Baixe o app para aproveitar ainda mais
Prévia do material em texto
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(2006) - Artigo: “Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing” (P. Doganis). - Rede Neural RBF com abordagem de Algoritmos Genéticos. - Parâmetros: Tamanho da População, Número Máximo de Gerações, Número Máximo de Gerações com Melhoria, Probabilidade de Cruzamento, Probabilidade de Mutação, Limite Mínimo do Grupo e Limite Máximo do Probabilidade de Mutação, Limite Mínimo do Grupo e Limite Máximo do Grupo. Mineração de Dados aplicada a Gestão de Negócios. 4- Aplicações de Redes Neurais Artificiais 4.3 – Previsão de vendas e tempo de prateleira (2006) Mineração de Dados aplicada a Gestão de Negócios. 4- Aplicações de Redes Neurais Artificiais 4.4 – Previsão de Tendência de Mercado (2008) - Artigo: “RBF Neural Network and ANFIS-Based Short-Term Load Forecasting Approach in Real-Time Price Environment” (Yun Z. Quan z.) - Rede Neural RBF; - As informações fornecidas como entrada eram 12, relacionados a carga energética e o período utilizado para amostragem. - A saída era a previsão de consumo e assim custo associado. Mineração de Dados aplicada a Gestão de Negócios. Referências: Livro: Silva, IN da, Danilo Hernane Spatti, and Rogério Andrade Flauzino. "Redes neurais artificiais para engenharia e ciências aplicadas." São Paulo: Artliber (2010). Artigos: “Application of linear/non-linear classification algorithms in discrimination of pork “Application of linear/non-linear classification algorithms in discrimination of pork storage time using Fourier transform near infrared (FT-NIR) spectroscopy” - Chen et al. / LWT - Food Science and Technology 44 (2011) 2053e2058 Doganis, Philip, et al. "Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing." Journal of Food Engineering 75.2 (2006): 196-204. Yun, Zhang, et al. "RBF neural network and ANFIS-based short-term load forecasting approach in real-time price environment." Power Systems, IEEE Transactions on 23.3 (2008): 853-858.
Compartilhar