Rede Neural - Wikipédia, A Enciclopédia Livre

13/08/13
Rede neural Wikipdia, a enciclopdia livre
Rede neural
Origem: Wikipdia, a enciclopdia livre. Este artigo cita uma ou mais fontes fiveis e independentes, mas ela(s) no cobre(m) todo o texto (desde 22 de abril de 2013). Por favor, melhore [1] este artigo providenciando mais fontes fiveis [2] e independentes [3] e inserindo-as [4] em notas de rodap [5] ou no corpo do texto, conforme o livro de estilo [6]. Encontre fontes: Google [7] notcias [8], livros [9], acadmico [10] Scirus
[11] Bing [12]. Veja como referenciar [13] e citar as fontes [14] .
[15]
Diagrama simplificado de uma rede neural. Redes neuronais (portugus europeu [16]) ou redes neurais (portugus brasileiro [17]) (mais propriamente, redes neuronais artificiais) so sistemas
pt.wikipedia.org/wiki/Rede_neural 1/41
13/08/13
computacionais [18] estruturados numa aproximao computao [19] baseada em ligaes. Ns simples (ou neures, neurnios, processadores ou unidades) so interligados para formar uma rede de ns - da o termo rede neuronal. A inspirao original para essa tcnica advm do exame das estruturas do crebro
[20], em particular do exame de neurnios [21].
Histrico[editar [22]]
As primeiras informaes sobre neurocomputao [23] surgiram em 1943 [24], em artigos do neuroanatomista [25] e psiquiatra [26] Warren McCulloch [27], do Instituto Tecnolgico de Massachusetts [28], e do matemtico [29] Walter Pitts
[30], da Universidade de Illinois [31]. Os autores fizeram uma analogia [32] entre
clulas nervosas vivas e o processo eletrnico [33], em um trabalho publicado sobre "neurnios formais"; simulando o comportamento [34] do neurnio natural, no qual o neurnio possua apenas uma sada, que era uma funo da soma de valor de suas diversas entradas. O trabalho consistia num modelo de resistores [35] variveis e amplificadores [36], representando conexes sinpticas
[37] de um neurnio biolgico.
Dcada de 1940[editar [38]]

Possivelmente uma das publicaes mais significativas, formulada por von Neumann, foi The General and Logical Theory of Automata, no final da dcada de 1940.
13/08/13
Talvez a mais remota influncia (no inicio do sculo XIX [39]), foi a do "Pato de Vaucanson", um autmato em forma de pato com centenas de peas e que alm de grasnar, comia, bebia, digeria e nadava. No esquecendo de mencionar tambm a mquina de Turing (1936 [40]). O resultado do autmato de Turing influenciou von Neumann, e o levou a perceber que os seres vivos estavam de fato entre as mquinas que a mquina de Turing poderia emular. Na sua obra, (arquitetura de von Neumann), ele fez uma analogia entre os rgos e as partes de um computador, entre portas lgicas, circuitos e neurnios.1 O livro Cybernetics de Wiener publicado em 1948 descreve alguns conceitos sobre controle, comunicao e processamento estatstico de sinais. Em 1961 foi adicionado na segunda edio do livro material sobre aprendizagem e autoorganizao. Em ambas as edies desse livro o Captulo 2 traz o compreendimento do significado fsico da mecnica estatstica no contexto desse assunto segundo Wiener, mas quem conseguiu terminar a ligao entre a mecnica estatstica e os sistemas de aprendizagem foi Hopfield mais de 30 anos depois.2 Em 1949 [41] Hebb introduziu a capacidade de aprender atravs de seu livro "The Organization of Behavior [42]". Hebb descreveu um sistema de aprendizado por correlao dos neurnios que acabou dando origem a Regra de Aprendizagem de Hebb e essa teoria comumente evocada para explicar alguns tipos de aprendizagem associativos no qual a ativao simultnea de clulas leva a um crescimento pronunciado na fora sinptica. Tal aprendizado conhecido como aprendizagem hebbiana.3
pt.wikipedia.org/wiki/Rede_neural
3/41
13/08/13

Em 1951 [44], foi construdo o primeiro neuro computador denominado Snark
[45], por Mavin Minsky. O Snark operava com sucesso a partir de um ponto de
partida tcnico, ajustando seus pesos automaticamente, entretanto, ele nunca executou qualquer funo de processamento de informao interessante, mas serviu de inspirao para as idias de estruturas que o sucederam. O livro de Ashby (Design for a Brain: The Origin of Adaptive Behavior) que foi publicado em 1952 trata do conhecimento bsico de que o comportamento adaptativo no nasce com o indivduo, mas sim aprendido, e que atravs da aprendizagem o animal (sistema) normalmente muda seu comportamento para melhor. So enfatizados neste livro os aspectos dinmicos do organismo vivo como uma mquina e o conceito correlacionado de estabilidade. Gabor, um dos pioneiros da teoria da comunicao e o inventor da holografia, props em 1954 a idia de um filtro adaptativo no linear. Com a ajuda de colaboradores, Gabor construiu uma mquina que alimentada com amostras de um processo estocstico, mais a funo-alvo que a mquina deveria produzir, realizava a aprendizagem. Em 1954-1955, Cragg e Tamperley observaram que os tomos em uma rede tm seus spins apontando "para cima" ou "para baixo", assim como os neurnios podem ser "disparados" (ativados) ou "no disparados" (quiescentes).4 Em 1956 [46] no Darthmouth College nasceram os dois paradigmas da Inteligncia Artificial [47], a simblica e o conexionista. A Inteligncia Artificial
13/08/13
Simblica tenta simular o comportamento inteligente humano desconsiderando os mecanismos responsveis por tal. J a Inteligncia Artificial Conexionista acredita que construndo-se um sistema que simule a estrutura do crebro, este sistema apresentar inteligncia [48], ou seja, ser capaz de aprender, assimilar, errar e aprender com seus erros. O livro de Hebb tem sido uma fonte de inspirao para o desenvolvimento de modelos computaconais de sistema adaptativos e de aprendizagem. O artigo de Rochester, Holland, Haibt e Duda (1956) talvez seja a primeira tentativa de usar simulao computacional para testar uma teoria neural bem-formulada com base no postulado de aprendizagem de Hebb (que a eficincia de uma sinapse varivel entre dois neurnios aumentada pela ativao repetida de um neurnio causada pelo outro neurnio). Naquele mesmo ano Uttley (1956) demonstrou que uma rede neural com sinapses modificveis pode aprender a classificar conjuntos simples de padres binrios em classes correspondentes. Em 1957 Rosenblatt inicia testes simulados em um computador IBM 704 no Laboratrio da Aeronutica de Cornell. Pelo estudo de redes neurais, como a Perceptron, Rosenblatt esperava que as leis fundamentais da organizao que so comuns a todos os sistemas de informao de movimentao, mquinas e homens includos, pudesse eventualmente ser compreendida. Em 1958, Frank Rosenblatt criou o Perceptron [49], um modelo cognitivo que consistia de unidades sensoriais conectadas a uma nica camada de neurnios de Warren McCulloch [50] e Pitts, capaz de aprender tudo o que pudesse representar. Rosenblatt demonstrou que, se fossem acrescidas sinapses ajustveis, as redes neurais de Warren McCulloch e Pitts poderiam ser treinadas para classificar padres em classes linearmente separveis, convergindo em um
13/08/13
nmero limitado de passos.5 Eficincia de transmisso (peso) ajustvel; esta envia a resposta (sadas) para a terceira camada. O intuito de Rosenblatt era projetar RNAs que fossem capazes de fazer descobertas interessantes sem a necessidade de regras, o que, alis, continua sendo alvo dos pesquisadores.6

No incio da dcada de 1960 [52], Widrow e Hoff publicam um artigo no qual especificam um neurnio artificial baseado no modelo de McCulloch e Pitts, denominado ADALINE. Conforme,5 a importncia desse modelo est associada regra de aprendizagem proposta, a regra Delta. A combinao de uma srie de ADELINEs chamada de MADALINE (Multiple Adaline) uma de duas camadas de rede neural com um conjunto de ADALINEs. Widrow tambm fundou a primeira companhia de hardware [53] de neurocomputadores e componentes. Em 1967, Cowan caracterizou o disparo "sigmide" e a condio de disparo suave para um neurnio baseando-se na funo logstica. Em 1967-1968, Grossberg envolvendo equaes no-lineares de diferenas/diferenciais introduziu o modelo aditivo de um neurnio e como base para a memria de curto prazo explorou o uso do modelo.7
6/41
13/08/13
A publicao de Perceptrons de Minsky e Papert, em 1969, exps as limitaes do modelo de Rosenblatt, provando que tais redes no so capazes de resolver uma ampla classe de problemas devido s restries de representao.5 8 O impacto desta publicao foi devastador, praticamente desaparecendo o interesse em redes neurais artificiais nos anos seguintes, somente poucos pesquisadores como Malsburg, Grossberg, Kohonen e Anderson permaneceram concentrando suas atividades na abordagem conexionista.

Nos anos 70, no ocorreram grandes progressos nos estudos de redes neurais [55] devido um entusiasmo exagerado de muitos pesquisadores, que passaram a publicar mais e mais artigos e livros que faziam uma previso pouco confivel para a poca, sobre mquinas to poderosas quanto o crebro [56] humano que surgiriam em um curto espao de tempo. Isto tirou quase toda a credibilidade dos estudos desta rea e causou grandes aborrecimentos aos tcnicos de outras reas. Dentre os poucos pesquisadores que continuaram trabalhando na rea, destacam-se: Igor Aleksander, Inglaterra [57]: redes sem pesos; Kunihiko Fukushima, Japo [58]: cognitron e neocognitron; Steven Grossberg, Estados Unidos [59]: sistemas auto-adaptativos; Teuvo Kohonen, Finlndia [60]: memrias associativas e auto-organizadas.6
7/41
13/08/13
No ano de 1970 [61] a Universidade de Michigan [62] foi palco para as pesquisas de vida artificial, J. Holland foi o primeiro pesquisador a conseguir o ttulo de PhD em Cincia da Computao [63]. Ele e T. Toffoli foram atraidos pela idia de comportamento adaptativo onde envolvia biologia, computadores e informao, se tornaram associados em com algoritmos genricos e autmatos celulares, respectivamente. Toffoli sempre se preocupou em criar a conexo do mundo fsico com o autmato. Em 1972 foi introduzido de forma independente por Amari o modelo aditivo de um neurnio para estudar o comportamento dinmico de elementos semelhantes a neurnios conectados aleatoriamente. Ainda em 1972, Wilson e Cowan derivaram equaes diferenciais no-lineares acopladas correspondentes dinmica de populaes localizadas no espao, contendo neurnios tanto excitadores como inibitrios. - 1974 [64]: WERBOS lanou bases para o algoritmo [65] de retropropagao (backpropagation). Em 1975, Little e Shaw descreveram e usaram o modelo probabilstico de um neurnio, disparando ou no um potencial de ao, para desenvolver uma teoria da memria de curto prazo. Em 1977, Andereson, Silverstein, Ritz e Jones, sugeriram o modelo do estado cerebral em uma caixa (BSB, brain-state-in-a-box), compondo-se de uma rede associativa simples acoplada a uma dinmica no-linear.9
8/41
13/08/13

A partir dos anos 80, com o avano da tecnologia e o fracasso da escola simbolista na soluo de determinados tipos de problemas, as redes neurais artificiais passaram a atrair substancial ateno novamente, as pesquisas na rea foram retomadas com fora. A nova exploso de interesse pelas redes neurais artificiais na comunidade cientfica foi impulsionada, principalmente, pelo avano da tecnologia (especialmente da microeletrnica) e tambm pelo impacto causado pelo artigo publicado por John Hopfield [67] em 1982 [68], no qual chamou a ateno para as propriedades associativas das RNAs. Hopfield mostrou a relao entre redes recorrentes autoassossiativas e sistemas fsicos, abrindo espao para a utilizao de teorias correntes da Fsica para estudar tais modelos.6 Em 1982, a introduo do modelo conexionista conhecido pelo nome de seu idealizador, John Hopfield, permitiu esclarecer, pelas suas caractersticas computacionais e estabilidade, boa parte das dvidas at ento existentes em relao ao processo dinmico executado por certas redes neurais. No mesmo ano, Teuvo Kohonen publicou um artigo descrevendo uma rede neural artificial baseada em auto-organizao e nas caractersticas de aprendizado adaptativo do crebro humano.5 Hinton e Seynowsky, em 1983 [69], estenderam o modelo de Hopfield com a incorporao de dinmica estocstica. Este modelo de rede neural passou a ser conhecido como Mquina de Boltzmann.8 Porm talvez o fato mais importante deste perodo tenha ocorrido quando Ira
13/08/13
Skurnick, um administrador de programas da DARPA [70] (Defense Advanced Research Projects Agency) decidiu ouvir os argumentos da neuro computao [71] e seus projetistas, e divergindo dos caminhos tradicionais dos conhecimentos convencionais, fundou em 1983 [72] pesquisas em neuro computao. Este ato no s abriu as portas para a neuro computao, como tambm deu DARPA o status de uma das lderes mundiais em se tratando de "moda" tecnolgica. Em meados da dcada de 1980 surgiu a descrio do algoritmo de treinamento backpropagation(Rumelhart, Hinton, & Williams 1986).O termo backpropagation surge do fato que o algoritmo se baseia na retropropagao dos erros para realizar os ajustes de pesos das camadas intermedirias. A maneira de calcular as derivadas parciais do erro de sada em relao a cada um dos pesos da rede o que caracteriza o backpropagation.10 Com isso o algoritmo backpropagation foi aplicado em vrios problemas, como na identificao da estrutura de protenas, hifenizao de palavras em ingls, reconhecimento da fala, compresso de imagens e previso de sries temporais. O sucesso deste algoritmo estimulou o desenvolvimento de muitas pesquisas em redes neurais artificiais e de uma variedade de modelos cognitivos. Aps a publicao em 1986 do hoje clssico Parallel Distributed Processing, editado por Rummerlhart e McClelland [73] do PDP Research Group da Universidade da Califrnia [74] em San Diego [75], a rea de redes neurais teve um desenvolvimento explosivo com a multiplicao exponencial de Journal's, associao locais e internacionais, sem falar da torrente de teses e paper's cientficos. No comeo desta dcada surgiram vrias empresas para a explorao comercial de produtos de redes neurais, invariavelmente produtos de software para o desenvolvimento de aplicaes ou simulao acadmicas 11
13/08/13
Em 1987 [76] ocorreu em So Francisco a primeira conferncia de redes neurais

[77] em tempos modernos, a IEEE [78] International Conference on Neural
Networks, e tambm foi formada a International Neural Networks Society (INNS). A partir destes acontecimentos decorreram a fundao do INNS journal em 1989 [79], seguido do Neural Computation e do IEEE Transactions on Neural Networks em 1990 [80].
RNAs (vantagens e caractersticas)[editar [81]]

As redes neurais artificiais (RNA) tm muitas vantagens, porque se baseiam na estrutura do sistema nervoso humano, principalmente o crebro. Sua Aprendizagem: as RNAs tm a capacidade de aprender atravs de uma fase chamada fase de aprendizagem. Trata-se de fornecer dados como entrada RNA, por sua vez, informando qual a sada (resposta) que o esperado. Auto-organizao: uma RNA cria sua prpria representao de informao no seu interior,descarregando ao usurio isto. Tolerncia a falhas: Como um RNA armazena informaes de forma redundante, pode continuar a responder de uma forma aceitvel, mesmo que esteja parcialmente danificado. Flexibilidade: Uma rede neural no pode lidar com grandes mudanas na informao de entrada, tais como sinais ruidosos ou outras alteraes na
13/08/13
entrada (por exemplo, se a informao de entrada a imagem de um objeto, a correspondente resposta mantm-se inalterado, se a imagem muda um pouco de brilho ou o objeto muda um pouco) Real Time: A estrutura de uma RNA paralela, de modo que se for implementado com computadores ou dispositivos eletrnicos especiais, podem obter respostas em tempo real.
Arquiteturas[editar [82]]
Os neurnios de uma RNAs devem estar conectados entre si, os neurnios so dispostos em camadas, os neurnios de uma mesma camada normalmente se comportam da mesma maneira. A disposio dos neurnios nas camadas e o padro de conexo entre estas definem a arquitetura da RNA. As redes sem realimentao (feedforward) tm neurnios agrupados em camadas o sinal percorre a rede em uma nica direo, da entrada para a sada, os neurnios da mesma camada no so conectados. As redes com realimentao ou recorrentes (recurrent), a sada de alguns neurnios alimentam neurnios da mesma camada (inclusive o prprio) ou de camadas anteriores, o sinal percorre a rede em duas direes, tem memria dinmica, capacidade de representar estados em sistemas dinmicos, um exemplo a rede de Hopfield.
Modelos[editar [83]]
Uma tpica rede neural feedforward um conjunto de ns. Alguns desses so
13/08/13
designados ns de entrada, alguns ns de sada, e, entrens esto escondidos. Cada conexo entre os neurnios tem um peso numrico.12 Quando a rede estiver em operao, o valor ser aplicado a cada n de entrada - os valores que esto sendo alimentados por um operador humano, a partir de sensores ambientais, ou de algum programa externo. Cada n passa ento o valor dado s conexes que levam para fora dela, e em cada conexo o valor multiplicado pelo peso associado a esse respeito. Cada n na camada seguinte ento recebe um valor que a soma dos valores produzidos pelas conexes que levam at ele, e em cada n um simples clculo realizado sobre o valor - uma funo sigmide tpica. Este processo repetido ento, com os resultados sendo passados atravs de camadas subsequentes de ns at que os ns de sada so alcanadas. Os primeiros modelos, teve um nmero fixo de camadas. Mais recentemente, os algoritmos genticos so usados para desenvolver a estrutura neural.
Clculos[editar [84]]
A curva sigmide frequentemente utilizado como uma funo de transferncia, porque introduz a no-linearidade em rede clculos da por "esmagamento"13 de ativao do neurnio de nvel para o intervalo [0,1]. A funo sigmide tem a vantagem adicional de ter uma funo extremamente simples derivado, tal como exigido para a parte traseira de propagao de erros atravs de uma rede neural feed-forward. Outras funes com caractersticas semelhantes podem ser utilizados, mais comumente tanh que comprime as ativaes para o intervalo de [-1,1] em vez disso, ou, ocasionalmente, uma funo linear em pea que pode ser encaixada a ativao, em vez de o esmagar.
13/08/13
Se nenhuma no-linearidade introduzida por esmagamento ou corte, a rede perde muito do seu poder computacional, tornando-se uma operao de multiplicao matriz simples de lgebra linear . modelos alternativos de clculo nas redes neurais incluem modelos com alas, onde algum tipo de processo demora tempo deve ser usado, e "o vencedor leva todos os modelos", onde o neurnio com o maior valor desde o clculo incndios e assume um valor 1, e todos os outros neurnios tomam o valor 0. Normalmente, os pesos em uma rede neural so ajustados inicialmente para pequenos valores aleatrios. Isto representa a rede sem saber nada, sua sada essencialmente uma funo de reproduo aleatria de sua entrada. Como o produto processo de treinamento, os pesos de conexo so gradualmente modificados de acordo com as regras computacionais especficos para o algoritmo de aprendizagem a ser utilizado. Idealmente, os pesos eventualmente convergir para os valores que lhes permitam executar uma computao til. Assim, pode-se dizer que a rede neural comea sabendo nada e move-se para ganhar algum conhecimento real, embora o conhecimento sub-simblico.
Utilidade[editar [85]]
As redes neurais so particularmente teis para lidar com delimitadas de valor real de dados , onde uma sada de valor real desejado; desta maneira as redes neurais iro realizar a classificao por graus, e so capazes de expressar valores equivalentes a "no sabe". Se a rede neural treinada usando a funo de erro de entropia cruzada14 e se a sada da rede neural sigmoidal, ento as sadas sero estimativas da probabilidade posterior real de uma classe.
13/08/13
Aprendizado (ou treinamento)[editar [86]]

O aprendizado consiste na modificao dos pesos das conexes entre os neurnios, os pesos iniciais (sinapses) so modificados de forma iterativa, por um algoritmo que segue um dos seguintes paradigmas de aprendizado: Aprendizado Supervisionado: apresentado um conjunto de treino, consistindo de entradas e correspondentes sadas desejadas. Aprendizado por Reforo: para cada entrada apresentada, produzida uma indicao (reforo) sobre a adequao das sadas correspondentes produzidas pela rede. Aprendizado No-supervisionado: A rede atualiza seus pesos sem o uso de pares entrada-sadas desejadas e sem indicaes sobre a adequao das sadas produzidas.
Descrio[editar [87]]
As redes neurais artificiais so um mtodo para solucionar problemas atravs da simulao do crebro humano, inclusive em seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. So tcnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos [88] inteligentes e que adquirem conhecimento atravs da experincia. As redes neurais possuem ns ou unidades de processamento [89]. Cada unidade possui ligaes para outras unidades, nas quais recebem e enviam sinais. Cada unidade pode possuir memria [90] local. Essas unidades so a simulao dos neurnios, recebendo e retransmitindo informaes. Somam-se as entradas e se
13/08/13
retorna uma sada, caso esta seja maior que o valor da soma. Uma rede neural pode possuir uma ou mltiplas camadas. Exemplificando com trs camadas, poderamos ter a camada de entrada, em que as unidades recebem os padres; a camada intermediria, onde feito processamento e a extrao de caractersticas; e a camada de sada, que conclui e apresenta o resultado final. Quanto maior o nmero de camadas, melhor a capacidade de aprendizado. A camada de entrada deve possuir uma unidade especial conhecida como bias, usada para aumentar os graus de liberdade, permitindo uma melhor adaptao, por parte da rede neural, ao conhecimento a ela fornecido. Em termos mais tcnicos, o nmero de camadas define a capacidade de representao das relaes entre o espao de entrada e o de sada. A inexistncia da camada intermediria, caracterstica do modelo perceptron [91], condiciona-o a representar bem somente relaes linearmente independentes. A existncia de camadas intermedirias, caracterstica do modelo perceptron de mltipla camada
[92] (PMC), retira tal limitao. Se houver apenas uma camada intermediria , o
PMC pode representar (com qualquer grau de aproximao, por menor que seja) qualquer funo contnua. Duas ou mais camadas ampliam o universo de representao a qualquer funo, contnua ou no. As redes neurais artificiais, seguindo a tradio estadunidense [93], esto muito associadas adaptao de conexes (sinapses) entre neurnios, o conexionismo. Cabe registrar, entretanto, a existncia de modelos nos quais as conexes no so adaptadas, mas apenas transmitem estimulao entre neurnios. Tais modelos so chamados redes neurais sem pesos (do ingls [94], weightless neural
13/08/13
networks). Para completar, h modelos em que as sinapses no so adaptadas, mas calculadas previamente, servindo a tarefas de otimizao, geralmente.
Tipos de Entradas[editar [95]]

Podemos classificar as RNAs segundo suas capacidades de processar diferentes tipos de informaes como: Redes analgicas: processam dados de entrada com valores contnuos e, geralmente limitados. Exemplo deste tipo de rede so: Hopfield, Kohonen e as redes de aprendizagem competitivo. Redes discretas: processam dados de entrada de natureza discreta, geralmente valores lgicos booleanos. Exemplo deste segundo tipo de rede so as mquinas de Boltzmann e Cauchy, e a rede discreta de Hopfield.
Diferenciao[editar [96]]
A maior parte dos investigadores concorda em que as redes neurais so muito diferentes do crebro [97] em termos de estrutura. No entanto, como o crebro, uma rede neural uma coleo massivamente paralela de unidades de processamento pequenas e simples, onde as interligaes formam a maior parte da inteligncia [98] da rede. Entretanto, em termos de escala, o crebro muito maior que qualquer rede neural. Alm disso, as unidades usadas na rede neural so tipicamente muito mais simples que os neurnios [99] e o processo de aprendizado do crebro (embora ainda desconhecido) , certamente, muito diferente do das redes neurais.
13/08/13
Rede pr-alimentada[editar [100]]

Uma rede neural pr-alimentada (em contraposio retroalimentada) tpica consiste de um conjunto de ns. Alguns desses ns so designados ns de entrada, outros ns de sada e aqueles que esto entre esses dois tipos de ns so chamados de ns escondidos. Existem tambm conexes entre os neurnios, com um nmero referido como um ponderador associado a cada conexo. Quando a rede est em operao, um valor de entrada ser aplicado a cada n de entrada - esses valores so colocados por um operador humano ou por sensores ambientais, ou talvez por outros programas. Cada n ento passa seu dado valor para as conexes que saem dele e em cada conexo o valor multiplicado por um ponderador associado a essa conexo. Cada n na camada seguinte recebe um valor, que a soma dos valores produzidos pelas conexes que chegam at ele, e em cada n realizada uma computao simples sobre esse valor - uma funo sigmide [101] tpica nesse caso. O processo ento repetido com os resultados sendo passados atravs de camadas subseqentes de ns, at que os ns de resultados sejam atingidos. Isso baseado em um modelo de neurnio da dcada de 1970 [102]. Os modelos alternativos de clculo nas redes neurais incluem aqueles dotados de laos (nos quais algum tipo de processo de retardamento de tempo precisa ser usado) e os modelos o "vencedor leva tudo", nos quais o neurnio com os valores mais altos dispara e toma o valor 1 e todos os outros neurnios tomam o valor 0. Tipicamente, os ponderadores em uma rede neural so colocados inicialmente
13/08/13
em valores aleatrios pequenos; isso significa que a rede no sabe nada. medida que o processo de treinamento acontece, esses ponderadores iro convergir para valores que permitem que eles realizem uma computao til. Assim, pode ser dito que uma rede neural comea sabendo nada e move-se no sentido de ganhar algum conhecimento real. As redes neurais so particularmente teis para lidar com dados ligados a valores reais em que se deseja obter uma sada dotada de valor real. Dessa maneira, as redes neurais iro realizar uma classificao por graus e sero capazes de expressar valores equivalentes a "no conhecido com certeza". Se uma rede neural treinada usando a funo de erro de entropia [103] cruzada e se a sada dessa rede neural tem uma forma sigmoidal no-linear, ento as sadas sero estimativas de uma probabilidade [104] posterior real de uma classe.
Aplicaes reais[editar [105]]

Em aplicaes reais, as redes neurais se saem particularmente bem nas seguintes tarefas: aproximao de funes; previso de sries temporais; classificaes; reconhecimento de padres.
CTRNN[editar [106]]
13/08/13
Outros tipos de redes neurais, em particular redes neurais recorrentes de tempo contnuo (CTRNN), so usadas em conjunto com algoritmos genticos [107] para produzir controladores robticos. O genoma [108] ento constitudo dos parmetros de rede e a aptido de uma rede a adequao do comportamento exibido pelo rob [109] controlado (ou freqentemente por uma simulao desse comportamento).
Tipos de redes neurais[editar [110]]

O exemplo mais antigo de redes neurais so as redes perceptron, com uma camada de ns de sada, conectados s entradas por conjuntos de pesos. Essa topologia [111] pode ser considerada a forma mais simples de rede em avano. A soma do produtos dos pesos pelas entradas calculada por cada n de sada e, se o valor calculado ultrapassar um certo limiar (geralmente 0), o neurnio dispara e ajusta a sada para o valor 1; se o valor calculado menor que o limiar, a sada ajustada para o valor -1. Neurnios com esse comportamento so chamados de neurnios de McCulloch-Pitts ou neurnios com limiar. Ao mesmo tempo, um algoritmo de aprendizado [112] calcula a diferena entre a sada calculada e os dados de entrada e usa o valor da diferena para ajustar os pesos da rede.
Perceptron com uma camada[editar [113]]

Perceptrons podem ser treinados por um algoritmo de aprendizagem simples, chamado geralmente de regra-delta. Esse algoritmo calcula os erros entre a sada dos dados calculados e a sada desejada e utiliza isso para ajustar os pesos, assim
13/08/13
executando um formulrio da descida do gradiente. Os perceptrons de uma camada so capazes de aprender somente sobre problemas linearmente separveis (que podem ser separados por uma reta em um hiperplano [114]). Em 1969 [115], na famosa monografia [116] Perceptrons por Marvin Minsky e por Seymour Papert, mostrou-se que era impossvel para uma nica rede do perceptron da camada aprender uma funo de XOR [117]. Conjecturou-se (incorretamente) que um resultado similar penderia para uma rede multicamadas do perceptron. Embora uma nica unidade do ponto inicial fosse completamente limitada em seu poder computacional, mostrou-se que as redes de unidades paralelas do ponto inicial podem aproximar toda a funo contnua de um intervalo compacto dos nmeros reais [118] no intervalo [- 1, 1 ].
Perceptron multicamadas[editar [119]]

Esta classe de rede consiste de mltiplas camadas de unidades computacionais, geralmente interconectadas em uma forma de alimentao avante [120]. Isso quer dizer que cada neurnio em uma camada tem conexes diretas a neurnios da prxima camada. Em muitas aplicaes, as unidades dessas redes utilizam uma funo sigmide (em forma de S) como a funo de ativao. O teorema de aproximao universal [121] dita que toda funo contnua que mapeia intervalos de nmeros reais de entrada a algum intervalo de nmeros reais de sada pode ser arbitrariamente aproximada com preciso por um perceptron multicamadas com somente uma camada oculta. Esse resultado s vlido para classes restritas de funes de ativao, por exemplo, funes
13/08/13
sigmides. As redes multicamadas podem usar um grande nmero de tcnicas de aprendizado, sendo que a mais popular a propagao reversa. Nesse caso, os valores de sada so comparados com a resposta correta para computar o valor de alguma funo de erro pr-definida. Por alguma tcnica, o erro ento alimentado de volta na rede. Usando essa informao, o algoritmo ajusta os pesos de cada conexo para reduzir o valor da funo de erro.
Redes ARTs[editar [122]]

ART so as siglas em ingls de Teoria da Ressonncia Adaptativa (Adaptive Resonance Theory), desenvolvida inicialmente por Stephen Grossberg, em 1976, e em publicaes posteriores em parceria com Gail Carpenter (1986/87). As redes neurais artificiais ART so redes que no precisam da exposio prvia de qualquer nmero de elementos do conjunto de dados para o seu treinamento. A principal caracterstica dessa famlia de arquiteturas a sua capacidade para formar agrupamentos (clusters), que nos permite identificar padres desconhecidos.15 Existem trs modelos de redes ARTs: ART1: capaz de aprender a categorizar padres de entrada binrios apresentados em ordem arbitrria. ART2: pode aprender a categorizar padres de entrada analgicos ou binrios. ART3 (ARTMAP): pode realizar uma busca paralela, ou teste de hipteses, em
13/08/13
cdigos com reconhecimento distribudo.
Aplicao[editar [123]]
Reconhecimento Automtico de Alvos; Reconhecimento de Caracteres; Robtica; Diagnstico Mdico; Sensoriamento Remoto; Processamento de Voz;
Aprendizado[editar [124]]
O algoritmo de aprendizado da rede ART 1 no supervisionado e pode ser ativa a qualquer momento, permitindo que a rede aprenda novos padres continuamente. Existem 2 tipos de aprendizado na rede ART 1, o aprendizado rpido e o lento. O processo de aprendizado da rede envolve 3 fases como: reconhecimento, comparao e busca.
Rede Hopfield[editar [125]]

Em 1982 houve uma nova evoluo nos trabalhos das redes neurais iniciado por John Hopfield,16 nascido em 15 de julho de 1933 um americano Cientista mais conhecido pela inveno de uma rede neural associativa, conhecida como a Rede de Hopfield. John Hopfield publicou dois artigos que influenciaram vrios
13/08/13
pesquisadores, chamando a ateno para as propriedades associativas de uma classe de Redes Neurais. A anlise baseada na definio de energia da rede. uma prova de que a rede opera minimizando esta energia quando evolui para padres estveis de operao.
Definies Iniciais[editar [126]]

uma memria auto-associativa. Suas entradas so valores binrios.17 Possui uma natureza de operao assncrona, isto a cada instante de tempo, cada neurnio tem seu estado de ativao avaliado de maneira independente dos outros neurnios.
Memria associativa[editar [127]]

um conceito intuitivo,18 onde parece ser uma das funes primrias do crebro, e facilmente associamos objetos, imagens e sensaes a eventos com a rede Hopfield, serve para reconstituir padres corrompidos ou incompletos, um exemplo uma pessoa que normalmente no usa culos escuros, com eles, mesmo assim reconhecido, assim recuperando informaes pelo contedo. A rede de Hopfield pode ser vista como uma memria associativa, ou uma memria enderevel por contedo, cuja principal funo restaurar um padro (item de memria ) armazenado em resposta apresentao de uma verso incompleta ou ruidosa deste padro.
24/41
13/08/13
Aplicao[editar [128]]
A rede Hopfield foi aplicada em vrias reas, tendo um campo de utilizao muito grande, umas delas foi a Identificao de alvos militares B-52, Boeing 747 e Space Shuttle, Autentio de usurios, explorao de petrleo e determinao e litologia, Predio no Mercado Financeiro, Reconhecimentos de Faces e Controle de Navegao Autnoma de Veculos ALVINN at CMU.19
Estrutura[editar [129]]
As unidades em redes de Hopfield so unidades binrias do ponto inicial, isto , as unidades fazem exame somente em dois valores diferentes para seus estados e o valor determinado perto se ou no a entrada das unidades excede seu ponto inicial. As redes de Hopfield podem um ou outro ter as unidades que fazem exame em valores de 1 ou de -1, ou as unidades que fazem exame em valores de 1 ou de 0.
Treinamento[editar [130]]
Treinar uma rede de Hopfield envolve abaixar a energia dos estados que a rede se recorde. Isto permite que a rede sirva como um sistema da memria enderevel satisfeita, aquele dizer, a rede convergir a um estado recordado se for dado somente a parte do estado. A rede pode ser usada recuperar de uma entrada distorcida o estado treinado que o mais similar a essa entrada. Isto chamado memria associativa porque recupera memrias na base da similaridade. Por exemplo, se ns treinarmos uma rede de Hopfield com cinco
13/08/13
unidades de modo que o estado (1, 0, 1, 0, 1)20 seja um mnimo da energia, e ns damos rede o estado (1, 0, 0, 0, 1) que convergir (1, 0, 1, 0, 1). Assim, a rede est treinada corretamente quando a energia dos estados que a rede deve recordar mnimos locais.
Memoria Associativa[editar [131]]

Memria associativa um meio de armazenamento e recuperao da informao por associao com outras informaes. Um dispositivo de armazenamento chamado memria associativa, se voc pode recuperar informaes a partir do conhecimento parcial do seu contedo, sem saber seu local de armazenamento. s vezes tambm chamado de memria de contedo no enderevel. Os Computadores tradicionais no usam este direcionamento, se baseiam no conhecimento exato da direo (endereo) da memria em que se encontra a informaco. No entanto, o crebro humano no funciona assim. Se nos lembrarmos do nome de uma pessoa, no seria til determinar qual foi o nome de nmero 3.274 que aprendemos. Seria mais til saber que seu nome comea e termina com 'N' e um famoso cientista Ingls. Com essa informao, quase certamente se lembraria com sucesso de "Newton". Memrias associativas so uma das mais importantes redes neurais com uma vasta gama de aplicaes em reas como o acesso ao contedo de memria,
13/08/13
reconhecimento de padres e controle inteligente. Uma memria associativa pode armazenar e recuperar informaes quando necessrio, ou seja, uma rede realimenta a sada que usada repetidamente como uma nova entrada at que o processo termine. Voc pode obter essas informaes com base no conhecimento da parte dela (chave). O padro de chave pode ser uma verso ruidosa de um padro de memorizao, ou seja, que difere em alguns componentes. A memria humana uma reminiscncia de uma pessoa, mesmo se voc se veste diferente ou usa culos.
Propriedades Tericas[editar [132]] Capacidade Computacional[editar [133]]

O Perceptron multicamadas um aproximador universal de funes, como provado pelo teorema de Cybenko. No entanto, a prova no construtiva sobre o nmero de neurnios requeridos ou as configuraes dos valores dos pesos necessrias. O trabalho de Hava Siegelmann e Eduardo D. Sontag forneceu uma prova que uma arquitetura recorrente especfica com valores lgicos dos pesos tem o todo o poder de uma Mquina de Turing [134]21 usando um nmero finito de neurnios e conexes lineares padres. Eles mostram tambm que o uso de valores ilgicos para os pesos resulta em uma mquina com capacidade de uma "super" Mquina de Turing [135].
27/41
13/08/13
Capacidade[editar [136]]
Modelos de RNAs tem uma propriedade chamada capacidade, a qual grosseiramente corresponde a sua habilidade de modelar qualquer funo determinada. Isso est relacionado com a quantidade de informao que pode ser armazenada na rede e a noo de complexidade.
Convergncia[editar [137]]
No geral nada pode ser dito sobre convergncia vendo que ela depende de alguns de fatores. Primeiramente, podem existir mnimos locais e isto depende da funo de custo e do modelo. Em segundo lugar, o mtodo de otimizao usado pode no garantir a convergncia quando estiver muito longe do mnimo local. Em terceiro lugar, para uma quantidade de dados ou parmetros muito grande, alguns mtodos se tornam impraticveis. No geral, foi descoberto que garantias tericas sobre a convergncia so guias pouco confiveis para aplicao prtica.
Generalizao e Estatsticas[editar [138]]

Em aplicaes nas quais o objetivo criar um sistema que generalize bem em exemplos cegos, surge o problema de excesso de treinamento. Isso acontece em sistemas complicados ou excessivamente especficos, quando a capacidade da rede excede significantemente a necessidade dos parmetros. H duas escolas de pensamento para evitar este problema: A primeira o uso da validao cruzada e tcnicas similares para checar a presena de excesso de treinamento e selecionar
13/08/13
otimamente hiperparmetros a fim de minimizar o erro de generalizao. A segunda usar alguma forma de regularizao. Este conceito surge naturalmente em um quadro probabilstico (Baysiano), no qual a regularizao pode ser feita selecionando uma maior probabilidade anterior em relao a modelos mais simples; mas tambm no aprendizado estatstico terico, no qual o objetivo minimizar at duas quantidades: o 'risco emprico' e o 'risco estrutural', o qual corresponde ao erro sobre o conjunto de treinamento e o erro previsto em dados cegos. Redes neurais supervisionadas que usam uma funo de custo de erro mdio quadrtico podem usar mtodos estatsticos formais para determinar a confiana do modelo treinado. O erro mdio quadrtico em um conjunto de validao pode ser usado como uma estimativa para variao. Este valor pode ento ser usado para calcular o intervalo de confiana de uma sada na rede neural, assumindo a distribuio normal. A anlise da confiana feita desta maneira estatisticamente vlida enquanto a distribuio probabilstica da sada se mantiver a mesma e a rede neural no modificada. Assumindo a funo de ativao softmax na camada de sada da rede neural para variveis categricas alvos, a sada pode ser interpretada como probabilidades posteriores. Isso muito til na classificao, pois d uma medida de certeza sobre as classificaes. funo de ativao softmax:
Redes Neurais e Neurocincia[editar [139]]

13/08/13
Neurocincia computacional [140] e terica o campo preocupado com a anlise terica e a modelagem computacional do sistema nervoso biolgico. Como sistemas neurais esto intimamente relacionados com processos cognitivos e comportamentais, eles tambm esto fortemente ligados a modelagem cognitiva e comportamental. O objetivo do campo criar modelos de sistemas neurais biolgicos para entender o funcionamento de sistemas biolgicos reais. Para chegar a esse entendimento, neurocientistas tentam fazer uma ligao entre processos biolgicos observados (dados), mecanismos biologicamente plausveis de processamento e aprendizado neural (modelos de redes neurais biolgicas [141]) e teoria (aprendizado estatstico e teoria da informao [142]).
Tipos de modelos[editar [143]]

Muitos modelos so usados neste campo, cada um definido em um nvel diferente de abstrao e tentando modelar diferentes aspectos de sistemas neurais. Eles vo de modelos de comportamento de curto prazo de neurnios individuais, passando por modelos de como as dinmicas de circuitos neurais surgem de interaes entre neurnios individuais, at modelos de como comportamentos podem surgir de mdulos neurais abstratos que representam subsistemas completos. Estes incluem modelos de plasticidade de curto e longo prazo de sistemas neurais e sua relao com o aprendizado e a memria, de um neurnio individual at o nvel de um sistema.
30/41
13/08/13
Galeria[editar [144]] Ver tambm[editar [145]] Referncias

1. BARONE, Dante Augusto Couto: "Sociedades Artificiais: a nova fronteira da inteligencia nas mquinas", (2003 [146]), Porto Alegre [147]: Bookman 2. HAYKIN, Simon. Redes neurais [148]: princpios [149] e prtica [150]. trad. Paulo Martins Engel. - 2.ed. - Porto Alegre: Bookman [151], 2001. 3. Hebb, D.O.. Brain Mechanisms and Learning. London: J. F. Delafresnaye (Ed.), 1961. 4. HAYKIN, Simon. Redes neurais [152]: princpios [153] e prtica [154]. trad. Paulo Martins Engel. - 2.ed. - Porto Alegre [155]: Bookman [156], 2001. 5. a b c d MSSON, Egill; WANG, Yih-Jeou. Introduction to Computation and Learning in Artificial Neural Networks. European Journal of Operational Research, North-Holand , 47, 1990. 6. a b c Braga, Antnio de Pdua; Carvalho, Andr P. L. Ferreira; Ludermir, Teresa Bernarda, "Redes Neurais Artificiais: Teoria e Aplicaes" (2000), Rio de Janeiro: LTC. 7. HAYKIN, Simon. Redes neurais [157]: princpios [158] e prtica [159]. trad. Paulo Martins Engel. - 2.ed. - Porto Alegre [160]: Bookman [161], 2001. 8. a b WASSERMAN, Philip D. Neural Computing : Theory and Practice. New York : Van Nostrand Reinhold, 1989.
13/08/13
9. HAYKIN, Simon. Redes neurais [162]: princpios [163] e prtica [164]. trad. Paulo Martins Engel. - 2.ed. - Porto Alegre [165]: Bookman [166], 2001. 10. REZENDE, Solange Oliveira. Sistemas Inteligentes:fundamentos e aplicaes, 2003, Barueri,SP:Manole 11. ZSOLT L KOVACS, REDES NEURAIS ARTIFICIAIS: FUNDAMENTOS E APLICAOES(Ed.4), 2006. 12. Bispo, CM (1995) Redes Neurais para Reconhecimento de Padres, Oxford: Oxford University Press. ISBN 0-19-853849-9 [167] (encadernado) ou ISBN 019-853864-2 [168] 13. Gurney, K. (1997) Uma Introduo Redes Neurais London: Routledge. ISBN 1-85728-673-1 [169] capa dura () ou ISBN 1-85728-503-4 [170] 14. Hertz, J., Palmer, RG, Krogh. AS (1990) Introduo teoria da computao neural, Perseus Books 15. BRAGA, Antonio de Padua; LUDERMIR, Teresa Bernarda: "REDES NEURAIS ARTIFICIAIS: Teoria e aplicaes", (2000 [171]), Rio de Janeiro [172]: LTC 16. ANDERSON, J.A. An Introduction To Neural Networks- Bradford Book, 17. 18. 19. 20. 1995. www.dca.fee.unicamp.br/~vonzuben WASSERMAN, P. Neural Computing Theory and Practice. Van Nostrand Rheinhold, New York, 1989. Braga, Ludermir e Carvalho. Redes Neurais Artificiais. LTC. Captulo 13 O modelo de Hopfield de Redes Neural - uma introduo sistemtica por Raul Rojas (ISBN 978-3540605058 [173]) 21. (1991) "Turing computability with neural nets [174]". Appl. Math. Lett. 4 (6): 7780. DOI [175]:10.1016/0893-9659(91)90080-F [176].
13/08/13
Ligaes externas[editar [177]]
1. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edit 2. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Fontes_fi%C3%A1veis 3. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Fontes_independentes 4. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Livro_de_estilo/Cite_as_fontes 5. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Livro_de_estilo/Notas_de_rodap%C3%A9 6. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Livro_de_estilo 7. http://www.google.com/search?&as_eq=wikipedia&as_epq=Rede+neural 8. http://news.google.com/archivesearch?&as_src=-newswire+-wire+-presswire+-PR+press+-release&as_epq=Rede+neural 9. http://books.google.com/books?&as_brr=0&as_epq=Rede+neural 10. http://scholar.google.com/scholar?as_epq=Rede+neural 11. http://www.scirus.com/srsapp/search?q=Rede+neural&t=all&sort=0&g=s 12. http://www.bing.com/search? q=Rede+neural&go=&qs=n&form=QBLH&filt=all&pq=Rede+neural&sc=7-13&sp=-1&sk= 13. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Livro_de_estilo/Refer%C3%AAncias_e_notas_de_rodap%C3%A9 14. http://pt.wikipedia.org/wiki/Wikip%C3%A9dia:Livro_de_estilo/Cite_as_fontes 15. http://pt.wikipedia.org/wiki/Ficheiro:Neuralnetwork.png 16. http://pt.wikipedia.org/wiki/Portugu%C3%AAs_europeu 17. http://pt.wikipedia.org/wiki/Portugu%C3%AAs_brasileiro
13/08/13
18. http://pt.wikipedia.org/wiki/Sistema_computacional 19. http://pt.wikipedia.org/wiki/Computa%C3%A7%C3%A3o 20. http://pt.wikipedia.org/wiki/C%C3%A9rebro 21. http://pt.wikipedia.org/wiki/Neur%C3%B4nio 22. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=1 23. http://pt.wikipedia.org/w/index.php? title=Neurocomputa%C3%A7%C3%A3o&action=edit&redlink=1 24. http://pt.wikipedia.org/wiki/1943 25. http://pt.wikipedia.org/wiki/Neuroanatomia 26. http://pt.wikipedia.org/wiki/Psiquiatra 27. http://pt.wikipedia.org/wiki/Warren_McCulloch 28. http://pt.wikipedia.org/wiki/Instituto_Tecnol%C3%B3gico_de_Massachusetts 29. http://pt.wikipedia.org/wiki/Matem%C3%A1tica 30. http://pt.wikipedia.org/w/index.php?title=Walter_Pitts&action=edit&redlink=1 31. http://pt.wikipedia.org/wiki/Universidade_de_Illinois 32. http://pt.wikipedia.org/wiki/Analogia 33. http://pt.wikipedia.org/wiki/Eletr%C3%B4nico 34. http://pt.wikipedia.org/wiki/Comportamento 35. http://pt.wikipedia.org/wiki/Resistor 36. http://pt.wikipedia.org/wiki/Amplificador 37. http://pt.wikipedia.org/wiki/Sinapse 38. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=2
13/08/13
39. http://pt.wikipedia.org/wiki/S%C3%A9culo_XIX 40. http://pt.wikipedia.org/wiki/1936 41. http://pt.wikipedia.org/wiki/1949 42. http://pt.wikipedia.org/w/index.php? title=The_Organization_of_Behavior&action=edit&redlink=1 43. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=3 44. http://pt.wikipedia.org/wiki/1951 45. http://pt.wikipedia.org/wiki/Snark 46. http://pt.wikipedia.org/wiki/1956 47. http://pt.wikipedia.org/wiki/Intelig%C3%AAncia_Artificial 48. http://pt.wikipedia.org/wiki/Intelig%C3%AAncia 49. http://pt.wikipedia.org/wiki/Perceptron 50. http://pt.wikipedia.org/wiki/Warren_McCulloch 51. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=4 52. http://pt.wikipedia.org/wiki/D%C3%A9cada_de_1960 53. http://pt.wikipedia.org/wiki/Hardware 54. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=5 55. http://pt.wikipedia.org/wiki/Redes_neurais 56. http://pt.wikipedia.org/wiki/C%C3%A9rebro 57. http://pt.wikipedia.org/wiki/Inglaterra 58. http://pt.wikipedia.org/wiki/Jap%C3%A3o 59. http://pt.wikipedia.org/wiki/Estados_Unidos
13/08/13
60. http://pt.wikipedia.org/wiki/Finl%C3%A2ndia 61. http://pt.wikipedia.org/wiki/1970 62. http://pt.wikipedia.org/wiki/Universidade_de_Michigan 63. http://pt.wikipedia.org/wiki/Ci%C3%AAncia_da_Computa%C3%A7%C3%A3o 64. http://pt.wikipedia.org/wiki/1974 65. http://pt.wikipedia.org/wiki/Algoritmo 66. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=6 67. http://pt.wikipedia.org/wiki/John_Hopfield 68. http://pt.wikipedia.org/wiki/1982 69. http://pt.wikipedia.org/wiki/1983 70. http://pt.wikipedia.org/wiki/DARPA 71. http://pt.wikipedia.org/wiki/Computa%C3%A7%C3%A3o 72. http://pt.wikipedia.org/wiki/1983 73. http://pt.wikipedia.org/wiki/McClelland 74. http://pt.wikipedia.org/wiki/Universidade_da_Calif%C3%B3rnia 75. http://pt.wikipedia.org/wiki/San_Diego 76. http://pt.wikipedia.org/wiki/1987 77. http://pt.wikipedia.org/wiki/Redes_neurais 78. http://pt.wikipedia.org/wiki/IEEE 79. http://pt.wikipedia.org/wiki/1989 80. http://pt.wikipedia.org/wiki/1990
36/41
13/08/13
81. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=7 82. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=8 83. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=9 84. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=10 85. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=11 86. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=12 87. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=13 88. http://pt.wikipedia.org/wiki/Organismo 89. http://pt.wikipedia.org/wiki/Processamento 90. http://pt.wikipedia.org/wiki/Mem%C3%B3ria 91. http://pt.wikipedia.org/wiki/Perceptron 92. http://pt.wikipedia.org/w/index.php? title=Perceptron_de_m%C3%BAltipla_camada&action=edit&redlink=1 93. http://pt.wikipedia.org/wiki/Estadunidense 94. http://pt.wikipedia.org/wiki/L%C3%ADngua_inglesa 95. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=14 96. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=15 97. http://pt.wikipedia.org/wiki/C%C3%A9rebro 98. http://pt.wikipedia.org/wiki/Intelig%C3%AAncia 99. http://pt.wikipedia.org/wiki/Neur%C3%B4nio 100. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=16 101. http://pt.wikipedia.org/wiki/Fun%C3%A7%C3%A3o_sigm%C3%B3ide
13/08/13
102. http://pt.wikipedia.org/wiki/D%C3%A9cada_de_1970 103. http://pt.wikipedia.org/wiki/Entropia_(teoria_da_informa%C3%A7%C3%A3o) 104. http://pt.wikipedia.org/wiki/Probabilidade 105. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=17 106. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=18 107. http://pt.wikipedia.org/wiki/Algoritmo_gen%C3%A9tico 108. http://pt.wikipedia.org/wiki/Genoma 109. http://pt.wikipedia.org/wiki/Rob%C3%B4 110. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=19 111. http://pt.wikipedia.org/wiki/Topologia_de_rede 112. http://pt.wikipedia.org/w/index.php? title=Algoritmo_de_aprendizado&action=edit&redlink=1 113. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=20 114. http://pt.wikipedia.org/wiki/Hiperplano 115. http://pt.wikipedia.org/wiki/1969 116. http://pt.wikipedia.org/wiki/Monografia 117. http://pt.wikipedia.org/wiki/XOR 118. http://pt.wikipedia.org/wiki/N%C3%BAmeros_reais 119. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=21 120. http://pt.wikipedia.org/wiki/Alimenta%C3%A7%C3%A3o_avante 121. http://pt.wikipedia.org/w/index.php? title=Teorema_de_aproxima%C3%A7%C3%A3o_universal&action=edit&redlink=1
13/08/13
122. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=22 123. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=23 124. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=24 125. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=25 126. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=26 127. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=27 128. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=28 129. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=29 130. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=30 131. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=31 132. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=32 133. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=33 134. http://pt.wikipedia.org/wiki/M%C3%A1quina_de_Turing 135. http://pt.wikipedia.org/wiki/M%C3%A1quina_de_Turing 136. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=34 137. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=35 138. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=36 139. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=37 140. http://pt.wikipedia.org/wiki/Neuroci%C3%AAncia_computacional 141. http://pt.wikipedia.org/wiki/Redes_neurais_biol%C3%B3gicas 142. http://pt.wikipedia.org/wiki/Teoria_da_informa%C3%A7%C3%A3o
39/41
13/08/13
143. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=38 144. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=39 145. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=40 146. http://pt.wikipedia.org/wiki/2003 147. http://pt.wikipedia.org/wiki/Porto_Alegre 148. http://pt.wikipedia.org/wiki/Redes_neurais 149. http://pt.wikipedia.org/wiki/Princ%C3%ADpios 150. http://pt.wikipedia.org/wiki/Pr%C3%A1tica 151. http://pt.wikipedia.org/wiki/Editora_Bookman 152. http://pt.wikipedia.org/wiki/Redes_neurais 153. http://pt.wikipedia.org/wiki/Princ%C3%ADpios 154. http://pt.wikipedia.org/wiki/Pr%C3%A1tica 155. http://pt.wikipedia.org/wiki/Porto_Alegre 156. http://pt.wikipedia.org/wiki/Editora_Bookman 157. http://pt.wikipedia.org/wiki/Redes_neurais 158. http://pt.wikipedia.org/wiki/Princ%C3%ADpios 159. http://pt.wikipedia.org/wiki/Pr%C3%A1tica 160. http://pt.wikipedia.org/wiki/Porto_Alegre 161. http://pt.wikipedia.org/wiki/Editora_Bookman 162. http://pt.wikipedia.org/wiki/Redes_neurais 163. http://pt.wikipedia.org/wiki/Princ%C3%ADpios
40/41
13/08/13
164. http://pt.wikipedia.org/wiki/Pr%C3%A1tica 165. http://pt.wikipedia.org/wiki/Porto_Alegre 166. http://pt.wikipedia.org/wiki/Editora_Bookman 167. http://pt.wikipedia.org/wiki/Especial:Fontes_de_livros/0198538499 168. http://pt.wikipedia.org/wiki/Especial:Fontes_de_livros/0198538642 169. http://pt.wikipedia.org/wiki/Especial:Fontes_de_livros/1857286731 170. http://pt.wikipedia.org/wiki/Especial:Fontes_de_livros/1857285034 171. http://pt.wikipedia.org/wiki/2000 172. http://pt.wikipedia.org/wiki/Rio_de_Janeiro 173. http://pt.wikipedia.org/wiki/Especial:Fontes_de_livros/9783540605058 174. http://www.math.rutgers.edu/~sontag/FTP_DIR/aml-turing.pdf 175. http://pt.wikipedia.org/wiki/Digital_object_identifier 176. http://dx.doi.org/10.1016/0893-9659(91)90080-F 177. http://pt.wikipedia.org/w/index.php?title=Rede_neural&action=edition=41
41/41

Rede Neural - Wikipédia, A Enciclopédia Livre

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Rede Neural - Wikipédia, A Enciclopédia Livre

Hochgeladen von

Copyright:

Verfügbare Formate

13/08/13

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Dcada de 1940[editar [38]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Dcada de 1950[editar [43]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Dcada de 1960[editar [51]]

Rede neural Wikipdia, a enciclopdia livre

Dcada de 1970[editar [54]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Dcada de 1980[editar [66]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Em 1987 [76] ocorreu em So Francisco a primeira conferncia de redes neurais

RNAs (vantagens e caractersticas)[editar [81]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Aprendizado (ou treinamento)[editar [86]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Tipos de Entradas[editar [95]]

Rede neural Wikipdia, a enciclopdia livre

Rede pr-alimentada[editar [100]]

Rede neural Wikipdia, a enciclopdia livre

Aplicaes reais[editar [105]]

Rede neural Wikipdia, a enciclopdia livre

Tipos de redes neurais[editar [110]]

Perceptron com uma camada[editar [113]]

Rede neural Wikipdia, a enciclopdia livre

Perceptron multicamadas[editar [119]]

Rede neural Wikipdia, a enciclopdia livre

Redes ARTs[editar [122]]

Rede neural Wikipdia, a enciclopdia livre

cdigos com reconhecimento distribudo.

Rede Hopfield[editar [125]]

Rede neural Wikipdia, a enciclopdia livre

Definies Iniciais[editar [126]]

Memria associativa[editar [127]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Memoria Associativa[editar [131]]

Rede neural Wikipdia, a enciclopdia livre

Propriedades Tericas[editar [132]] Capacidade Computacional[editar [133]]

Rede neural Wikipdia, a enciclopdia livre

Generalizao e Estatsticas[editar [138]]

Rede neural Wikipdia, a enciclopdia livre

Redes Neurais e Neurocincia[editar [139]]

Rede neural Wikipdia, a enciclopdia livre

Tipos de modelos[editar [143]]

Rede neural Wikipdia, a enciclopdia livre

Galeria[editar [144]] Ver tambm[editar [145]] Referncias

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Ligaes externas[editar [177]]

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre

Rede neural Wikipdia, a enciclopdia livre