Beruflich Dokumente
Kultur Dokumente
IBAPE 2007
0
Objetivo principal
1
Contedo Programtico
Motivao RNA
Introduo RNA Porque RNA ?
Histrico RNA
Neurnio Biolgico
Neurnio Artificial MCP
Rede MCP Linearmente Separveis
Rede Adaline
Redes MLP
Treinamento / Validao
Mnimos Quadrados Viso Geral
Exerccios Mnimos Quadrados x RNA
2
Introduo O Que so as Redes Neurais Artificiais?
3
Mtodo Comparativo de Dados de Mercado
Regresso Espacial
4
Avaliao de Imveis Etapas do processo
Construes de variveis
Modelagem de dados
5
Principais Dificuldades
anlise. 240
220
200
180
Valor/m2
160
140
120
100
80
60
6
Principais Dificuldades
atributo no valor.
7
Principais Dificuldades
homocedasticidade.
8
Motivao
9
Motivao
10
Motivao
2001
2002
MNIMOS QUADRADOS EFICAZES, REDES NEURAIS EFICIENTES - MELO, Brcio de AVALIAR - III Simpsio
INTELIGNCIA ARTIFICIAL EM AVALIAO DE IMVEIS. GONZLEZ, Marco Aurlio Stumpf - Tese (Doutorado
em Engenharia Civil) Programa de Ps-Graduao em Engenharia Civil, UFRGS, Porto Alegre / RS.
11
Motivao
2003
AVALIAO DE IMVEIS URBANOS COM UTILIZAO DE REDES NEURAIS ARTIFICIAIS PELLI, Antonio
Neto ; ZARATE, Luiz - IBAPE-MG XII COBREAP Congresso Brasileiro de Engenharia de Avaliaes e Percias
Belo Horizonte MG
2003
AVALIAO DE NAVIOS COM USO DE REGRESSO LINEAR E COMPARAO DOS RESULTADOS COM
REDE NEURAL MORATO, Paulo Csar Vidal; GUEDES Jackson Carvalho - IBAPE-MG XII COBREAP
AZEVEDO , Mrcio Pacheco - IBAPE-MG XII COBREAP Congresso Brasileiro de Engenharia de Avaliaes e
12
O que so Redes Neurais Artificiais
13
Sinapses
14
Introduo O Que so as Redes Neurais Artificiais?
15
O que so Redes Neurais Artificiais
Generalizar
16
O que so Redes Neurais Artificiais
etc
17
Redes Neurais Artificiais
Problema 1:
1 ( x ) 2 / 2 2
f ( x) = e para < x <
2
Planilha Excel Resultado Instantneo
18
Redes Neurais Artificiais
Problema 2:
Qual a diferena entre os objetos abaixo ?
Como programar uma planilha para soluo deste problema com rapidez e preciso?
19
Redes Neurais Artificiais
Aproximao de Funes
20
Redes Neurais Artificiais
camadas intermedirias
camada de camada de
entrada sada
rea
Valor
Unitrio
Local
conexes
21
O que so Redes Neurais Artificiais
22
Caractersticas das RNAs
Adaptabilidade
Capacidade de generalizao
Tolerncia a falhas
Implementao rpida
23
Von Neumann X Sistema neural biolgico
24
Potenciais reas de aplicao das RNAs
Classificao de padres
Clustering/categorizao
Aproximao de funes
Previso
Otimizao
Controle
etc...
25
Histria das RNA
Inter-relao entre
26
Dcada de 40 : O comeo
(1943) McCulloch & Pitts (A Logical Calculus of the Ideas Immanent in Nervous Activity)
27
1950-1960: Anos de euforia
28
Dcada de 70: Pouca atividade
como o OU-exclusivo
29
Dcada de 70: Pouca atividade
30
Dcada de 80: A segunda onda
(1982) Hopfield mostra que Redes Neurais podem ser tratadas como sistemas
dinmicos
multi-camadas
31
Redes Neurais Artificiais
camadas intermedirias
camada de camada de
entrada sada
rea
Valor
Unitrio
Local
conexes
32
Conexes
33
Topologia
Nmero de camadas
34
Completamente conectada
Camada i Camada i +1
35
Parcialmente conectada
Camada i Camada i +1
36
Parcialmente conectada
Camada i Camada i +1
37
Redes feedforward
OU RN
Sinal
38
Redes recorrentes
RN
39
Conjunto de dados
40
Redes Neurais Artificiais Desenvolvimento
CARACTERSTICAS
2 MODOS DE FUNCIONAMENTO
TREINAMENTO OPERAO
Algoritmo - Backpropagation Algoritmo - Feedforward
Supervisionado
Erro
Passo do aprendizado
No supervisionado
41
Redes Neurais Artificiais Desenvolvimento
SEM TREINAMENTO
conjunto de treinamento
pesos sinpticos aleatrios
A
REDE
B NEURAL ?
C
42
Aprendizado
tempo
ambiente
Idealmente, a RNA sabe mais sobre seu ambiente aps cada iterao
43
Redes Neurais Artificiais - Treinamento
A A Feedforward
REDE
B B
NEURAL
C C
44
Redes Neurais Artificiais Desenvolvimento
TREINAMENTO SUPERVISIONADO
conjunto de treinamento
A,B
A,B
A,B
Professor
erro,
ok,erro
erro
ok, ok
A REDE X
D A A
B NEURAL
X
R X
P B
45
Caractersticas das RNAs
Capacidade de generalizao
Tolerncia a falhas
Implementao rpida
46
Analogia Redes Biolgicas x Redes Neurais
47
Conceitos bsicos Modelo MCP
Estado de ativao ai
Funo de ativao Fi
x1 w1
Funo de sada i
x2 w2 f f(xiwi)
(xw) y
Conexes wij
wN
xN
48
Neurnio Artificial - MCP
bias
Entradas
Wb
X1 W1 pesos
sinapses Sada
X2 W2
.
.
U
FU Y Y = F (U )
.
Wn
Xn P
U = W
K =0
K .X K
49
n
K
= 0
W K . X K
50
Neurnio Artificial - MCP
51
Conjuntos Linearmente Separveis
Classes
10
6
X2
0
0 1 2 3 4 5 6 7 8 9 10
X1
52
Modelo MCP - Treinamento
Portas de Limiar
Bias
1
X W
Entradas
1 1
Sada
X 2 W
Y
2
. U
. F (U )
.
W n
pesos
X n sinapses
1 (wi xi )
y=
0 (wi xi ) <
53
Modelo MCP treinamento
Neurnio:
2 entradas: x1 e x2
Limiar
Sada y
Condio de disparo:
x1w1 + x2w2 =
w1
x 2 = x1
w2 w2
54
Modelo MCP treinamento
Funo de limiar
w1
x2 = x1
w2 w2
Treinamento: w
55
Modelo MCP treinamento
w1
x 2 = x1
w2 w2
(0,1) (1,1) x1 x2 Y
0 0 0
1 0 0
0 1 0
1 1 1
56
Portas Limiares Quadrticas
Redes MCP
x21w11+x22w22+x1x2w12+x2x1w21+x1w1+x2w2 =
57
Funes Quadrticas
Redes MCP
Classe 1
y=1
X1
Classe 0
y=0
X2
58
Modelos Adaline
Regra Delta:
Bias
1 W0
n
stE
a
rd
X1 W1
Sada
X2 W2
. U Y
. F ( U)
. Wn
pesos
Xn sinapses
59
Treinamento
Modelos Adaline
n
E ( w ) =
i = 1
( y c i y d i ) 2
60
Gradiente Descendente
Modelos Adaline
61
Gradiente Descendente
62
Gradiente Descendente
4
n w(n) w(n)
3 1a ITERAO
0 5 -2
1 3 -1,2 2
2a ITERAO
2 1,8 -0,72
3 a ITERAO
3 1,08 -0,43 1 a
4 ITERAO
4 0,65 -0,26 0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
V A LO R D A S S IN A P S E S
63
Construo Modelo - MLP
64
Redes Neurais Artificiais Desenvolvimento
BACKPROPAGATION
propagao sada/entrada
erro associado Backpropagation
65
Aprendizado
Mecanismos de aprendizado
Completamente conectada
Parcialmente conectada
Localmente conectada
66
Redes Neurais Artificiais Desenvolvimento
ERRO
Y Valor desejado
Y ' Valor obtido na sada da rede
(
Erro 2 = Y Y ' )
2
ERRO
Y
Neurnio artificial
ITERAO
(1 +exp(u(t))
68
Redes Neurais Artificiais Desenvolvimento
bias
Erro
wi = Entradas
wi Wb
X1 W1 pesos
w ( n + 1) = w ( n ) + w ( n ) sinapses Sada
X2 W2
. U Y
Regra Delta
. FU
.
Wn
Xn
69
Redes Neurais Artificiais Desenvolvimento
11.3) BACKPROPAGATION
valores desejados: Ya=0,2 ; Yb=1
retropropagao do erro
0,103
E1 = Ya Ya = 0,2 0,097 = 0,103
'
0,13
0,03
0,386
E 2 = Y b Y b = 1 0 ,614 = 0 ,386
'
0,152
70
Redes Neurais Artificiais Desenvolvimento
1 PADRO DE ENTRADA
6
Erro associado
0
1 3 5 7 9 11 13 15 17
No. de Iteraes
71
Aprendizado por Correo de Erro
Superfcie de Erro
72
Superfcie do Erro funo Sigmide
73
Aprendizado por correo de erro
Taxa de aprendizado ()
0< <1
Mdia das entradas anteriores
Taxas pequenas
Estimativas estves de peso
Aprendizado lento
Aprendizado rpido
Taxas grandes
Captao de mudanas no
processo
74
Aprendizado por Correo de Erro
75
Gradiente descendente para em um mnimo local
w kj
( t + 1 ) = k
x j
+ w kj
( t )
Momentum
76
Pr processamento Dados
77
Pr - processamento dos dados
f a (L o ) = L n = (L o - L mn ) / (L max - L min )
f b (L n ) = L o = L n * L max + (1 - L n ) * L mn
onde : Lmn = (4 x LimiteInf. - LimiteSup) / 3
Ln o valor normalizado; Lmx = (LimiteInf. - 0,8 x Lmn) / 0,2
Lo o valor a normalizar;
Lmn e Lmx so valores mnimos e mximos dentre os valores das variveis.
78
Criao de conjuntos de dados
79
Aprendizado
Algoritmos de aprendizado
Grande variedade
Paradigmas de aprendizado
80
Redes Neurais Artificiais
50
0
0 500 1.000 1.500 2.000 2.500 3.000
81
Primeiro Ensaio Regresso Linear
240
220
200
180
Valor/m2
160
140
80
60
82
Segundo Ensaio Transformando as Variveis (x,1/x, Ln x)
260
240
220
200
180
Valor estimado: 108,74 R$/m
160
140
120
100
80
83
Terceiro Ensaio: Redes Neurais Artificiais
220
200
180
160
140
120
100
80
84
Redes Neurais Artificiais Benefcios
Adaptabilidade
Capacidade de generalizao
Tolerncia a falhas
Implementao rpida
Melhor aderncia aos pontos coletados
85
Anlise da Envoltria de Dados EDO / DEA
A utilizao dessa ferramenta para a engenharia de avaliaes pode ser sintetizada da seguinte forma:
os imveis que fazem parte da amostra de mercado so interpretados como as unidades de produo;
para o vendedor do imvel, os insumos (inputs) da sua unidade de produo so os atributos (caractersticas
intrnsecas e extrnsecas) do imvel relevantes para a sua valorizao, como localizao, rea, etc.; o produto (output)
da sua unidade o preo, que pode ser expresso pelo Valor Total do Bem;
para o comprador, inversamente, o input o preo e os outputs so os atributos (localizao, rea, etc.);
Desta forma, ficam constitudas, assim, duas ticas para a DEA: a do vendedor e a do comprador. Para o vendedor, o
objetivo oferecer certos atributos relevantes de um imvel (rea, localizao, etc.) e obter por eles o maior preo
possvel; na viso do comprador, o objetivo pagar um determinado preo e obter em troca o mximo de atributos
86
DEA (VRS) nas Avaliaes Imveis Urbanos
tica do vendedor (orientada ao output)
P2 P3 P7
P4
P1 P6
input = rea
x
87
DEA (VRS) nas Avaliaes Imveis Urbanos
tica do comprador (orientada ao input)
P7
output = rea
x
P6
P5
P4
P3
P2
P1
valor (R$)
y P5
V1v P3
P2 P7
P4
P1
V1c P6
rea x
A1
89
Situao Hipottica com a Definio das Fronteiras
Eficientes (Envelope)
Y h' Y O
tica do Vendedor -
YO
tica do Comprador
-
h YO
90
Modelagem RNA das Fronteiras Eficientes (Envelope)
Y
tica do Vendedor
91
Dados Amostrados
92
Resultados do EDO-DEA fornecidos pelo SisDEA
93
Resultados da Validao RNA sem Pruning
94
Resultados da Validao RNA com Pruning
95
EDO-DEA vs EDO-DEA RNA
(Exemplo prtico para comparao)
(tabela 1).
2 variveis
96
Imveis avaliar
97
Comparao resultados
98
Concluses e Vantagens do EDO-DEA RNA
99
Concluses e vantagens do EDO-DEA RNA
maior confiabilidade.
100