A Inteligência Artificial

UNIVERSIDADE FEDERAL DO TOCANTINS

CURSO: CIÊNCIA DA COMPUTAÇÃO

DISCIPLINA: INTELIGÊNCIA ARTIFICIAL

ALUNO: OSMIR CUSTÓDIO MARIANO

LISTA DE EXERCÍCIOS

1. Defina o que são uma rede neural artificial.

São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.

1. Fale sobre os três elementos básicos de uma rede neural: os neurônios artificiais, a topologia da rede e a estratégia ou algoritmo de aprendizagem.

Neurônios artificiais: Os neurônios artificiais são modelos simplificados e simulado do neurônio real e suas características básicas são a adaptação e a representação de conhecimentos baseada em conexões. As operações de um neurônios artificial se resume em: Sinais que são apresentados à entrada x1,... xn; Cada sinal é multiplicado por um peso que indica sua influência na saída da unidade Wk; A soma ponderada dos sinais que produz um nível de atividade Uk; A função de ativação f(Uk) tem a função de limitar a saída e introduzir não-linearidade ao modelo; O bias Bk tem o papel de aumentar ou diminuir a influência do valor das entradas. Todas estas descrições são o processo utilizado para a aquisição do neurônio artificial.

Topologia da rede: A topologia da rede se refere às diferentes composições estruturais possíveis com diferentes quantidades de neurônios nas camadas de entrada, intermediária e de saída da rede.

Algoritmo de aprendizagem: A propriedade mais importante das RNAs é a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. O aprendizado ocorre quando uma rede neural atinge uma solução generalizada ara uma classe de problemas. Desse modo, podemos explanar que algoritmo de aprendizagem é um conjunto de regras bem definidas para a solução de um problema de aprendizado.

1. Explique o funcionamento dos três tipos básicos de aprendizagem: supervisionado, não supervisionado e por reforço.

O aprendizado supervisionado corresponde quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada. O Aprendizado não supervisionado é quando não existe um agente externo indicando a resposta desejada para os padrões de entrada, sendo o oposto com o supervisionado, como o próprio nome defini e o último é o a aprendizado por reforço é quando um crítico externo avalia a resposta fornecida pela rede.

1. O Perceptron é um classificador linear. Justifique.

Sim, porque ele traça um plano entre os pontos de entrada onde a saída é zero ou um.

1. Faça uma pesquisa sobre o algoritmo Backpropagation e explique, de forma clara e simples, seu funcionamento.

A RNA conta com inúmeros algoritmos para reconhecimento de padrões, entre esses padrões temos Kohonen, Perceptron, Adaline, Backpropagation e muitos outros, mas vamos discutir somente o Backprogation. A principal vantagem em se usar o Backpropagation é que o mesmo trabalha com multicamadas e resolve problemas “não-linearmente separáveis” e alguns algoritmos não resolvem.  

Como acontece seu funcionamento. Bem, em qualquer RNA temos os seguintes itens: Neurônios e Pesos. Os neurônios armazenam os valores que serão calculados para definição dos pesos, onde estes pesos são a chave para funcionamento de toda RNA, é pelo peso que a RNA consegue identificar que aquele objeto é redondo e não quadrado. O Backpropagation é multicamada, pois tem no mínimo 3 camadas. Pegando um exemplo ao qual temos 4 neurônios de entrada (x1, x2, x3 e x4), onde cada um destes se liga a todos os neurônios intermediários (camada oculta) e cada neurônio da camada oculta se liga a todos os neurônios da camada de saída.