Download - Franck Bellemain, CIn - UFPE [email protected] Cérebro Artificial Intelligence, a modern approach
Franck Bellemain, CIn - [email protected]
Computador vs cérebro
Franck Bellemain, CIn - [email protected]
Rede neural
• Redes neurais procuram simular o funcionamento do cérebro definindo uma rede de operadores (neurônios).
• Cada operador calcula um nível de ativação em função das ativações que ele recebe.
Franck Bellemain, CIn - [email protected]
Neurônio
j
jjii aWga )( ,
Nesse modelo, um neurônio é definido da forma seguinte:
Franck Bellemain, CIn - [email protected]
Exemplo de funções de ativação
Franck Bellemain, CIn - [email protected]
Estrutura de redes neurais• A caracterização de redes neurais
inspira-se do funcionamento do cérebro. As definições de estruturas de redes não procuram copiar estruturas internas do cérebro.
• Assim, com a definição de neurônio, podemos conceber múltiplas estruturas. Em geral, as redes mais estudadas são “feed-forward” e algumas redes “recurrent”.
Franck Bellemain, CIn - [email protected]
Redes “feed-forward”
As redes feed-forward são constituídas de unidades de entrada, de saída e eventualmente unidades escondidas organizadas em camadas (layers).
– As unidades de entrada recebem um sinal,– As unidades de saída dão o resultado da ativação,– As unidades escondidas são as outras unidades que participam da determinação do estado da rede, sem ser de saída ou entrada.
Franck Bellemain, CIn - [email protected]
Redes de perceptrons
Um caso particular de rede “feed-forward” que só tem unidades de entrada e saída é chamado perceptron.
Uma rede de tipo perceptron pode ser decomposta em vários perceptrons.
Franck Bellemain, CIn - [email protected]
Aprendizagem• No contexto de redes neurais, a aprendizagem
consista na determinação dos valores dos pesos (Wi,j).
• Essa aprendizagem ocorra com o treinamento da rede sobre exemplo com resultados conhecidos.
• O erro (diferencia entre o resultado da rede e o resultado conhecido) modifica os pesos (Wi,j) para ser minimizada.
• O algoritmo (“back propagation”) vai repercutindo as modificação das saídas ate as entradas.
Franck Bellemain, CIn - [email protected]
Aprendizagem (perceptron)
• Err=O - T (O=saída da rede, T=saída correta)
• Wj <- Wj + x Ij x Err é o coeficiente de aprendizagem
(learning rate)
Franck Bellemain, CIn - [email protected]
Aprendizagem (Feed-forward)
• Wj,i <- Wj,i + x aj x i, i é Erri x g’(ini)
• Wk,j <- Wk,j + x Ik x j, j é g’(inj) x Wj,i x j)
Franck Bellemain, CIn - [email protected]
Redes “recurrent”
Uma rede “recurrent” pode ter qualquer topologia. Existem dois tipos mais conhecidos:– Rede Hopfield
• Todas unidades são saídas e entradas,• Bidirecional conexões com pesos simétricos,• A função de ativação é a função signo (±1),• Associativa memória.
– Maquina Boltzmann• Bidirecional conexões com pesos simétricos,• Tem unidades escondidas,• A função de ativação é resultado de uma probabilidade
sobre a soma dos pesos da unidade.
Franck Bellemain, CIn - [email protected]
Dificuldade• Determinar a topologia a mais adaptada
para resolver tipos de problemas:– Pesquisar dentro de conjunto de redes,– usar e adaptar outras redes,– começar com uma pequena rede e ampliar,– começar com uma grande rede e diminuir.
Franck Bellemain, CIn - [email protected]
Discussão• Expressividade• Tempo de calculo• Generalidade• Sensibilidade para “noise”• Transparência• Conhecimento inicial
Franck Bellemain, CIn - [email protected]
Caso do nariz• Cada sensor determina a presencia de
um componente químico. Sistema de sensores que produz uma tabela de componentes identificados: um padrão.
• A rede, depois de uma aprendizagem, reconhece diversas odores.
http://www.emsl.pnl.gov:2080/proj/neuron/papers/keller.mmvr95.abs.htmlhttp://www.emsl.pnl.gov:2080/proj/neuron//neural/papers/
Franck Bellemain, CIn - [email protected]
Um exemplo• Exemplo de uma rede “feed-forward”
usada para a detecção de combinação de 8 componentes.
Franck Bellemain, CIn - [email protected]
Tele-cheiro• Descrição de um sistema de reconhecimento e
reconstrução a distancia de cheiros.