Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGÊNCIA ARTIFICIAL PROFESSOR: PAULO SILVEIRA EQUIPE: • Janine Palermo Pestana da Silva • Mayara Soares da Silva • Aline Costa dos Santos • Caroline de Andrade Pereira • Cleber Osmar Prado Valentim • Rafael da Silva Araújo Santos • Ana Carolina Braga Medeiros REDES NEURAIS ARTIFICIAIS O QUE SÃO RNA? Redes neurais são sistemas artificiais inspirados no cérebro humano, por isso “neurais”. Elas têm como objetivo replicar, nas máquinas, a maneira como as pessoas aprendem. As redes neurais permitem que máquinas consigam entender e aprender padrões, adaptar-se a mudanças e imitar processos de pensamento humano na busca por respostas e soluções. Tudo isso com quase nenhuma intervenção humana. INSPIRAÇÃO BIOLÓGICA Antes de compreender o funcionamento de uma rede neural artificial, é importante entender no que essa técnica está baseada: nas Redes Neuras Biológicas. mecanismo de comunicação Biologia de uma célula nervosa As conexões entre neurônios são muito mais complexas do que aquelas implementadas em arquiteturas de redes neurais artificiais. CÉREBRO • Neurônio biológico • Redes de neurônios • 10 bilhões de neurônios • Aprendizagem • Generalização • Associação • Reconhecimento de padrões REDES NEURAIS • Neurônio artificial • Estruturas em camadas • Centenas / milhões • Aprendizagem • Generalização • Associação • Reconhecimento de padrões RNA'S QUANTO A APRENDIZAGEM APRENDIZAGEM OCORRE QUANDO A REDE NEURAL ATINGE UMA SOLUÇÃO GENERALIZADA PARA UMA CLASSE DE PROBLEMAS. DENOMINA-SE ALGORITMO DE APRENDIZAGEM A UM CONJUNTO DE REGRAS BEM DEFINIDAS PARA A SOLUÇÃO DE UM PROBLEMA DE APRENDIZAGEM. NESSE CONTEXTO EXISTEM OS SEGUINTES PARADIGMAS DE APRENDIZAGEM: Aprendizagem Supervisionada Aprendizagem Não Supervisionado (auto organização) Aprendizagem por Reforço HISTÓRIA DAS REDES NEURAIS Década de 40 Década de 50 Década de 60/70 Década de 80 Hoje em dia TIPOS DE REDES NEURAIS Redes neurais convolucionais (RNCs) contêm cinco tipos de camadas: de entradas, de convolução, de agrupamento, as completamente conectadas e as de saída. Redes neurais recorrente (RNRs) usam informações sequenciais, como dados de registro de data e hora de um sensor ou uma frase dita. Redes neurais feedforward, nas quais cada perceptron em uma camada é conectado a todo perceptron da camada seguinte. Redes neurais autoencoder são utilizadas para criar abstrações chamadas encoders, criados a partir de um conjunto estipulado de entradas DESCRIÇÃO DAS REDES NEURAIS Método para solucionar o problema através da simulação do celebro humano Possuem nós ou unidade de processamento Possuem basicamente 3 camadas: De entrada, intermediaria e de saída MACHINE LEARNING Já compreendido como uma pequena parte do campo de inteligência artificial, o consenso atual entre muitos autores é que Machine Learning é o estado-da-arte do que temos em inteligência artificial hoje. Machine Learning é a aplicação de algoritmos matemáticos e estatísticos (regressões, classificações, trees, etc) em grandes volumes de dados ("bigdata") com altíssima velocidade para descobrir padrões, extraindo equações e seus coeficientes e com isso tentar realizar predições e automações com o maior índice de acerto possível. Curiosamente a ciência por trás do Machine Learning é bastante antiga (e por isso também muito sólida) mas nossos sistemas computacionais atuais finalmente conseguem processar estes algoritmos sobre data lakes gigantescos. Entretanto, Machine Learning não pode aprender sozinho. Os algoritmos precisam ser criados por seres humanos e depois treinados e validados em bases de dados para finalmente serem generalizados e evidente se comportarão melhor na medida do comportamento dos dados, com um threshold limite de ruído. Alterações de coeficientes ("re-aprendizado") podem ser feitos, mas não desenvolver automaticamente um algoritmo "do zero". Humanos devem fazê-lo. Utilizamos Machine Learning em aplicações tão diferentes quanto testar novas drogas e suas interações, realizar a previsão do tempo, classificar emoções através de sinais humanos e até entender o movimento dos pumas usando acelerômetros. http://journals.plos.org/ploscompbiol/article?id=10.1371%2Fjournal.pcbi.0030116 http://www.zdnet.com/article/ibm-the-weather-company-use-machine-learning-to-predict-impact-of-weather/ http://ieeexplore.ieee.org/document/6946144/?reload=true http://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0030-0 DEEP LEARNING Deep Learning (ou Redes Neurais) também é um conceito que iniciou nos idos de 1950, o que mostra como o sonho da inteligência artificial é antigo. Busca estabelecer um paralelo entre nossa inteligência biológica-associativa e a inteligência de computadores, tentando simular o comportamento de neurônios. Se Machine Learning é o ápice da inteligência artificial, Deep Learning é o ápice do ápice, mas com uso ainda bem específico. Existem várias arquiteturas de redes neurais, mas o ponto importante é entender que a rede neural executa algoritmos e conecta as respostas para atingir o seu objetivo. E esses algoritmos são os mesmos que usamos em Machine Learning (classificação, regressão, árvores, etc). Exemplos práticos dessa aplicação existem no reconhecimento facial do Facebook e reconhecimento de imagens do Google (experimente acessar o Google, clicar em "Imagens" e pesquisar por "Tempestade" por exemplo. Não foi um humano que colocou uma "tag" de "tempestade" nessas fotos !). Outros exemplos do dia-a-dia são a audição e fala do Siri no Iphone ou a Cortana no Windows. Deep Learning busca separar dados "unlabeled" (que não conhecemos previamente) em partes menores que podem ser entendidas. É assim que um computador distingue entre uma árvores, um gato, um cachorro, um carro e um ser humano, separando as partes gráficas e depois juntando os "scores" (pontuação) conseguida. É assim que o automóvel Tesla "enxerga" a rua e toma decisões. Também é com esse processo assim que se "compreende" uma frase em NLP (Natural Language Processing, processamento natural de linguagens), separando as palavras e expressões utilizadas para formar um conjunto maior. APLICAÇÃO DAS REDES NEURAIS Detecção de fraude em cartões de crédito e assistência médica; Otimização de logística para redes de transporte; Reconhecimento de caracteres e de voz, também conhecido como processamento de linguagem natural; Diagnósticos médicos; Marketing direcionado; Predições financeiras de ações de mercado, moeda, opções, futuros, falência e classificação de títulos; Sistemas de controle robóticos; Previsão de carga elétrica e demanda de energia; Controle de qualidade e de processos; Identificação de compostos químicos; Avaliação do ecossistema; Visão computacional para interpretar fotos e vídeos não-tratados (por exemplo, na obtenção de imagens médicas, robótica e reconhecimento facial). VANTAGENS E CARACTERÍSTICAS Aprendizagem Organização Tolerância a falhas Flexibilização Agir em Tempo real ARQUITETURA E MODELOS • Quando nos referimos à arquitetura de uma rede neural estamos falando da disposição dos neurônios, um em relação ao outro, seguindo as conexões sinápticas. Já a topologia (ou modelo) da rede se refere às diferentes composições estruturais possíveis com diferentes quantidades de neurônios nas camadas de entrada, intermediária e de saída da rede. • A camada de entrada é responsável pelo recebimento dos dados a serem analisados, assim como a correspondente associação com os pesos de entrada. A camada intermediária tem por finalidade extrair as informações associadas ao sistema, sendo também responsável pela maior parte do processamento destes dados. Já a camada de saída agrega os dados das camadas anteriores e ativa uma resposta adequada. ARQUITETURAS MAIS USUAIS FeedForward de Camada Simples FeedForward de CamadasMúltiplas Recorrente ou Realimentada Estrutura Reticulada FEEDFORWARD DE CAMADA SIMPLES: Uma camada de entrada diretamente associada a um ou mais neurônios que vão gerar a resposta de saída. Observe que o fluxo de dados segue sempre em direção à camada de saída. São empregadas em problemas de classificação de padrões e filtragem. Tipos: Perceptron e Adaline. FEEDFORWARD DE CAMADAS MÚLTIPLAS Constituída por uma ou mais camadas escondidas de neurônios. São empregadas em problemas de aproximação de funções, classificação de padrões, identificação de sistemas, otimização, robótica e controle de processos. Tipos: Perceptron Multicamadas, Redes de Base Radial. RECORRENTE OU REALIMENTADA: Suas saídas são realimentadas como sinais de entrada para outros neurônios, sendo assim empregadas para o processamento de sistemas variantes no tempo. São empregadas em previsões de séries temporais, otimização, identificação de sistemas e controle de processos. Tipos: Hopfield e Perceptron Multicamadas com Realimentação. ESTRUTURA RETICULADA: Consideram a disposição espacial dos neurônios com o propósito da extração de características do sistema, ou seja, sua localização espacial serve para ajuste de seus pesos e limiares. São empregadas em problemas de agrupamento, reconhecimento de padrões, otimização de sistemas, etc. Tipo: Kohonen. REDES NEURAIS NA INDÚSTRIA Existem muitas aplicações para as redes neurais na indústria, nos mais diversos setores e segmentos. As redes neurais possuem uma capacidade enorme de processamento, monitoramento e controle de dados. Isso pode influenciar todo o processo de manufatura, em várias etapas. COMO SÃO UTILIZADAS: FACILITAR O ACESSO A INFORMAÇÕES E INSIGHTS CALCULAR E PREVER RESULTADOS MELHORAR OS PROCESSOS EM TEMPO REAL REALIZAR ATIVIDADES POR COMANDO DE VOZ REALIZAR ATIVIDADES POR RECONHECIMENTO DE IMAGENS ESTUDAR E PREVER O COMPORTAMENTO DO CLIENTE REFERÊNCIAS • https://towardsdatascience.com/the-mostly-complete- chart-of-neural-networks-explained-3fb6f2367464 • https://www.pollux.com.br/blog/redes-neurais-o-que-sao-e- como-usa-las-na-industria/ • https://www.sas.com/pt_br/insights/analytics/neural- networks.html#industries • https://sites.icmc.usp.br/andre/research/neural/ • http://www.ufal.edu.br/unidadeacademica/if/pt-br/pos- graduacao/mestrado-doutorado-em-fisica/dissertacoes-e- teses/dissertacoes- pdf/GERALDO%20ALVES%20SOBRAL%20JUNIOR.PDF https://towardsdatascience.com/the-mostly-complete-chart-of-neural-networks-explained-3fb6f2367464 https://www.pollux.com.br/blog/redes-neurais-o-que-sao-e-como-usa-las-na-industria/ https://www.sas.com/pt_br/insights/analytics/neural-networks.html#industries https://sites.icmc.usp.br/andre/research/neural/ http://www.ufal.edu.br/unidadeacademica/if/pt-br/pos-graduacao/mestrado-doutorado-em-fisica/dissertacoes-e-teses/dissertacoes-pdf/GERALDO%20ALVES%20SOBRAL%20JUNIOR.PDF
Compartilhar