UBC
Neurocomputação
Prof. José Demisio
Lista de Exercícios 1
1.
2.
3.
4.
Cite as diferenças entre a Inteligência Artificial Simbólica e Conexionista.
Faça uma comparação entre os sistemas procedurais, declarativos e neurais.
O significa Neurocomputação?
Dê outros exemplos de estruturas primárias de processamento da informação em
neurocomputação.
5. Desenhe uma caricatura de um neurônio biológico e fale sobre suas características.
6. O que é uma rede neural artificial?
7. Mencione como as redes neurais artificiais imitam o cérebro.
8. O que é aprendizagem em uma rede neural? Qual é a diferença entre aprendizado
supervisionado e aprendizado não supervisionado?
9. Cite os benefícios que as redes neurais artificiais trazem para a computação.
10. Desenhe e explique os níveis estruturais da organização do cérebro.
11. Desenhe o modelo básico de um neurônio artificial, explicitando todos os
componentes.
12. Qual é o efeito do limiar (bias) aplicado a um neurônio?
13. A partir do desenho do modelo básico na questão 11) escreva as equações que
regem a atividade de um neurônio artificial.
14. O que é uma função de ativação? Cite 3 exemplos.
15. Qual é a diferença entre a função sigmoid e a tangente hiperbólica?
16. Represente o modelo de neurônio da questão 11) em uma representação simplificada
utilizando um grafo de fluxo de sinal. Lembrar das convenções apresentadas em
sala.
17. Cite e desenhe quatro tipos de arquiteturas de redes apresentadas em sala.
18. O que significa conhecimento em uma rede neural e onde ele é representado?
19. De que é constituído o conhecimento aprendido por uma rede neural?
20. Utilizando o algoritmo de aprendizagem por correção do erro treine um neurônio
para resolver o problema do OU (OR). Seguir a aprendizagem passo a passo,
mostrando os cálculos. Iniciar com pesos e bias iguais a zero.
21. Quais são as diferenças entre aprendizagem por correção do erro e aprendizagem
Hebbiana? Mostre as diferenças pelas equações que regem cada tipo de
aprendizagem.
22. Um sinal de entrada com amplitude igual a 1 é aplicado 15 vezes a uma conexão
sináptica (peso) cujo valor inicial também é igual a 1. O neurônio tem polarização
­1 se v ! 0
,
inicial igual a 0. Supondo que a função de ativação é dada por y(v) ®
¯1 se v d 0
calcule a variação no peso sináptico com o tempo (não atualize o valor da
polarização) usando as seguintes regras:
a) A regra de Hebb assumindo que o parâmetro taxa de aprendizagem é K=0.1.
b) Aprendizagem por correção do erro ( 'wkj(n) = K[ dk(n) - yk(n) ]xj(n) ), considerando
que a saída desejada é 1.
c) A regra de Hebb com fator de esquecimento constante igual a 0.2 e taxa de
aprendizagem de 0.2.
d) Faça um gráfico mostrando a evolução de cada variação 'w durante os 15 intervalos
de tempo.