DSC/CEEI/UFCG
Inteligência Artificial IInteligência Artificial I
Aprendizagem Aprendizagem (Parte III)(Parte III)
Prof.Prof.aa Joseana Macêdo Fechine Joseana Macêdo Fechine [email protected]@dsc.ufcg.edu.br
Carga Horária: 60 horas
Universidade Federal de Campina GrandeUniversidade Federal de Campina GrandeDepartamento de Sistemas e Computação Departamento de Sistemas e Computação
Curso de Bacharelado em Ciência da Curso de Bacharelado em Ciência da ComputaçãoComputação
2
DSC/CEEIUFCG
Aprendizagem
Tópico
Redes Neurais
3
DSC/CEEIUFCG
Redes Neurais
Componentes de um
neurônio
É uma célula do cérebro cuja principal função é coletar, processar e disseminar sinais elétricos.
Acredita-se que a capacidade de processamento de informações no cérebro vem de redes de neurônios.
4
DSC/CEEIUFCG
Componentes de um Neurônio
Axônio – transmissão de sinais a partir do corpo celular; poucas ramificações e compridos;
Dendritos – conduzem sinais para a célula; têm muitas ramificações (zonas receptivas);
Sinapses – estruturas funcionais elementares que mediam as conexões entre os neurônios
Redes Neurais
5
DSC/CEEIUFCG
Plasticidade de um neurônio – capacidade de adaptação ao ambiente.
Mecanismos de Plasticidade (cérebro de um adulto) Criação de novas conexões sinápticas Modificação das sinapses existentes
Plasticidade - essencial para as Redes Neurais Artificiais
Redes Neurais
6
DSC/CEEIUFCG
Neurociência computacional Modelo matemático do neurônio criado por
McCulloch e Pitts (1943)
Interesse nas propriedades mais abstratas da RNs Habilidade para executar computação distribuída Habilidade para tolerar entradas ruidosas Habilidade para aprender
Uma das formas mais populares e efetivas de sistemas de aprendizagem
7
DSC/CEEIUFCG
Inspiração Biológica
Redes Neurais Artificiais
8
DSC/CEEIUFCG
Neurônio artificial projetado por McCulloch e Pitts (1943)
sinais são apresentados à entrada;
cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade;
é feita a soma ponderada dos sinais que produz um nível de atividade;
se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída.
Função de ativação
Neurônio Artificial
9
DSC/CEEIUFCG
Neurônio Artificial
“Dispara” quando uma combinação linear de suas entradas excede algum limiar.
10
DSC/CEEIUFCG
Redes Neurais Artificiais Cada unidade i calcula
Uma soma ponderada de suas entradas
Depois, aplica uma função de ativação g a essa soma para derivar a saída
n
jjiji awin
0,
n
jjijii awginga
0,)(
11
DSC/CEEIUFCG
A função de ativação g é projetada para atender a dois propósitos
Deseja-se a unidade “ativa” (próxima de =1) quando as entradas “corretas” forem recebidas e “inativa” (próxima de 0) quando as entradas “erradas” forem recebidas
A ativação precisa ser não-linear
função de limiar (a) função sigmóide (b)
12
DSC/CEEIUFCG
Exemplo:
sinais de entrada X1, X2, ..., Xp (0 ou 1) pesos W1, W2, ..., Wp, valores reais. limitador t; Neste modelo, o nível de atividade a é dado por:
a = W1X1 + W2X2 + ... + WpXp
A saída y é dada por:• y = 1, se a ≥ t ou • y = 0, se a < t.
Neurônio Artificial
13
DSC/CEEIUFCG
Exemplos de Aplicações Exemplo bem simplificado: suponha que você está
em uma encruzilhada com quatro caminhos a seguir, e precisa escolher o mais fácil. Como você nunca andou em nenhum deles, o peso de cada
um é 1, ou seja, tanto faz escolher qualquer um. Você escolhe um deles, e anda até descobrir um lago em
que deve atravessar a nado. Pela dificuldade, você deve aumentar o peso deste caminho para 2.
Quando outra pessoa chegar na mesma encruzilhada, saberá que o caminho de maior peso é o mais difícil a seguir.
A rede neural “aprende” a determinar os pesos de acordo com as movimentações entre as paradas.
14
DSC/CEEIUFCG
Rede Neural - Organização em Camadas (Exemplo)
Redes Neurais Artificiais
15
DSC/CEEIUFCG
As camadas são classificadas em três grupos (usualmente):
Camada de Entrada: onde os padrões são apresentados à rede;
Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características;
Camada de Saída: onde o resultado final é concluído e apresentado.
Redes Neurais Artificiais
16
DSC/CEEIUFCG
Redes Neurais: Classificação dos Modelos Conexionistas
Em relação à estrutura da rede: Redes de uma única camada Redes de múltiplas camadas Redes do tipo uni-direcional Redes do tipo recorrentes Redes com estrutura estática (não altera a sua estrutura) Redes com estrutura dinâmica (altera a estrutura) Redes com conexões de ordem superior
Redes Neurais Artificiais
17
DSC/CEEIUFCG
Estruturas de rede Redes acíclicas ou redes de alimentação direta:
Representam uma função de sua entrada atual; NÃO têm nenhum estado interno além dos pesos.
Redes cíclicas ou redes recorrentes: Utilizam suas saídas para realimentar suas próprias
entradas;
Níveis de ativação da rede formam um sistema dinâmico Pode atingir um estado estável ou exibir oscilações;
A resposta da rede a uma determinada entrada pode depender de entradas anteriores (como um flip-flop).
18
DSC/CEEIUFCG
Redes de alimentação direta Representa uma função de suas entradas
Dados os valores de entrada a1 e a2 a rede calcula:
a5 = g(W3,5a3 + W4,5a4) = g(W3,5g(W1,3a1 + W2,3a2) + W4,5g(W1,4a1 + W2,4a2))
19
DSC/CEEIUFCG
Redes de alimentação direta Expressando a saída de cada unidade oculta como
uma função de suas entradas percebe-se que:
a5 é uma função das entradas da rede;
Os pesos da rede atuam como parâmetros dessa função;
A rede calcula hw(x);
Ajustando os pesos muda-se a função que a rede representa;
Aprendizagem!
20
DSC/CEEIUFCG
Processos de Aprendizado
A propriedade mais importante das redes neurais é a habilidade de aprender com seu ambiente e com isso melhorar seu desempenho.
Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento.
O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas.
Redes Neurais Artificiais
21
DSC/CEEIUFCG
Algoritmo de Aprendizado
Conjunto de regras bem definidas para a solução de um problema de aprendizado.
Existem muitos tipos de algoritmos de aprendizado específicos para determinados modelos de redes neurais.
Os algoritmos diferem entre si principalmente pelo modo como os pesos são modificados.
Redes Neurais Artificiais
22
DSC/CEEIUFCG
Redes Neurais: Classificação - Aprendizado Em relação ao aprendizado:
Aprendizado supervisionado Aprendizado semi-supervisionado Aprendizado não supervisionado Aprendizado instantâneo Aprendizado por pacotes Aprendizado contínuo Aprendizado ativo Aprendizado: aproximação de funções Aprendizado: classificação Usar apenas uma base de exemplos de aprendizado Usar uma base de aprendizado e uma base de teste de
generalização
Redes Neurais Artificiais
23
DSC/CEEIUFCG
Redes Neurais: Classificação dos Modelos Conexionistas
Em relação as unidades da rede: Redes baseadas em Perceptrons (MLP - Multi-Layer
Perceptron) Redes baseadas em Protótipos (RBF - Radial Basis
Function)
Redes Neurais Artificiais
24
DSC/CEEIUFCG
Exemplos de Redes Neurais
Redes Neurais Artificiais
25
DSC/CEEIUFCG
Aplicações Práticas
Reconhecimento de Padrões: Caracteres, Imagens, Voz, etc
Sistemas de Auxílio ao Diagnóstico: Médico, Falhas Mecânicas, etc
Robótica Inteligente Previsão: Tempo, Cotações da Bolsa de Valores, etc Sistemas de Controle Processamento de Sinais
Processamento de Linguagem Natural Data Mining
Redes Neurais Artificiais
26
DSC/CEEIUFCG
Aplicações Práticas
http://www.nd.com/neurosolutions/products/ns/nnandnsvideo.html
http://fbim.fh-regensburg.de/~saj39122/begrolu/kohonen.html
Redes Neurais Artificiais
27
DSC/CEEIUFCG
Exemplo de uso prático no Brasil: Visanet, operadora de cartões de crédito. A empresa implantou um sistema de rede neural, batizado de
Lynx, que detecta possíveis fraudes em transações com cartão. A base de dados fornece um histórico e o hábito de consumo de
cada número de cartão de crédito Visa emitido no país. Número de transações anteriores: mais de 850 milhões.
São emitidos alertas para os bancos toda vez que o Lynx detecta variáveis fora dos padrões e, portanto, a possibilidade de fraude.
O sistema compara o comportamento de cada transação com os padrões armazenados na base de dados.
Uma despesa em um estabelecimento comercial nunca utilizado antes por determinado cartão, por exemplo, gera uma variável.
O cadastro e o histórico do próprio estabelecimento comercial geram outras variáveis que levam em conta fatores como a ocorrência de casos anteriores de fraude.
A soma dessas variáveis resulta em um índice de probabilidade de fraude que vai de 1% a 100%.
Exemplos de Aplicações
Lynx (lince) - animal que os antigos acreditavam ter o poder de enxergar através de paredes.
28
DSC/CEEIUFCG
Exemplo: Reconhecimento de fala – reconhecer 1 de 10 vogais entre h_d (em inglês) – F1 e F2: parâmetros retirados da análise espectral do
som da palavra.
Exemplos de Aplicações
29
DSC/CEEIUFCG
Neural Networks Java Applets: Perceptron Learning Rule (CNNL) Image Compression Using Backprop (CNNL) Generalizations of the Hamming Associative Memory (CNN
L)
Joone - Java Object Oriented Neural Engine Porta XOR
Simulador de Redes Neurais: SNNS (Stuttgart Neural Network Simulator)
Exemplos de Aplicações
Fonte: Java Demonstrations of Neural Net Concepts, http://neuron.eng.wayne.edu/software.html
30
DSC/CEEIUFCG
Por que utilizá-las?
Generalização: Podem aprender através de conjuntos de exemplos e apresentar respostas coerentes para entradas não vistas durante o treinamento.
Adaptabilidade: Podem adaptar-se a um novo ambiente através de alterações em seus pesos sinápticos. Também podem ser projetadas para alterarem seus pesos em tempo real ou para operarem em ambientes que variem com o tempo.
Informação Contextual: Processam as informações contextuais de forma natural, uma vez que o processamento de um neurônio é afetado pelo processamento de outros neurônios da rede.
Uniformidade: A mesma notação é utilizada em diferentes domínios de aplicações; os neurônios são encontrados em todas as redes neurais; é possivel utilizar os mesmos algoritmos de aprendizagem e teorias em diversas apllicações; através da integração homogênea de módulos, podemos construir redes modulares.
Redes Neurais Artificiais
31
DSC/CEEIUFCG
Vantagens
Aquisição automática de conhecimentos empíricos a partir de uma base de exemplos de aprendizado referente a um problema;
Manipulação de dados quantitativos, aproximados e mesmo incorretos com uma degradação gradual das respostas;
Grande poder de representação de conhecimentos através da criação de relações ponderadas entre as entradas do sistema;
Redes Neurais Artificiais
32
DSC/CEEIUFCG
Desvantagens
Dificuldade de configuração das redes em relação à sua estrutura inicial e também no que se refere aos parâmetros dos algoritmos de aprendizado;
Dificuldade de explicitar os conhecimentos adquiridos pela rede através de uma linguagem compreensível para um ser humano;
Dificuldade de convergência (bloqueios) e instabilidade, inerentes aos algoritmos de otimização empregados;
“Lentidão” do processo de aprendizado / adaptação.
Redes Neurais Artificiais
33
DSC/CEEIUFCG
AprendizagemSistemas Inteligentes Híbridos
34
DSC/CEEIUFCG
Aprendizagem
Sistemas baseados em
Redes Neurais
Redes Bayesianas
Algoritmosgenéticos
Sistemas Especialistas
Sistemas Nebulosos
(fuzzy)
Sistemas deAprendizagem
simbólica indutiva
Sistemas de PLN
conhecimento intensional (regras)
conhecimento extensional (exemplos)
simbóliconumérico
Sistemasbaseadoem casos
Robôs
Top Related