1 / 18

Inteligência Artificial

Computação Neural. Inteligência Artificial. Inteligência Computacional. Solução de problemas reproduzindo mecanismos dos seres biologicamente inteligentes. Inteligência Computacional (IC ). Computação Nebulosa (Fuzzy) (CF). Computação Neural (CN). Computação Evolutiva (CE).

marah-casey
Download Presentation

Inteligência Artificial

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Computação Neural Inteligência Artificial

  2. Inteligência Computacional • Solução de problemas reproduzindo mecanismos dos seres biologicamente inteligentes. Inteligência Computacional (IC) Computação Nebulosa (Fuzzy) (CF) Computação Neural (CN) Computação Evolutiva (CE)

  3. Computação Neural • Utiliza uma forma de programação não algorítmica • Processamento distribuído paralelo de suas unidades: os neurônios artificiais. • Estas unidades são inspiradas nas células que constituem o cérebro

  4. Computação Neural • Um ser humano nasce com bilhões de neurônios, cada um deles interconectado com outros milhares, formando uma imensa rede de processamento distribuído. • A criação, eliminação e modificação dessas conexões garante ao homem a capacidade de aprender, armazenar e utilizar conhecimentos através da experiência.

  5. Neurônio Biológico

  6. Neurônio Biológico • Cada célula neural possui seus receptores, os dendritos, o corpo celular e um transmissor, o axônio. • A propagação de sinais entre um axônio de um neurônio e o dendrito de outro é realizada através das sinapes. • A sinapse pode amplificar ou atenuar o sinal que transmite. A capacidade de adaptar-se ao meio ambiente, através de aprendizado, é obtida através da criação ou modificação destas sinapses

  7. Neurônio Artificial • Neurônio artificial

  8. Neurônio Artificial • Este neurônio é identificado por k em um conjunto de neurônios. • As entradas, estão representadas pelos sinais xj. • As ligações sinápticas entre o axônio dos outros neurônios e os dendritos do neurônio k são representadas pelos pesos w(k,j), que podem assumir valores negativos ou positivos.

  9. Potencial de Ativação • Em um neurônio artificial típico (de correlação), o cálculo do potencial de ativação vk, envolve uma somatória dos sinais de entrada ponderados pelos seus respectivos pesos, somados com o bias bk

  10. Função de Ativação • Finalmente, uma função de ativação φ(.) é aplicada para restringir a saída a um valor finito, em geral normalizado para um intervalo [0,1] ou [-1,1]:

  11. Função de Ativação • Pode-se utilizar um grande número de funções para a ativação dos neurônios. • Função Identidade: • Função de Limiar:

  12. Função de Ativação • Função Limiar por Partes: • Função Sigmóide:

  13. Redes Neurais Artificiais (RNAs) • RNAs são formadas por neurônios artificiais interconectados, com o objetivo de simular a estrutura cerebral. • Processamento distribuído: o processamento realizado pelas RNAs é paralelo, cada neurônio artificial constitui uma unidade de processamento autônoma. • Representação distribuída: o conhecimento da rede se encontra distribuído entre seus neurônios. • Aprendizado: a RNA pode ser construída com a capacidade de alterar os pesos das conexões entre seus neurônios.

  14. Redes Neurais Artificiais (RNAs) • RNAs são classificadas normalmente por algumas de suas características: • Função de ativação: determina a forma da função executada pela rede como um todo. • Topologia: a maneira como os neurônios são conectados, que o comportamento da rede: • Redes alimentadas diretamente (feedforward) ou recorrentes (feedback). • Redes completamente conectadas ou não. • Redes de uma camada ou de múltiplas camadas.

  15. Redes Neurais Artificiais (RNAs) • RNAs são classificadas normalmente por algumas de suas características: • Algoritmo de aprendizado: o método que realiza a alteração dos parâmetros da rede. • Supervisionado • Não supervisionado • Por reforço • Aplicações: • Reconhecimento de padrões • Memórias • Compactação • Otimização

  16. Perceptron • Uma das primeiras de RNA. Suas características: • Função de ativação: função de limiar. • Topologia: a rede é feedforward e as entradas são conectadas diretamente aos neurônios. • Algoritmo de aprendizagem: supervisionado, através da correção de erro da saída esperada com a obtida. • Aplicações: pode ser utilizado para classificação de padrões linearmente separáveis. • Dois estados de operação: classificação e aprendizado.

  17. Perceptron - Aprendizado • Primeiramente, deve-se obter o erro: • sendo d a saída desejada e y a saída obtida. • A alteração do peso j de um dado neurônio é dada por: • Sendo o delta (diferença) calculado por: • sendo o  a taxa de aprendizagem e x a entrada relativa ao peso w em questão.

  18. Perceptron - Evolução • Embora tenha causado grande entusiasmo, o Perceptron é muito limitado e encontrava dificuldade em resolver problemas simples da vida real. • Perceptrons com várias camadas poderiam ser a saída, mas ajustar os pesos de várias camadas era impossível. • Essas limitações expostas em vários trabalhos fizeram com que a área de redes neurais congelasse por cerca de 20 anos. • Até o método Backpropagation.

More Related