Sem resumo de edição Etiqueta: visualeditor |
Sem resumo de edição Etiqueta: visualeditor |
||
| Linha 29: | Linha 29: | ||
* Caso esse nível exceda um limite imposto, a unidade emite uma determinada saída. | * Caso esse nível exceda um limite imposto, a unidade emite uma determinada saída. | ||
== Do aprendizado a inteligencia == | |||
Uma das características mais importantes de uma rede neural é a capacidade de aprendizado desta e melhorar seu desempenho com o que foi aprendido. Isso ocorre quando a rede neural encontra uma solução generalizada para uma classe de problemas. Para este aprendizado existem diversos algoritmos para este fim a diferenciação destes algoritmos são de acordo com a modificação dos pesos mencionados anteriormente. | |||
Quando falamos de aprendizado de maquina nos deparamos com os seguintes paradigmas: | |||
* '''Supervisionado:''' neste caso um agente externo indica a resposta desejada para o padrão de entrada, ou melhor dizendo como se a rede tivesse um professor que a auxiliasse a respeito dos objetos que ela está analisando. | |||
* '''Não-Supervisionado''': neste caso não há a presença de um agente externo a rede se auto-organiza sendo capaz de identificar padrões nos objetos a serem computados. | |||
==== | == Topologias == | ||
A topologia de uma rede neural é classificada de acordo com a disposição de seus neurônios. | |||
'''Topologia de Rummelhart''', de acordo com o psicologo David Everett Rummelhart uma rede neural deve possuir, pelo menos, duas camadas, a de entrada e saída. Neste tipo de ligação todos os neurônios de uma camada tem ligação com todos de outra camada, porém neurônios de mesma camada não tem comunicação entre si. Sendo assim esse tipo de topologia é unidirecional e apresentam caráter estático. | |||
'''Topologia de Hopfield''', professor de biologia e química, Hopfield desenvolveu, em 1982, um novo paradigma para redes neurais. Esta topologia apresenta interligação total dos neuronios portanto está seria multidirecional. Com essa toda essa integração desaparece assim a idéia da camadas bem distintas se tornando então mais complexa. Por iss seu uso é direcionado a problemas de minimização e otimização. | |||
Vale ressaltar que estes não são os únicos tipos de topologias existente, outros pesquisadores também criaram outros modelos quanto a disposição dos neurônios, como por exemplo CYBENKO defende o uso de duas camadas intermediárias em uma rede neural. | |||
== Aplicações == | == Aplicações == | ||
Devido a sua capacidade de adaptação, as redes neurais podem ser aplicadas para resolver uma gama enorme de problemas. Um exemplo disso são aplicações que utilizam reconhecimento de software, onde estas precisam reconhecer a voz de determinada pessoa. Podem ser usadas em robôs que desarmam bombas por exemplo, ou reconhecimento de imagem, textos e softwares que identificam e-mails suspeitos. De modo geral as redes neurais são utilizadas em aplicações mais complexas, como usinas, mercado financeiro etc. | |||
== Concluindo... == | |||
Quando se implementa uma rede neural sua performance não sera livre de erros, isso já vem sendo estudado por muito tempo para se ter uma máquina tão poderosa quanto o cérebro humano há muito trabalho a ser feito. Porém as rede neurais podem ser utilizadas em inúmeras aplicações e é algo realmente fascinante e este fascínio aumenta à medida que se tem mais conhecimento sobre este assunto. | |||
== Referências Bibliográficas == | == Referências Bibliográficas == | ||
Edição das 01h16min de 8 de setembro de 2016
"Hasta la vista, baby." - Exterminador do Futuro
E se ao invés de programar uma maquina para imitar comportamentos inteligentes como por exemplo jogar xadrez, fosse construído um meio para que o computador aprenda e demonstre sinais de inteligencia por conta própria. Parece conversa de filmes de Hollywood, mas isso já é possível graças as redes neurais, um modelo computacional que visa o aprendizado de máquina. Inspirada no sistema nervoso central de um animal, as redes neurais são representadas como uma serie de neurônios interligados que computam valores de entradas e fornecem uma saída através do diversos métodos desenvolvidos para o aprendizado de máquina.
Um pouco de biologia
Para se entender realmente como funciona uma rede neural, primeiramente devemos entender alguns conceitos biológicos, visto que esta se baseia no sistema nervoso central dos animais que tem como agente principal o neurônio.
Neurônios
O neurônio é o agente responsável pela condução de impulsos elétricos do sistema nervoso, este pode ser divido em três partes principais corpo celular, dentritos e axônio. O corpo celular também conhecido como pericário armazena o núcleo do neurônio e daqui partem todo o prolongamento da célula, os dendritos são numerosos prolongamentos responsáveis pelas recepções sensoriais e de outros neurônios e o axônio é o prolongamento responsável por levar os impulsos nervosos as outras células.
Sinapses
Os neurônios, diferente de outras células, não são interligados diretamente, eles possuem um espaço entre sí, são eles os espaços sinápticos preenchido que são preenchidos por um fluido. Assim que o impulso nervoso percorre todo o neurônio e chega ao fim do axônio, este ultrapassa a célula para o meio e neurotransmissores desse fluido sináptico encaminham os íons liberados no axônio para outro neuronio.
Da biologia para a computação
Assim como na biologia as redes neurais também possuem seus neurônios artificiais. Chamadas de redes neurais artificiais(RNA) consistem na solução de problemas de inteligencia artificial através de métodos de aprendizado seguindo o modelo de funcionamento do cérebro. Estes sistemas são capazes de errar, acertar e até fazer descobertas, lembrando que isso não é programado, o circuito é capaz de chegar nas próprias conclusões sozinhos, portanto não há implicação de inteligencia, mas sim a construção da própria inteligencia.
Como funciona uma RNA
Uma rede neural artificial consiste em um grande número de elementos de processamento, estes se conectam por links diretos associados a pesos, que são informações que estão sendo usadas para resolver o problema desejado.
Uma rede neural recebe os dados a ser computados através da camada de entrada, logo após esses dados serão processados pela camada intermediária ou camada hidden que é composta de unidades de processamento(neurônios) ligadas entre sim com seus devidos peso, este indica seu nível de influencia na saída.
De certa forma as atividades de um neuronio em uma rede neural se resuma em:
- Sinais de entrada, vale lembrar que cada neuronio é capaz de realizar um único processamento, cada entrada recebe apenas um tipo de sinal e informação, sendo assim uma rede neural pode conter varias entradas consequentemente pode ser possível a inserção de diferentes dados para processamento.
- Após a inserção de cada sinal estes serão multiplicados por um peso que indica seu nível de influencia na saída de dados.
- Então é feita a soma de sinais produzindo um nível de atividade.
- Caso esse nível exceda um limite imposto, a unidade emite uma determinada saída.
Do aprendizado a inteligencia
Uma das características mais importantes de uma rede neural é a capacidade de aprendizado desta e melhorar seu desempenho com o que foi aprendido. Isso ocorre quando a rede neural encontra uma solução generalizada para uma classe de problemas. Para este aprendizado existem diversos algoritmos para este fim a diferenciação destes algoritmos são de acordo com a modificação dos pesos mencionados anteriormente.
Quando falamos de aprendizado de maquina nos deparamos com os seguintes paradigmas:
- Supervisionado: neste caso um agente externo indica a resposta desejada para o padrão de entrada, ou melhor dizendo como se a rede tivesse um professor que a auxiliasse a respeito dos objetos que ela está analisando.
- Não-Supervisionado: neste caso não há a presença de um agente externo a rede se auto-organiza sendo capaz de identificar padrões nos objetos a serem computados.
Topologias
A topologia de uma rede neural é classificada de acordo com a disposição de seus neurônios.
Topologia de Rummelhart, de acordo com o psicologo David Everett Rummelhart uma rede neural deve possuir, pelo menos, duas camadas, a de entrada e saída. Neste tipo de ligação todos os neurônios de uma camada tem ligação com todos de outra camada, porém neurônios de mesma camada não tem comunicação entre si. Sendo assim esse tipo de topologia é unidirecional e apresentam caráter estático.
Topologia de Hopfield, professor de biologia e química, Hopfield desenvolveu, em 1982, um novo paradigma para redes neurais. Esta topologia apresenta interligação total dos neuronios portanto está seria multidirecional. Com essa toda essa integração desaparece assim a idéia da camadas bem distintas se tornando então mais complexa. Por iss seu uso é direcionado a problemas de minimização e otimização.
Vale ressaltar que estes não são os únicos tipos de topologias existente, outros pesquisadores também criaram outros modelos quanto a disposição dos neurônios, como por exemplo CYBENKO defende o uso de duas camadas intermediárias em uma rede neural.
Aplicações
Devido a sua capacidade de adaptação, as redes neurais podem ser aplicadas para resolver uma gama enorme de problemas. Um exemplo disso são aplicações que utilizam reconhecimento de software, onde estas precisam reconhecer a voz de determinada pessoa. Podem ser usadas em robôs que desarmam bombas por exemplo, ou reconhecimento de imagem, textos e softwares que identificam e-mails suspeitos. De modo geral as redes neurais são utilizadas em aplicações mais complexas, como usinas, mercado financeiro etc.
Concluindo...
Quando se implementa uma rede neural sua performance não sera livre de erros, isso já vem sendo estudado por muito tempo para se ter uma máquina tão poderosa quanto o cérebro humano há muito trabalho a ser feito. Porém as rede neurais podem ser utilizadas em inúmeras aplicações e é algo realmente fascinante e este fascínio aumenta à medida que se tem mais conhecimento sobre este assunto.
Referências Bibliográficas
------------------------------------------------------------------------------
Redes Neurais Artificiais. Disponível em: <http://conteudo.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em 9 de setembro de 2016.
Redes Neurais Artificiais. Disponível em: <http://www.dsc.ufcg.edu.br/~pet/jornal/setembro2011/materias/informatica.html>. Acesso em 8 de setembro de 2016.
Comunicação entre células nervosas. Disponível em: <http://www.cerebromente.org.br/n12/fundamentos/neurotransmissores/neurotransmitters2_p.html>. Acesso em 8 de setembro de 2016.
Neurônios. Disponível em: <http://www.infoescola.com/sistema-nervoso/neuronios/>. Acesso em 8 de setembro de 2016.
BARRETO, Jorge M.. Indrodução às Redes Neurais Artificiais. 2002. 57 f. TCC (Graduação) - Curso de Computação, Universidade Federal de Santa Catarina, Florianópolis, 2002.
KOVÁCS, Zsolt László. Redes Neurais Artificiais: Fundamentos e Aplicações. 4. ed. São Paulo: Livraria da Física, 2006. 55 p.