Redes Neurais Artificiais

ÍNDICE

2 – O NEURÔNIO BIOLÓGICO 4

3 – NEURÔNIOS ARTIFICIAIS: O MODELO MCP (MCCULLOCH E PITTS) 6

4 – FUNÇÕES DE ATIVAÇÃO 8

5 – APRENDIZADO 10

5.1 – APRENDIZADO SUPERVISIONADO 10

5.2 – CORREÇÃO DE ERROS 11

5.3 – APRENDIZADO NÃO SUPERVISIONADO 12

5.4 – APRENDIZADO HEBBIANO 12

5.5 – APRENDIZADO POR COMPETIÇÃO 13

5.6 – APRENDIZADO POR REFORÇO 14

6 – ALGUMAS ARQUITETURAS DE RNAS 16

6.1 – PERCEPTRON DE CAMADA ÚNICA E SEU ALGORITMO DE APRENDIZADO 16

6.2 - PERCEPTRON MULTICAMADAS 19

6.2.1 – Arquitetura MLP 21

6.2.2 – Definição de uma Topologia Ideal para o MLP 21

6.2.3 – Otimização da topologia utilizando pruning 22

6.2.4 – Treinamento de Redes MLP 24

6.2.5 – Problemas Enfrentados no Treinamento de Redes MLP 27

APÊNDICE 1 – ESTUDO DE CASO 30

1 INTRODUÇÃO 30

2 HEPATITE: TIPOS E DIAGNÓSTICOS 30

3 DESCRIÇÃO DOS DADOS UTILIZADOS 31

4 TREINAMENTO, TESTE E VALIDAÇÃO DOS DADOS 32

5 CLASSIFICAÇÃO 32

6 CONCLUSÃO 33

BIBLIOGRAFIA UTILIZADA 34

ÍNDICE DE FIGURAS E TABELAS

FIGURA 1 - COMPONENTES DE UM NEURÔNIO BIOLÓGICO 4

FIGURA 2 - NEURÔNIO DE MCCULLOCH E PITTS 6

FIGURA 3 - ALGUMAS FUNÇÕES DE ATIVAÇÃO 9

FIGURA 4 - APRENDIZADO SUPERVISIONADO 11

FIGURA 5 - APRENDIZADO NÃO SUPERVISIONADO 12

FIGURA 6 APRENDIZADO POR REFORÇO 14

FIGURA 7 - TOPOLOGIA DE UM PERCEPTRON SIMPLES COM UMA ÚNICA SAÍDA 16

FIGURA 8 - FUNCIONAMENTO DO PERCEPTRON DE UMA CAMADA 17

FIGURA 9 - CLASSIFICAÇÃO DO PERCEPTRON JÁ TREINADO 19

FIGURA 10 - REDE MLP COM CAMADA INTERMEDIÁRIA 21

FIGURA 11 - FLUXO DE PROCESSAMENTO DO ALGORITMO BACK-PROPAGATION. 25

FIGURA 12 - SUPERFÍCIE DO ERRO DE UMA REDE MLP 27

TABELA 1 - ARQUITETURAS PARA TREINAMENTO 32

TABELA 2 - % DE REGISTROS ACEITÁVEIS EM RELAÇÃO A TAXA DE ERRO 33

1 – Introdução

O que são Redes Neurais Artificiais ?

O final da década de 80 foi marcado pelo ressurgimento da área de Redes Neurais Artificiais (RNAs), também conhecida como conexionismo ou sistemas de processamento paralelo e distribuído. Esta forma de computação não é algorítmica, e sim caracterizada por sistemas que, de alguma forma ou de alguma maneira, relembram a estrutura do cérebro humano. Por não ser baseada em regras ou programas, a computação neural constitui em uma alternativa computação algorítmica convencional.

As RNAs são sistemas paralelos distribuídos compostos por unidades de processamentos simples (nodos) que computam determinadas funções matemáticas (normalmente não lineares). Tais unidades são dispostas em uma ou mais camadas e interligadas por um grande número de conexões, geralmente, unidirecionais. Na maioria dos modelos estas conexões estão associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede. O funcionamento destas redes é inspirado em uma estrutura física concebida pela natureza do cérebro humano.

A solução de problemas através das RNAs é bastante atrativa. Pois o paralelismo constitui-se na característica principal das RNAs, onde esta cria a possibilidade de um desempenho superior em relação a solução de problemas baseados nos modelos convencionais. Em RNAs, o procedimento usual na solução de problemas passa inicialmente por uma fase de aprendizagem, onde um conjunto de exemplos é apresentado para rede, que extrai automaticamente as características necessárias para representar a informação fornecida. Essas características são utilizadas posteriormente para gerar respostas para o problema.

A capacidade de aprender através de exemplos e de generalizar a informação aprendida são, os atrativos principais da solução de problemas através das RNAs. A generalização está associada à capacidade da rede em aprender através de um conjunto reduzido de exemplos, e posteriormente, dar respostas coerentes a dados não apresentados a rede. Isto é uma demonstração que a capacidade das RNAs vai, além de, simplemente mapear relações de entrada e saida. As RNAs são capazes de extrair informações não-apresentadas de forma explícita através de exemplos. Outras características importantes são a capacidade de auto-organização e processamento temporal que, aliadas à aquela citada anteriormente, fazem das RNAs uma ferramenta computacional extremamente poderosa e atrativa para a solução de problemas complexos.

Este relatório trata das principais características das RNAs, com enfoque em algumas topologias e apresenta uma solução de um problema utilizando RNAs.

2 – O Neurônio Biológico

Como as RNAs são baseadas na estrutura do cérebro (neurônio), serão mostradas as principais características de um neurônio biológico, para uma posterior compreensão, a respeito, do funcionamento das RNAs.

O neurônio biológico é uma célula que pode ser dividida em três seções: o corpo da célula, os dendritos e o axônio, cada uma com funções específicas, porém complementares.

O