Professional Documents
Culture Documents
TECNOLOGIA DO TOCANTINS
CAMPUS ARAGUATINS
PERCEPTRON MULTICAMADAS
INTRODUÇÃO
O que é inteligência? O que é um ser inteligente?
3
INTRODUÇÃO
4
5
O que é Aprendizado?
Adaptação e mudança de comportamento de forma a evoluir (melhorar
segundo algum critério). Um sistema, biológico ou artificial, que não seja
capaz de evoluir ou de mudar seu comportamento diante de novas
situações que lhe são propostas é um sistema sem inteligência;
PERCEPTRON DE MULTICAMADAS
Arquitetura
Sistema de controle;
Reconhecimento de padrões;
Aproximação universal de funções;
Identificação e controle de processos;
Previsão de séries temporais;
Otimização de sistemas;
9
Características
Processamento – Neurônio;
Links de conexão - (Sinais)
Pesos associados - (Memória)
Função de ativação;
Demais características
Feedforward: Sem realimentação;
Feedback: Com alimentação;
10
Princípio de Funcionamento
W2
X2 F
W3 Função de ativação
Xn
Entrada
O Perceptron de camada única
Exemplo!
F
Função de ativação
Entrada
14
Multicamadas!
2. As saídas dos neurônios da primeira camada neural de saída serão as próprias entradas
daqueles neurônios pertencentes à segunda camada neural escondida.
3. As saídas dos neurônios da segunda camada neural escondida serão as respectivas entradas
dos neurônios pertencentes à sua camada neural de saída.
Pesos Pesos
F
Pesos
/F
Entrada Saída Final
1º camada 2º camada
escondida escondida
15
Multicamadas!
+Neurônios
Pesos
+Camadas
+Conexões sinápticas
F Pesos
F
F
Saída
Entrada F
16
F(x) 0 se x ≤ 0
F(x) 1 se x > 0
x + a se -a < x < a F(x) = 1/1+e-ax
0 se x ≤ 0
1 se x ≥ a
17
18
Treinamento MLP
Para que uma rede dessas funcione, é preciso treiná-la. É como ensinar
a uma criança o beabá. O treinamento de uma rede MLP insere-se no
contexto de aprendizado de máquina supervisionado, em que cada amostra
de dados utilizada apresenta um rótulo informando a que classificação ela se
encaixa. Por exemplo, uma imagem de um cachorro contém um rótulo
informando que aquilo é um cachorro.
Assim, a ideia geral é fazer com que a rede aprenda os padrões
referentes a cada tipo de coisa (cada classe), assim, quando uma amostra
desconhecida for fornecida à rede, ela seja capaz de estabelecer a qual
classe tal amostra pertence. Como isso pode ser feito?
19
Passos do Backpropagation
1. Inicialização: Inicialize os pesos da rede aleatoriamente ou segundo
algum método.
2. Processamento direto: Apresente um padrão à rede. Compute as
ativações de todos os neurônios da rede e então calcule o erro.
3. Passo reverso: Calcule os novos pesos para cada neurônio da rede, no
sentido retroativo (isto é, da saída para a entrada), camada a camada.
4. Teste de parada: Teste o critério de parada adotado. Se satisfeito,
termine o algoritmo;
5. senão volte ao passo 2.
O treinamento das redes MLP com backpropagation pode demandar um tempo
de treinamento longo.
20
Tempo de Treinamento?
THANKS!
Questionamentos?