Beruflich Dokumente
Kultur Dokumente
Aula 03 AI
Inteligncia Artificial
AULA 01 Introduo
8/26/16
ndice
Abordagem Clssica
Abordagem Conexionista
Redes
Neurais
Perceptron
AULA 01 Introduo
8/26/16
Abordagem
AULA 01 Introduo
8/26/16
Abordagem
IA Simblica ou Clssica:
tenta
IA Conexionista:
acredita
AULA 01 Introduo
8/26/16
IA Simblica
8/26/16
IA Simblica
Outros
AULA 01 Introduo
8/26/16
IA Simblica
AULA 01 Introduo
8/26/16
IA Simblica
8/26/16
IA Conexionista
AULA 01 Introduo
8/26/16
10
AULA 01 Introduo
8/26/16
de se adaptar ou aprender
Generalizar
Agrupar
11
ou organizar dados
AULA 01 Introduo
8/26/16
Multi-disciplinaridade
:
Cincia
da
Computao,
Matemtica,
Fsica,
Engenharias,
Psicologia,
Biologia,
Lingstica, Filosofia, etc
12
AULA 01 Introduo
8/26/16
13
AULA 01 Introduo
8/26/16
14
estatstica no paramtrica
Adaptabilidade
Capacidade de generalizao
Tolerncia a falhas
Implementao rpida
AULA 01 Introduo
8/26/16
Caractersticas RNAs
Inter-relao entre
Investigao
do comportamento e estrutura do
sistema nervoso atravs de experimentao e
modelagem biolgica
Desenvolvimento de modelos matemticos e
suas aplicaes para a soluo de vrios
problemas prticos
15
AULA 01 Introduo
8/26/16
16
Classificao de padres
Clustering/categorizao
Aproximao de funes
Previso
Otimizao
Memria enderevel pelo contedo
Controle
etc...
AULA 01 Introduo
8/26/16
Neurnio Biolgico
17
AULA 01 Introduo
8/26/16
Neurnio Bilgico
18
8/26/16
Neurnio Biolgico
19
Dos
axnios
so
libertadas
substncias
(neurotransmissores), que atravessam a fenda e
estimulam receptores nos dendritos, transmitindo o
impulso nervoso de um neurnio para o outro.
AULA 01 Introduo
8/26/16
20
AULA 01 Introduo
8/26/16
Morfologia RNAs
21
RNAs
22
AULA 01 Introduo
8/26/16
Dcada de 40 : O comeo
iterativo de pesos
Prova teorema da convergncia
23
AULA 01 Introduo
8/26/16
Perceptron
24
8/26/16
Perceptron
Basicamente o perceptron consiste de uma nica camada de neurnios com
com pesos sinpticos e bias ajustveis.
Se os padres de entrada forem linearmente separveis, o algoritmo de treinamento
possui convergncia garantida, i., tem capacidade para encontrar um conjunto de
pesos que classifica corretamente os dados.
Os neurnios do perceptron so similares ao de McCulloch-Pitts, por terem a funo
de ativao do tipo degrau, mas possuem pesos associados e bias.
wk0=bk (bias)
entrada fixa
x0=+1
wk0
x1
wk1
x2
wk2
sinais
de
entrada
funo
de ativao
uk
f(uk)
yk
sada
juno
aditiva
xm
25
wkm
AULA 01 Introduopesos
sinpticos
Funo
degrau
8/26/16
Perceptron
26
AULA 01 Introduo
8/26/16
Perceptron (1959)
27
AULA 01 Introduo
8/26/16
Conceitos bsicos
Estado de ativao ai
Funo de ativao Fi
Funo de sada i
Conexes
28
de processamento ni (ns)
wij
AULA 01 Introduo
8/26/16
Unidades de processamento
j 1
wN
xN
29
AULA 01 Introduo
8/26/16
Unidades de processamento
Estado de ativao
Definido
30
AULA 01 Introduo
8/26/16
Funes de ativao
31
matemticas
AULA 01 Introduo
8/26/16
Funes de ativao
32
AULA 01 Introduo
8/26/16
Funes de sada
Funo de sada
Transforma
Geralmente
33
AULA 01 Introduo
8/26/16
Tipicamente entre -1 e +1 ou 0 e 1
Codificao realizada pelo projetista da rede
34
restrito de aplicaes
AULA 01 Introduo
8/26/16
Perceptrons (I)
Modela um neurnio pegando a soma
ponderada de suas entradas, e
comparando contra um valor (exemplo,
valor = 0).
Se soma > 0, resulta 1;
Se soma <= 0, resulta 0;
Consegue aprender qualquer problema de
classificao de dados linearmente
separveis
35
AULA 01 Introduo
8/26/16
Perceptrons (II)
X2
36
AULA 01 Introduo
8/26/16
X1
Perceptron - Conhecimento
O conhecimento do Perceptron, assim como
o de qualquer RNA, est nos pesos das
suas ligaes:
BIA
S
N1
Wb= 3
W1= -2
N2
37
AULA 01 Introduo
W2=0
8/26/16
38
AULA 01 Introduo
8/26/16
Perceptron - Treinamento
Se o perceptron dispara quando no deve
disparar, diminua de cada peso (Wi) um
nmero proporcional ao sinal de entrada;
Se o perceptron deixa de disparar quando
deveria, aumente um nmero semelhante
em cada Wi.
39
AULA 01 Introduo
8/26/16
Perceptron Exemplo
Imaginemos um problema de classificao:
COMPOSITOR
BACH
X
BEETHOVEN
X
EINSTEIN
KEPLER
40
AULA 01 Introduo
CIENTISTA
8/26/16
X
X
Perceptron Exemplo
Primeiro, codificamos as informaes em base
binria:
N1= obsesso pelo desafio
COMPOSITOR
0
N2 = gostamos de ler
CIENTISTA
41
N1
N2
SADA
BACH
BEETHOVE
N
0
0
0
1
0
0
EINSTEIN
KEPLER
1
1
0
1
1
1
AULA 01 Introduo
8/26/16
Perceptron - Exemplo
42
8/26/16
Perceptron Exemplo
Os pesos comeam todos com zero (Wb, W1, W2 = 0).
O sinal do bias ser sempre positivo (1).
N1
N2 SADA
BACH
BEETHOVE
N
EINSTEIN
KEPLER
43
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 0
W2=0
8/26/16
Perceptron Exemplo
Escolhemos um valor para testar a rede.
A somatria (ser: (Bias*Wb)+(N1*W1)+(N2*W2)
N1
N2 SADA
BACH
BEETHOVEN
EINSTEIN
KEPLER
44
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 0
W2=0
8/26/16
Perceptron Exemplo
Para Kepler, teremos: (1 * 0) + (1 * 0) + (1 * 0) = 0.
Ou seja, a sada foi 0, e a sada esperada era 1...
errou
N1
N2 SADA
BACH
BEETHOVE
N
EINSTEIN
KEPLER
45
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 0
W2=0
8/26/16
Perceptron Exemplo
Temos que ajustar os pesos (W), usando a frmula:
Wnovo = Wanterior +
(ValorErro * SinalEntrada* TaxaAprendizagem)
N1 N2 SAD
A
BACH
BEETHOVEN
EINSTEIN
KEPLER
46
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 0
W2=0
8/26/16
Perceptron Exemplo
ValorErrro = SinalEsperado SinalGerado
47
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 01
W1=01
W2=01
8/26/16
Perceptron Exemplo
Ento, escolhemos outro valor e repetimos o
processo:
(Bias*Wb)+(N1*W1)+(N2*W2) =>
(1*1) + (0*1) + (1*1) = 2 (se > 0, sinal sada = 1)
Errou novamente
N1 N2 SAD
A
48
BACH
BEETHOVEN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 1
W1= 1
W2=1
8/26/16
Perceptron Exemplo
Novamente o sinal de sada esperado (0) no foi
alcanado. Ou seja, preciso corrigir os pesos.
ValorErrro = SinalEsperado SinalGerado (0 -1 = -1)
N1 N2 SAD
A
49
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 1
W1= 1
W2=1
8/26/16
Perceptron Exemplo
Para Wb: Wb novo = 1 + (-1 * 1 * 1) = 0
Para W1: W1 novo = 1 + (-1* 0 * 1) = 1
Para W2: W2 novo = 1 + (-1* 1 * 1) = 0
N1 N2 SAD
A
50
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 10
W1= 1
W2= 10
8/26/16
Perceptron Exemplo
Seguimos com novo valor:
(Bias*Wb)+(N1*W1)+(N2*W2) =>
(1*0) + (1*1) + (0*0) = 1 (se > 0, sinal sada = 1)
N1 N2 SAD
A
51
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 1
W2= 0
8/26/16
Perceptron Exemplo
Desta vez o sinal gerado (1) era o sinal esperado.
Neste caso, no precisamos ajustar os pesos.
Rede acertou
N1 N2 SAD
A
52
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 1
W2= 0
8/26/16
Perceptron Exemplo
Testando para Bach, o sinal gerado tambm
correto:
(Bias*Wb)+(N1*W1)+(N2*W2) =>
(1*0) + (0*1) + (0*0) = 0
N1 N2 SAD
A
53
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 1
W2= 0
8/26/16
Perceptron Exemplo
Os pesos j funcionaram para 3 entradas, testando
Kepler novamente:
(1*0) + (1*1) + (1*0) = 1 Funciona! A rede
aprendeu!
N1 N2 SAD
A
54
BACH
BEETHOV
EN
EINSTEIN
KEPLER
AULA 01 Introduo
BIA
S
N1
N2
Wb= 0
W1= 1
W2= 0
8/26/16
Exerccio Classe
55
AULA 01 Introduo
8/26/16
Referncias
RUSSELL;
56
AULA 01 Introduo
8/26/16