Você está na página 1de 2

TRABALHO SOBRE REDES NEURAIS IA

O que Rede Neural

A tecnologia de redes neurais mimetiza o processo de resoluo de problemas do crebro humano. Tal como humanos aplicam o conhecimento adquirido de experincias passadas para novos problemas ou situaes, uma rede neural utiliza exemplos resolvidos previamente para construir um sistema de "neurnios" que toma novas decises, faz classificaes, e prognsticos. Redes Neurais buscam por padres em treinamento realizado em conjuntos de dados, aprendem estes padres, e desenvolvem a habilidade de classificar corretamente ou fazer prognsticos e predies. A rede neural supera-se em diagnstico de problemas, tomada de decises, predio, e outros problemas de classificao onde o reconhecimento de padres importante e respostas computacionais precisas no so requeridas. Nenhum tipo de rede garantido de sempre dar uma resposta absolutamente "correta", especialmente se os padres so de alguma forma incompleta ou conflitante. Os resultados devem ser avaliados em termos da percentagem de respostas corretas que resultaram do modelo. A esse respeito, a tecnologia similar ao funcionamento do neurnio biolgico depois deste ter sido "projetado", e difere significantemente de todos outros programas convencionais de computador. Redes Neurais podem no trabalhar bem em algumas aplicaes. Alguns problemas so bem apropriados para a capacidade de reconhecimento de padres de uma rede neural e outros so melhores resolvidos com mtodos tradicionais. H dois tipos bsicos de rede neurais: supervisionadas e no supervisionadas. Redes supervisionadas constroem modelos, os quais classificam padres ou executam predies de acordo com outros padres de "entradas" e "sadas" que eles aprenderam. Eles do a resposta mais razovel baseada em uma variedade de padres de aprendizado. Em uma rede supervisionada, voc mostra rede como fazer predies, classificaes, ou decises, fornecendo a ela um grande nmero de classificaes corretas ou predies das quais ela pode aprender. Redes de Retro propagao, GRNN ("General Regression Neural Networks"), PNN ("Probabilistic Neural Networks"), e GMDH ("Group Method Data Handling") so exemplos de redes supervisionadas. Redes no supervisionadas podem classificar um conjunto de padres de treinamento em um nmero especificado de categorias sem ser mostrado antes como categorizar. A rede faz isto agrupando os padres. Ela agrupa-os por sua proximidade em um espao dimensional N onde o N o nmero de "entradas". O usurio diz rede o nmero mximo de categorias e ela geralmente agrupa os dados em um certo nmero de categorias. Entretanto, ocasionalmente a rede pode no ser capaz de separar os padres naquelas muitas categorias opcionais. Redes Kohonen so exemplos de redes no supervisionadas.

Redes neurais artificiais Supervisionadas o Redes Feedfoward Linear Perceptron Adaline MLP: Multi-layer perceptron Backpropagation Algoritmos mais avanados o Cascade Correlation o Quickprop e RPROP o Gradiente conjugado o Levenberg-Marquardt Redes RBF PNN: Probabilistic Neural Network GRNN: General Regression Neural Network Redes RBF normalizadas (Redes RBF + GRNN) o Redes Recorrentes MLP + backpropagation through time Redes de Elman Redes de segunda-ordem Redes Neurais x Modelos Estatisticos (Previso de Series Temporais) Redes NARX x Modelos AR Redes NARMAX x Modelos ARMA

Redes neurais artificiais No-Supervisionadas o Mapas de Kohonen o Redes ART (incluindo a verso supervisionada - ARTMAP)

Links:

o o

http://www.guahyba.vet.br/avicultura/neurais.htm