Beruflich Dokumente
Kultur Dokumente
A organizao e complexidade do
crebro humano serviu de base para
a construo do paradigma das
redes neurais artificiais.
O QUE UMA REDE
NEURAL ARTIFICIAL?
O QUE UMA REDE NEURAL ARTIFICIAL?
ESTIMAR;
RECONHECER PADRES;
CLASSIFICAR;
INTELIGNCIA ARTIFICIAL;
CRIAR APLICATIVOS;
CRIAR ROBS;
MELHORAR PROCESSOS...
ESTRUTURA DE UM NEURNIO ARTIFICIAIS
Isso um neurnio artificial ou
nodo. As redes so formadas
por grandes quantidades
desses neurnios
ESTRUTURA DE UM NEURNIO ARTIFICIAIS
Sinapses = Conexes Combinador linear: Soma os
valores ponderados.
Sinais de entrada:
Valores utilizados
para alimentar a
rede. Corresponde
ao estimulo do Sinal de sada
ambiente.
Estmulo Resposta
Entrada Sada
Legenda:
Varivel contnua
Varivel categrica
Neurnio oculto
ESTRUTURA DA REDE
Varivel contnua
Varivel categrica
Neurnio oculto
Neurnios de sada
Sinapses
Neurnios ocultos
ESTRUTURA DA REDE
Backward
BACKPROPAGATION
Backward
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
VANTAGENS
Representam qualquer fenmeno sem necessidade de um
modelo prvio;
Mtodo holstico;
Aceita variveis categricas;
Identifica e tolerante a rudos (outliers);
Capacidade de aprender e generalizar;
Quanto mais alimentada, mais potente...
...Mas responde bem a amostragens menores;
No necessita de dependncia entre variveis;
Etc...
ALGUMAS APLICAES (SLIDE COM SPOILER DE GOT)
Contexto
Estimar o volume;
Estimar a altura;
Estudo da forma;
Distribuio diamtrica;
Diminuio de custos de inventrios;
Inventrio florestal por SIG;
Classificao de stio.
APLICAES NO MEIO FLORESTAL
Treino = Aprendizado
BANCO DE DADOS
Validao = Generalizao
UNDERFITTING E OVERFITTING
UNDERFITTING = Poucos neurnios na camada oculta;
Rede no aprende e no generaliza;
Baixo erro no treino e erro alto na validao.