Inteligência Artificial
Computação Neural
Inteligência Computacional
• Solução de problemas reproduzindo mecanismos
dos seres biologicamente inteligentes.
Inteligência
Computacional (IC)
Computação
Nebulosa (Fuzzy)
(CF)
Computação
Neural (CN)
Computação
Evolutiva (CE)
Computação Neural
• Utiliza uma forma de programação não
algorítmica
• Processamento distribuído paralelo de suas
unidades: os neurônios artificiais.
• Estas unidades são inspiradas nas células que
constituem o cérebro
Computação Neural
• Um ser humano nasce com bilhões de neurônios,
cada um deles interconectado com outros
milhares, formando uma imensa rede de
processamento distribuído.
• A criação, eliminação e modificação dessas
conexões garante ao homem a capacidade de
aprender, armazenar e utilizar conhecimentos
através da experiência.
Neurônio Biológico
Neurônio Biológico
• Cada célula neural possui seus receptores, os
dendritos, o corpo celular e um transmissor, o
axônio.
• A propagação de sinais entre um axônio de um
neurônio e o dendrito de outro é realizada
através das sinapes.
• A sinapse pode amplificar ou atenuar o sinal que
transmite. A capacidade de adaptar-se ao meio
ambiente, através de aprendizado, é obtida
através da criação ou modificação destas
sinapses
Neurônio Artificial
• Neurônio artificial
Neurônio Artificial
• Este neurônio é identificado por k em um
conjunto de neurônios.
• As entradas, estão representadas pelos sinais xj.
• As ligações sinápticas entre o axônio dos outros
neurônios e os dendritos do neurônio k são
representadas pelos pesos w(k,j), que podem
assumir valores negativos ou positivos.
Potencial de Ativação
• Em um neurônio artificial típico (de correlação), o
cálculo do potencial de ativação vk, envolve uma
somatória dos sinais de entrada ponderados
pelos seus respectivos pesos, somados com o
bias bk
Função de Ativação
• Finalmente, uma função de ativação φ(.) é
aplicada para restringir a saída a um valor finito,
em geral normalizado para um intervalo [0,1] ou
[-1,1]:
Função de Ativação
• Pode-se utilizar um grande número de funções
para a ativação dos neurônios.
• Função Identidade:
• Função de Limiar:
Função de Ativação
• Função Limiar por Partes:
• Função Sigmóide:
Redes Neurais Artificiais (RNAs)
• RNAs são formadas por neurônios artificiais
interconectados, com o objetivo de simular a
estrutura cerebral.
— Processamento distribuído: o processamento realizado
pelas RNAs é paralelo, cada neurônio artificial constitui
uma unidade de processamento autônoma.
— Representação distribuída: o conhecimento da rede se
encontra distribuído entre seus neurônios.
— Aprendizado: a RNA pode ser construída com a
capacidade de alterar os pesos das conexões entre
seus neurônios.
Redes Neurais Artificiais (RNAs)
• RNAs são classificadas normalmente por algumas
de suas características:
— Função de ativação: determina a forma da função
executada pela rede como um todo.
— Topologia: a maneira como os neurônios são
conectados, que o comportamento da rede:
– Redes alimentadas diretamente (feedforward) ou recorrentes
(feedback).
– Redes completamente conectadas ou não.
– Redes de uma camada ou de múltiplas camadas.
Redes Neurais Artificiais (RNAs)
• RNAs são classificadas normalmente por algumas
de suas características:
— Algoritmo de aprendizado: o método que realiza a
alteração dos parâmetros da rede.
– Supervisionado
– Não supervisionado
– Por reforço
— Aplicações:
–
–
–
–
Reconhecimento de padrões
Memórias
Compactação
Otimização
Perceptron
• Uma das primeiras de RNA. Suas características:
— Função de ativação: função de limiar.
— Topologia: a rede é feedforward e as entradas são
conectadas diretamente aos neurônios.
— Algoritmo de aprendizagem: supervisionado, através
da correção de erro da saída esperada com a obtida.
— Aplicações: pode ser utilizado para classificação de
padrões linearmente separáveis.
• Dois estados de operação: classificação e
aprendizado.
Perceptron - Aprendizado
• Primeiramente, deve-se obter o erro:
— sendo d a saída desejada e y a saída obtida.
• A alteração do peso j de um dado neurônio é
dada por:
• Sendo o delta (diferença) calculado por:
— sendo o  a taxa de aprendizagem e x a entrada
relativa ao peso w em questão.
Perceptron - Evolução
• Embora tenha causado grande entusiasmo, o
Perceptron é muito limitado e encontrava
dificuldade em resolver problemas simples da
vida real.
• Perceptrons com várias camadas poderiam ser a
saída, mas ajustar os pesos de várias camadas
era impossível.
• Essas limitações expostas em vários trabalhos
fizeram com que a área de redes neurais
congelasse por cerca de 20 anos.
• Até o método Backpropagation.