Universidade Federal do Rio Grande do Norte

Centro de Tecnologia CT - Departamento de Engenharia Biomdica - DEB

Lista de Exerccio I Redes Neurais

Aluno(a): ____________________________________________________________Data: ____.____.____

1. Descreva as vantagens e desvantagens do aprendizado supervisionado e do aprendizado no-supervisionado.
2. Qual a diferena entre aprendizado supervisionado e aprendizado por reforo?
3. Qual a diferena entre aprendizado no-supervisionado e aprendizado competitivo?
4. O que significa aprendizagem em Redes Neurais Artificiais?
5. O que significa capacidade de generalizao em treinamento supervisionado?
6. O que significa mnimos locais em treinamento supervisionado?
7. Explique o funcionamento do neurnio artificial.
8. Faa uma analogia entre os elementos constituintes do neurnio artificial e do neurnio biolgico.
9. Cite alguns problemas que podem ser resolvidos por Redes Neurais.
10. Classifique a lista de itens abaixo como verdadeiro (V) o falso (F) e justifique sua resposta:
a) Ns usamos apenas 10% do potencial do nosso crebro.
b) O nmero de neurnios que temos ao nascermos o mesmo de neurnios ao morrermos.
c) Os neurnios no se reproduzem.
d) Os homens tm mais neurnios que as mulheres.
e) As mulheres possuem uma viso perifrica mais ampla que os homens.
11. O que overfitting?
12. O que um Perceptron?
13. Quais so as camadas de um Perceptron? Explique o funcionamento de cada uma delas.
14. Quais os problemas encontrado com o Perceptron? Quais as suas vantagens.
15. Considere os seguintes padres de classificao de perfil baseado em trs perguntas:
Bebe muito
no
sim
no

Entrevista
responsvel
sim
no
sim

saudvel
sim
sim
no

jovem
sim
sim
no

esportista
sim
sim
no

Perfil
estudioso
no
no
sim

religioso
sim
no
sim

Pede-se:
a)
b)
c)
d)

Qual a arquitetura de uma RN Perceptron para realizar estas classificaes (nmero de entrada, sada)?
Qual a matriz de pesos da RN? Considerando que a funo de transferncia step0, a taxa de aprendizado 1, no h
entrada de tendncia e os pesos iniciais da matriz so zero.
Como a rede, depois do aprendizado, classificaria algum que as vezes bebe muito, responsvel mas no saudvel?
Obs: pode ser implementado na mo ou no matlab.

16. Implementar uma funo Matlab, usando um nico neurnio Perceptron, que seja capaz de operar como qualquer faz funes lgicas
abaixo.
Entradas
X1
X2
0
0
0
1
1
0
1
1

and
0
0
0
1

or
0
1
1
1

Sadas

nand
1
1
1
1
0
1
1
0

nor
1
0
0
0

O usurio do programa deve poder escolher a funo desejada. Em seguida o programa deve executar uma fase de treinamento,
mostrando o grfico do aprendizado (limite o treinamento a um nmero mximo de 300 pocas). Ao terminar o treinamento o programa
deve informar o ndice de acerto alcanado no treinamento e permitir que o usurio teste a rede informando valores de x1 e x2.

17. Considerando a seguinte relao de exemplos de resultados na tomada de deciso feita por um especialista de anlise de crdito.
Idade
18
19
25
40
21
22

a)

b)
c)

Sexo
masculino
masculino
feminino
masculino
masculino
feminino

Casa
no
sim
no
sim
no
sim

Carro
sim
sim
no
no
no
sim

Casado/a
no
sim
sim
sim
no
sim

Nro. Filhos
0
1
2
4
9
2

Renda
1200
700
800
800
1100
500

Resultado
no
sim
sim
no
sim
indefinido

Qual a arquitetura de uma RN Perceptron para realizar estas classificaes (nmero de entrada, sada)?
a. Considere as seguintes faixas de idade: 0 a 18, 19 a 29, 30 a 39 e mais de 40 anos; e as seguintes faixas de
renda: 0 a 599, 600 a 1000 e mais de 1000.
Qual a matriz de peso da RN? Considerando que a funo de transferncia step0, a taxa de aprendizado 1, h entrada de
tendncia e os pesos iniciais da matriz so zero.
Obs: pode ser implementado na mo ou no matlab.