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.