Redes Neurais Artificiais

Prévia do material em texto

TECNOLOGIA EM SISTEMAS PARA INTERNET 
GERÊNCIA DE DADOS SEMI-ESTRUTURADOS 
Rodrigo Ramos Nogueira 
Emily Caroline da Silva Padilha 
Nátaly Nazário Quina 
 
REDES NEURAIS ARTIFICIAIS 
 
1 INTRODUÇÃO 
A relação homem-máquina está presente em nossa sociedade desde a Primeira 
Revolução Industrial, que trouxe consigo as primeiras máquinas à vapor. Posteriormente, 
houve a Segunda Revolução Industrial, onde mais países começaram se industrializar e 
novos motores começaram a ser inventados. Na Terceira e mais recente Revolução 
Industrial temos os avanços tecnológicos como base. 
Tais avanços sempre possuem como objeto auxiliar-nos, de modo que as máquinas 
intensificam nossa força de trabalho, diminuindo o tempo do mesmo e trazendo consigo 
potência. A partir da última revolução, o estudo e aperfeiçoamento das máquinas e sistemas 
computacionais acabaram por trazer consigo uma forma científica de se estudar a 
inteligência, o qual busca formas replicá-la. Dentro deste contexto, no presente escrito, 
apresentaremos a abordagem conexionista da ciência descrita como Inteligência Artificial, 
para posteriormente tratarmos sobre o tema do artigo: Redes Neurais Artificiais (RNA). 
 
2 INTELIGÊNCIA ARTIFICIAL, SUAS ABORDAGENS E O MODELO 
CONEXIONISTA 
Inteligência Artificial (IA) pode ser entendida como uma ciência que estuda formas 
de implementar em sistemas as atividades que um ser humano pode desenvolver. Esta por 
si, possui dois tipos de abordagens para alcançar seu objetivo, a Abordagem Cognitiva, 
também conhecida como “simbolista” e a Abordagem Conexionista, também conhecida 
como “biológica”. 
A abordagem cognitiva “dá ênfase aos processos cognitivos humanos” (SIMON apud 
FERNANDES, 2005, p. 3), utilizando basicamente de algoritmos (sequência de passos) e 
lógica para reproduzir o conhecimento adquirido, enquanto a abordagem conexionista 
baseia-se na nas redes neurais do cérebro humano. 
Tendo este breve conceito inicial sobre IA e seus dois segmentos de estudo, 
continuaremos daqui falando sobre a abordagem conexionista. 
Esta abordagem utiliza redes neurais artificiais para simular as ações legítimas do 
cérebro como em um organismo biológico. Inicialmente tivera diversas propostas de 
 
 
modelos eletroquímicos para realizar-se a simulação dos estímulos do sistema nervoso do 
cérebro humano, porém, foi no modelo matemático, em 1938, Rashevsky (FILHO apud 
FERNANDES, 2005, p. 58) que conseguiu-se avançar e que se mantém os estudos até os 
dias atuais. 
Conforme Braga, a base para o estudo dessa abordagem se dá pela “estrutura 
individual desses neurônios, a topologia de suas conexões e o comportamento conjunto 
desses elementos de processamento naturais”. Sendo assim, é preciso entender como os 
neurônios se comportam. 
 
2.2 FUNCIONAMENTO DOS NEURÔNIOS 
Os neurônios são células que formam o nosso cérebro e são compostas por três 
partes: dentritos (terminais de entrada), que captam informações do ambiente ou de outras 
células do corpo; soma (corpo celular dos neurônios), responsável por processar as 
informações; e axônio (terminais de saída), que distribui para outros neurônios ou células do 
corpo a informação processada. 
O comportamento funcional de um único neurônio se dá pelos sinais de estímulo 
recebidos do neurônio antecessor deste. Sendo que, para que estes sinais de estímulo 
produzam uma ação neste neurônio, em que se chegaram, é necessário que haja um 
acúmulo mínimo de estímulos de entrada, assim ele poderá produzir dois tipos de ação por 
meio de neurotransmissores: a ação excitatória ou a ação inibitória. O tipo de ação que este 
neurônio enviará para o próximo dependerá da quantidade de cada entrada destas neste 
neurônio em questão. Quanto maior o número de células trabalharem em conjunto, 
enviando sinais de excitação ou sinais de inibição, maior as chances de emitir-se um 
impulso nervoso. 
 
3 REDES NEURAIS ARTIFICIAIS 
Para o entendimento de qualquer conceito de Rede Neural Artificial, é preciso 
entender as três palavras-chaves: neurônio, arquitetura e aprendizagem. Neurônio é a 
unidade básica computacional da rede; arquitetura é a estrutura topológica de como os 
neurônios se conectam; e aprendizagem é o processo que adapta a rede de modo a realizar 
alguma tarefa. 
As Redes Neurais Artificiais são definidas como redes massivamente paralelas e 
interconectadas, de elementos simples, com organização hierárquica. Estes elementos 
devem interagir com objetos do mundo real da mesma maneira que o sistema nervoso 
biológico (KOHONEN apud FERNANDES, 2005, p. 57). 
 
A teoria das Redes Neurais surgiu de grupos que defendiam a inteligência humana 
como fruto do nosso cérebro organizado. No presente escrito, trataremos sobre as Redes 
Neurais, que voltaram a ser estudados com mais afinco após o avanço das neurociências. 
 
3.1 Características Gerais 
Como visto, o funcionamento das redes neurais artificiais baseiam-se no mesmo 
funcionamento biológico. No geral, os modelos consistem em nós (que seriam os neurônios) 
e conexões. Assim, costumam possuir uma organização por camadas, onde há uma 
classificação de três grupos: A camada de entrada, as camadas intermediárias (onde os 
dados serão processados) e a camada de saída. A topologia de uma RNA deve possuir no 
mínimo duas camadas: a de entrada e a de saída (RUMMELHART apud FERNANDES, 
2005, p. 72). Contudo, como esse tipo de topologia acaba limitando o desempenho da RNA, 
normalmente são adicionadas camadas intermediárias entre estas, conforme a necessidade 
de processamento. As ligações de cada nó dão-se imediatamente com os nós vizinhos. 
Existem dois tipos de arquitetura de redes neurais artificiais, e são definidas com 
base no ciclo do fluxo dos sinais, são elas: ​Feedforward e Feedback. ​Nas redes 
Feedforward ​o sinal é unidirecional, assim sendo, é propagado em uma única direção após 
sua entrada até sua saída. Já na ​Feedback, ​o sinal é multidirecional, podendo, da saída, 
entrar em qualquer outra entrada de neurônio.(FERNANDES, 2005, p. 61) 
O relacionamento de uma RNA com o ambiente dá-se por meio de chamados 
“paradigmas de aprendizado”, onde é determinado como será o seu monitoramento. Sendo 
eles, também, um modo de classificação dos tipos de RNA: 
● Aprendizado supervisionado: Onde um agente externo fornece a saída desejada 
para comparação; 
● Aprendizado não-supervisionado: Quando não há fornecimento de resposta final e a 
rede conduz por si, se auto-organizando; 
● Reforço: Quando há avaliação da resposta por um crítico externo. 
(FERNANDES, 2005, p. 63 e ROSA, 2011, p.183) 
 
3.2 Regras de Aprendizado 
As regras de aprendizado consistem em modelos de algoritmos RNA desenvolvidos 
e aperfeiçoados pelos estudos realizados. Estes modelos se tornaram a base para o 
desenvolvimento da RNA em conjunto com as características gerais já comentadas 
anteriormente. Por serem modelos base, eles normalmente definem a arquitetura e 
 
classificação da rede desenvolvida, havendo apenas reformulações que não são 
consideráveis para modificar os padrões de formaa criar-se uma nova “regra” ou modelo. 
Pode-se citar como exemplo o modelo/regra PERCEPTRON que é um modelo 
supervisionado e também utiliza a regra Delta desenvolvida por Widrow. Entre outras regras 
base podemos citar as realizadas por Hopfield, Hebb, McCulloch e Pitts, Rashevsky e 
Hodgen e Huxley. Entre as RNA modelos temos: LAM (Linear Associative Memories) por 
Anderson, Kohonen e Nakano; LVQ (Learning Vector Quantification) por Kohonen; ART 
(Adaptative Resonance Theory) por Grossberg, ADALINE (Adaptative Linear Element) e 
MADALINE (ManyADALINE) por Widrow e Hoff, entre muitas outras. 
 
3.3 Processos de Aprendizado 
Basicamente, a determinação das etapas de desenvolvimento de uma RNA são: (i) 
Coleta e separação de dados, (ii) Configuração da rede, (iii) Treinamento (iv) Teste, (v) 
Integração (GURNEY apud FERNANDES, 2005, p. 80). 
(i) A coleta de dados deve ser realizada pensando nos dados de treinamento e 
testes, e os mesmos devem abranger tanto problemas rotineiros quanto exceções. A 
separação dos dados de treinamento pode possuir também uma subdivisão sendo o 
conjunto de validação da eficiência da rede. 
(ii) A configuração da rede divide-se em três etapas: a seleção do paradigma, 
determinação da topologia, e os parâmetros do algoritmo de treinamento e funções de 
ativação. 
(iii) O treinamento das redes é o passo fundamental para o processo de aprendizado 
de uma RNA, este, conhecidos também como Algoritmos de Treinamento, consistem na 
aplicação das regras de aprendizado, ajustando-as e aplicando também correções 
conforme a necessidade da rede. Como mencionado anteriormente, as abordagens destes 
algoritmos se dá por conceitos matemáticos, sendo assim, as entradas fornecidas a RNA 
consiste em “pesos”. A correção destes pesos pode ser executada de dois modos: Modo 
Padrão, onde a correção acontece a cada novo começo focando somente no erro 
apresentado neste, podendo ser então N correções. E o Modo Batch: Onde faz-se a 
correção ao final de um ciclo completo, sendo apenas uma correção por ciclo. 
O ajuste dos pesos é importante pois implicará no tempo necessário que a rede 
levará para concluir seu treinamento. Porém, também é necessário que hajam critérios de 
parada, sendo eles: Taxa de erro e capacidade de generalização. Esses dois critérios 
devem ser combinados com intuito de parada ao satisfazer uma taxa de erro mínima com 
 
uma capacidade de generalização máxima. Sendo que, a taxa de erro deve ser menor que 
um erro admissível. 
(iv) Os testes consistem na verificação da performance da rede, estes são realizados 
com dados que não foram previamente considerados. 
(v) A integração é a parte onde a rede é disponibilizada ao ambiente operacional 
para qual fora desenvolvida, onde este, em sua aplicação, poderá realizar o monitoramento 
da performance da rede para eventuais manutenções e re-treinamento por projetistas 
(FERNANDES, 2005, p. 63,80-83 e ROSA, 2011, p.184). 
 
3.4 Aplicação Prática 
RNAs são mais comumente utilizados em aprendizados por meio de conjunto de 
dados. RNAs aplicam as seguintes tarefas: classificação, categorização (agrupamento ou 
clustering​), aproximação, previsão e otimização. A tabela 1 mostra as principais tarefas que 
as RNAS podem executar e alguns exemplos de aplicação. 
Tarefas Algumas Aplicações 
Classificação Reconhecimento de caracteres 
Reconhecimento de imagens 
Diagnóstico (médico, equipamentos, etc.) 
Análise de risco de crédito 
Detecção de fraudes 
Detecção de falhas em sistemas industriais 
Categorização Agrupamento de sequências de DNA 
Mineração de dados 
Análise de expressão gênica 
Agrupamento de clientes 
Previsão Previsão do tempo 
Previsão financeira (câmbio, bolsa, etc.) 
Modelagem de sistemas dinâmicos 
Previsão de sequência de DNA 
Tabela 1. Fonte: BRAGA; CARVALHO; LUDERMIR, 2014. 
 
4 CONSIDERAÇÕES FINAIS 
No presente escrito, discorremos acerca do tema Redes Neurais Artificiais, onde 
apresentamos uma visão geral sobre o mesmo e algumas de suas principais características 
e processos de aprendizado. Dentro do nosso contexto tecnológico atual, trabalhar em cima 
de conceitos de neurociência é mais do que necessário para que possamos continuar 
progredindo e obter cada vez mais eficácia ao trazer praticidade à realidade da sociedade. 
 
 
Referências 
FERNANDES, Anita Maria da Rocha. ​Inteligência Artificial: noções gerais​​. Florianópolis: 
VisualBooks, 2005. 
ROSA, João Luís Garcia. ​Inteligência Artificial​​. Rio de Janeiro: LTC, 2011. 
BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR, Teresa 
Bernarda. ​Redes Neurais Artificiais​​. Rio de Janeiro: LTC, 2014. 
ASSIS, Pablo de. ​O que são Redes Neurais?​​. Disponível em: 
<https://www.tecmundo.com.br/programacao/2754-o-que-sao-redes-neurais-.htm>. Acesso 
em: 25 nov. 2018. 
Redes Neurais Artificiais​​. Disponível em: 
<http://conteudo.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em: 25 nov. 2018.