REDES NEURAIS ARTIFICIAIS

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