;
- São caracterizados pela unidade de processamento chamada de
neurônio;
- Cada unidade (neurônio) é ligado por meio das sinapses 
artificiais;
- Computacionalmente falando são representadas por matrizes e
vetores de pesos sinápticos;
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Principais características:
a) Adaptação por experiência: Os pesos sinápticos são ajustados a partir 
da apresentação sucessiva de exemplos.
b) Capacidade de aprendizado: É possível extrair o relacionamento 
existente entre as diversas variáveis que compõem a aplicação.
c) Habilidade de generalização: Por meio do processo de treino, a 
rede é capaz de generalizar o comportamento aprendido para estimar uma 
solução, até então desconhecida.
d) Organização de dados: A rede é capaz de realizar uma organização 
interna visando o agrupamento de padrões e particularidades
e) Tolerância a falhas: Devido ao elevado número de interconexões entre os
neurônios, a rede se torna um sistema tolerante a falhas quando sensivelmente
corrompido;
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Rede Neural Biológica / Neurônio
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Rede Neural Artificial
Andrew Ng's machine learning course
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Rede Neural Artificial
Fonte: Silva (2010)
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Componentes da Rede Neural Artificial:
a) Sinais de entrada {x1, x2, ..., xn}
Sãos os sinais ou medidas externos que representam valores 
assumidos pelas variáveis da aplicação;
b) Pesos sinápticos {wk1, wk2, ..., wkn}
São os valores que servirão para ponderar cada uma das 
neurônio de McCulloch-Pitts (Haykin, 1994)
São os valores que servirão para ponderar cada uma das 
variáveis de entrada da rede, permitindo qualificar a relevância em 
relação as funcionalidades do neurônio;
c) Combinador Linear (Junção de Somatórios - ∑ - sigma)
Também chamado de Função Soma, sua função é agregar os 
sinais de entrada produzindo um valor potencial de ativação.
d) Limiar de ativação (θθθθ - theta)
É uma variável que identifica o patamar apropriado para o 
resultado produzido pelo combinador linear
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais
Componentes da Rede Neural Artificial:
e) Potencial de ativação {un}
É o resultado produzido pelo avaliação do limiar de ativação e 
o combinador linear. Caso u ≥ θ, então o neurônio produz um 
potencial excitatório.
neurônio de McCulloch-Pitts (Haykin, 1994)
f) Função de ativação {g(.) ou ϕϕϕϕ(.) - varphi}
Seu objetivo é limitar a saída do neurônio dentro de um 
intervalo de valores assumidos pela arquitetura da rede.
g) Sinal de saída {yn}
Consiste no valor final produzido pelo neurônio em relação a 
um determinado conjunto de entrada
Mineração de Dados
aplicada a Gestão de Negócios.
2- Introdução às Redes Neurais Artificiais




−= ∑ θϕ
n
ii
xwy
neurônio de McCulloch-Pitts (Haykin, 1994)




−= ∑
=
θϕ
i
ii
xwy
1
Mineração de Dados
aplicada a Gestão de Negócios.
3- Modelos de Redes Neurais supervisionados
Perceptron (Linear Perceptron)
- Soluciona problemas lineares;
Modelo com n entradas, um neurônio, um 
bias e uma saída
Representação geométrica para o 
problema
Fonte: Silva (2010)
Mineração de Dados
aplicada a Gestão de Negócios.
3- Modelos de Redes Neurais supervisionados
Perceptron (Linear Perceptron)
Fonte: Silva (2010)
Mineração de Dados
aplicada a Gestão de Negócios.
3- Modelos de Redes Neurais supervisionados
Perceptron Multicamadas (Multilayer Perceptron – MLP | Backpropagation)
-Soluciona problemas não lineares
-Adequado para classificação de padrões (momentum)
Modelo com n entradas, duas camadas 
escondidas com n neurônios e n saídas
Representação geométrica para os 
problemas tratáveis
Fonte: Silva (2010)
Mineração de Dados
aplicada a Gestão de Negócios.
3- Modelos de Redes Neurais supervisionados
Função de Base Radial (Radial Basis Function - RBF)
-Solução de problemas não lineares;
-Adequado para predição e classificação de padrão.
Modelo com n entradas, uma camada 
intermediária com n neurônios e n saídas
Representação geométrica para os 
problemas tratáveis
Fonte: Silva (2010)
Mineração de Dados
aplicada a Gestão de Negócios.
3- Modelos de Redes Neurais não supervisionados
Mapa de Kohonen
-Treinamento competitivo (auto-organizável)
- Capacidade de detectar similares, regularidades, correlações e agrupamentos (clusters
Modelo com n entradas, uma camada 
intermediária com n neurônios e n saídas
Representação geométrica para os 
problemas tratáveis
Mineração de Dados
aplicada a Gestão de Negócios.
4- Aplicações de Redes Neurais Artificiais 
4.1 - Classificação de características relevantes para cerveja (2011)
-Redes MLP e RBF com 70 variedades de cerveja;
-Camada de Entrada:{clarity, color, pH, bitterness , extract in original, apparent 
extract, real extract, concentration of alcohol in beer, real degree of 
fermentation, apparent fermentability, content of carbon dioxide in beer, beer 
acidity }
-Camada de Saída:{“Good” e “Non Good”} -Camada de Saída:{“Good” e “Non Good”} 
- Obtiveram 100% de acurácia e vantagens do aprendizado contínuo.
- B. Debska, B. Guzowska-Swider / Analytica Chimica Acta 705 (2011) 283–
291
Mineração de Dados
aplicada a Gestão de Negócios.
4- Aplicações de Redes Neurais Artificiais 
4.2 – Previsão de Tendência de Mercado (2010)
-Redes Recorrente de Elman;
-Camada de Entrada com cinco entradas: Preço de Abertura, Preço Máximo, 
Preço Mínimo, Preço de Fechamento e Volume Comercializado;
-Camada Escondida com 10 neurônios;
-Camada de Saída: Um neurônio que representa o dia de fechamento para o 
dia futuro. Avaliação das ações do Grupo Pão de Açucar.dia futuro. Avaliação das ações do Grupo Pão de Açucar.
Mineração de Dados
aplicada a Gestão de Negócios.
4- Aplicações de Redes Neurais Artificiais 
4.3 – Previsão de vendas e tempo de prateleira