Beruflich Dokumente
Kultur Dokumente
Sumrio
Introduo sobre Redes Neuronais Aplicaes de Redes Neuronais Neurnio Humano Neurnio Artificial Classificao quanto arquitectura
Redes totalmente conectadas Redes de camada nica Redes multi camada Aprendizagem Supervisionada Aprendizagem No Supervisionada Aprendizagem por Reforo
As Redes Neuronais Artificiais (Artificial Neural Networks) so modelos simplificados inspirados no funcionamento das clulas neuronais humanas; Uma Rede Neuronal um processador paralelo, composto por simples unidades de processamento (neurnios ou ns); O conhecimento destas redes adquirido a partir de um ambiente (dados), atravs de um processo de aprendizagem (algoritmo de treino);
Introduo sobre Redes Neuronais Os princpios que hoje existem sobre as Redes Neuronais Artificiais foram lanados em:
1943: McCULLOUGH e PITTS mostraram que as redes de neurnios artificiais podiam calcular qualquer funo aritmtica ou lgica. 1986: Rumelhart, Hinton e Willian desenvolveram o algoritmo Back-Propagation (Retropropagao), que certamente o algoritmo de aprendizagem mais divulgado.
Existe imensas aplicaes das redes neurais, como podemos ver nos exemplos seguintes:
Anlise de pesquisa de mercado; Aplicaes climatricas; Identificao de fraude de carto de crdito; Robtica; Classificao de dados; Reconhecimento de padres em linhas de montagem; Filtros contra rudos electrnicos; Anlise de imagens; Anlise de voz; Avaliao de crdito; Anlise de aroma e odor; Diagnsticos mdicos;
Em Portugal nos ltimos anos tem-se assistido a um maior interesse das empresas portuguesas por reas especficas da inteligncia artificial.
A Caixa Geral de Depsitos na rea de sistemas periciais para avaliao dos emprstimos a empresas; O Grupo Sonae na rea de data mining para anlise das bases de dados de vendas nos seus hipermercados A Portugal Telecom para anlise dos dados provenientes das suas centrais digitais.
Neurnio Humano
Um neurnio biolgico formado por: - Um corpo celular ou soma que contm o ncleo da clula, diversos dendrites , atravs dos quais impulsos elctricos so recebidos, e um axnio , atravs do qual impulsos elctricos so enviados. - As interligaes entre neurnios so efectuadas atravs de sinapses , pontos de contacto entre dendrites e axnios controlados por impulsos elctricos Estrutura de um Neurnio Biolgico
Neurnio Artificial
A estrutura do Neurnio artificial proposto por McCulloch e Pitts baseada no neurnio biolgico, mas a maior limitao do modelo de neurnio proposto por eles sua natureza binria.
Se a soma ponderada dos sinais de entrada de um neurnio ultrapassar um determinado limite de disparo, ento a sada toma valor 1; se no ultrapassar, toma valor zero
Os neurnios esto organizados graficamente e ligados entre si com uma orientao, cuja estrutura define a arquitectura adoptada. Existem vrios tipos de arquitecturas para Redes Neuronais Artificiais, no entanto, as mais utilizados so as seguintes:
Estas redes possuem duas camadas, a camada de entrada e a camada de sada. Os neurnios so independentes uns dos outros podendo ser treinados separadamente. Aplicvel a problemas linearmente separveis, onde se pode desenhar uma linha que separe as classes de sada em funo das entradas.
A propriedade mais importante das redes neuronais a capacidade de aprender com base no seu ambiente e com isso melhorar seu desempenho. Isso feito atravs de um processo iterativo de ajustes aplicado aos seus pesos, o treinamento. Existem os seguintes paradigmas de aprendizagem:
Aprendizagem Supervisionada
Na aprendizagem supervisionada, a rede produz a sua prpria resposta (X) perante uma configurao que apresentada entrada, e o um supervisor apresenta a resposta correcta (Y).
Se duas respostas so idnticas (X=Y), ento no h necessidade de modificar os pesos das conexes. Caso contrrio, a diferena entre estes dois valores (X-Y), utilizada para modificar o peso das conexes existentes na rede.
Aprendizagem Supervisionada
Perceptron
Back-Propagation ou Retropropagao
Aprendizagem No Supervisionada
A aprendizagem no supervisionada aplica-se quando no dispomos, priori, dos valores de sada ou no h qualquer indicao sobre possveis classificadores. Os principais modelos que se incluem no mtodo de aprendizagem no supervisionada:
Aprendizagem por reforo consiste basicamente, em fazer com que um agente escolha as suas aces baseando-se apenas na interaco com o ambiente. Diferente da aprendizagem supervisionada, na qual existe um professor que diz ao agente qual deveria ter sido a aco correcta para cada estado, na aprendizagem por reforo existe apenas um crtico, que indica o caminho correcto, mas no diz exactamente a resposta correcta. Os principais modelos que se incluem no mtodo de aprendizagem por reforo: Hebb Hopfield
Classificao de Padres
Ex.: Sistema de classificao (com cmara) de peixes em indstria. Sistema classifica se o peixe est estragado/inadequado ou adequado. Entrada: cor, textura, tamanho. Sada: estragado ou adequado
Concluses
Inicialmente uma das grandes limitaes das redes neuronais deve-se ao facto destas exigirem um grande poder computacional. Actualmente, tal facto foi minimizado, mas no entanto ainda estamos bastante longe de poder simular uma rede da dimenso do crebro humano. Como foi mostrado anteriormente, as redes neurais no so programadas para resolver problemas. Elas so treinadas, sendo que aps o treino, esto prontas para serem utilizadas. O treino realizado pelo ajuste dos pesos dentro de cada neurnio. Uma das grandes vantagens da sua utilizao que, uma vez treinadas, os dados no precisam ser necessariamente guardados.
Referncias Bibliogrficas
[1] Stuart J. Russell and Peter Norving, Artificial Intelligence A Modern Approach, 1995. [2] M. Filipe Santos e Carla Azevedo, Data Mining Descoberta de conhecimento em base de dados, 2005. [3] Patricio Serendero, Algoritmos Bsicos - Redes Neuronais Artificiais, http://w3.ualg.pt/~pserende/Data_Mining/DM_PDF/IV-3%20Redes%20Neuronais.pdf [4] Miguel ngelo Moreira, Introduo s Redes Neuronais Artificiais, 1997, http://ltodi.est.ips.pt/mmoreira/PUBLICACOES_P/introducao_redes_neuronais_1997.pdf [5] Paulo Cortez, Redes Neuronais Artificiais, http://piano.dsi.uminho.pt/disciplinas/MSIAID/nn.pdf [6] Bioinformtica e Cincia e Tecnologia da Computao, Redes Neuronais, http://www.uac.pt/~hguerra/Teaching/RN/RN.htm [7] Guilherme Bittencourt, Inteligncia Computacional, http://www.lcmi.ufsc.br/gia/softcomp/softcomp.html [8] Introduo de redes neuronais, http://www.din.uem.br/ia/neurais/ [9] Tutorial de Redes Neurais Aplicaes em Bioinformatica, http://www.lncc.br/%7Elabinfo/tutorialRN/ [10] Introduction to Artificial Intelligence - Neural Networks, http://www.cs.nott.ac.uk/~gxk/courses/g5aiai/006neuralnetworks/neural-networks.htm [11] George E. Mobus, Toward a Theory of Learning and Representing Causal Inferences in Neural Networks, http://faculty.washington.edu/gmobus/Adaptrode/causal_representation.html [12] Reconhecimento de Padres, http://paginas.fe.up.pt/~jmsa/recpad/index.htm#RP [13] Redes Neuronais Aplicadas Previso de Trfego Telefnico num Centro de Atendimentos, http://paginas.fe.up.pt/~eol/IIA/trabalhos/97_98/RNPREV/ [14] Fbio Rocha de Lima, http://orbita.starmedia.com/~fabio-rs/projeto.htm [15] A P Bendrups, Neural Networks, 2000, http://www.latrobe.edu.au/humanbio/Lecture_Notes/neural_networks/neural_networks.html [16] Image Compression with Neural Networks, http://www.comp.glam.ac.uk/digimaging/neural.htm