Inteligência Artificial

Computação Neural

Inteligência Computacional

• Solução de problemas reproduzindo mecanismos dos seres biologicamente inteligentes.

Inteligência Computacional (IC)

Computação Nebulosa (Fuzzy)

(CF)

Computação Neural (CN)

Computação Evolutiva (CE)

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

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.

Neurônio Biológico

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

Neurônio Artificial

• Neurônio artificial

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.

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

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]:

Função de Ativação

• Pode-se utilizar um grande número de funções para a ativação dos neurônios.

• Função Identidade:

• Função de Limiar:

Função de Ativação

• Função Limiar por Partes:

• Função Sigmóide:

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.

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.

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

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.

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.

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.