Você está na página 1de 8

Questões

1. Defina o que é uma Rede Neural.

2. Descreva os componentes de uma Rede Neural, explicando a funcionalidade de


cada um dos elementos básicos do elemento processador (neurônio artificial) e as
suas possíveis estruturas de interconexão. (possíveis topologias para interconexão
dos neurônios).

3. Explique os princípios da Aprendizagem Supervisionada e da Aprendizagem Não-


supervisionada e dê exemplos de possíveis aplicações.

4. Explique: qual é o papel da função de ativação?

5. Explique: Para que serve o parâmetro taxa de aprendizado no algoritmo de


aprendizado backpropagation?

6. Como pode ser definido um problema linearmente separável e quais são as


principais técnicas de classificação? Dê exemplos desse tipo de problema.

7. Defina o funcionamento de uma rede de multiplas camadas, dando ênfase a


forma de aprendizado, as vantagens e desvantagens desse arranjo.

8. Com relação a um mapa auto-organizável, como ele funciona e para que serve?

9. Se você precisa controlar o acesso restrito à pessoal autorizado em um ambiente,


explique como e se é possível usar uma rede de Hopefield para validação de
acesso.

10. Explique como uma rede de Hopefield pode ajudar no reconhecimento de


padrões para uma empresa de segurança?

11. Fale sobre as causas associadas ao mau funcionamento de uma rede de


Hopefield.
Respostas

1 - A Rede Neural Artificial é um modelo, uma técnica ou algoritmo que em sua


essência tem o objetivo de simular a estrutura do cérebro, ou melhor dizendo, a
forma como o cérebro realiza suas tarefas, através de técnicas computacionais que
permitem potencializar o processamento de informações. Da mesma forma que o
cérebro, a Rede Neural é constítuida de neurônios (porém estes são artificiais),
paralelamente dispostos e interconectados através de sinapses. Outro ponto em que
a Rede Neural se assemelha ao cérebro humano, é no fato de de aprender através
de um processo de aprendizagem que consistem em, a grosso modo, quanto mais
experiências adquiridas, mais eficiente ela se torna, guardando as experiências
relevantes para ajudar a resolver problemas futuros. O processo de aprendizagem,
mais formalmente conhecimento como algoritmo de aprendizagem, é responsável
por ajustar os pesos das sinapses da Rede, esses pesos nada mais são do que o
controle dos sinais que chegam ou saem dos neurônios, sabendo que as sinapses
interligam os neurônios, e que os sinais (informações) não chegam aos neurônios
sem passar pelas sinapses, os pesos servem para filtrar os sinais que chegam e que
saem afim de tornar a rede mais eficiente para o objetivo a que foi projetada.

2 - Como já citado anteriormente, a Rede Neural é composta por neurônios, sendo


esse composto por três elementos básicos, são eles:

 Sinapses: Elo de ligação entre os neurônios, cada sinapse possui um peso


associado a mesma, recebem um sinal de entrada e são conectadas aos
neurônios. O sinal recebido pela sinapse é multiplicado por seu peso
sináptico, peso esse que pode ser ajustado de valores negativos a positivos.
 Somador(ou junção somadora): É responsável por somar os sinais de entrada
citados anteriormente, que já foram ajustados pelos pesos das sinapses.
 Função de ativação: Responsável por limitar ou restringir o sinal de saída de
um neurônio, por exemplo, em um intervalo de 0 – 1.
 Bias: Disposto externamente ao neurônio, serve para modificar a importância
do valor de entrada líquida da função de ativação.
Os neurônios de uma Rede Neural podem estar dispostos de várias maneiras, a
depender do algoritmo de aprendizagem utilizado, algumas possibilidades de
estrutra de uma rede são:

 Rede alimentada com camada única: Nessa forma, os neurônios estão


dispostos em camadas, onde a camada de entrada(de neurônios), envia
sinais para a camada de saída, assim, sendo uma rede acíclica, que vai
passando os sinais adiante, apenas em um sentido. O que caracteriza uma
rede de camada única é o fato de ter quatro nós de entrada e quatro de saída.

 Rede alimentada com múltiplas camadas: Diferentemente do primeiro


exemplo, a rede de múltiplas camadas é caracterizada pela presença de
várias camadas ocultas. O objetivo dos neurônios ocultos é potencializar a
rede, a tornando capaz de extrair informações mais complexas. Cada camada
da rede vai transmitindo o sinal para a próxima camada, até chegar a camada
final, que nada mais é do que a resposta global obtida depois de todas as
interações.

 Redes Recorrentes: O que a distingue das redes alimentadas é ter ao menos


uma realimentação, ou seja, o sinal de saída de um neurônio pode voltar e
realimentar a entrada de outros neurônios da mesma camada, e inclusive
dele mesmo.

3 - Um dos principais pilares(senão o principal) das redes neurais é o algoritmo de


aprendizagem, que como o próprio nome diz, é utilizado para fazer com que a rede
aprenda e melhore cada vez mais. Isso se dá através dos ajustes que são
constantemente aplicados as sinapses, ou melhor dizendo, o ajuste dos pesos
sinápticos, cada rede responde de uma maneira, com um objetivo, tudo isso a
depender do algoritmo de aprendizagem. Tendo isso em vista, existem duas
técnicas de aprendizagem que irei explicar para exemplificar melhor esses
conceitos, lembrando que existem várias, cada uma com suas peculiaridades.

 Aprendizagem Supervisionada: Se pensarmos que a Rede Neural se baseia


num cérebro real, o conhecimento e experiência tem que ser adquiridos de
alguma forma, partindo desse princípio, a aprendizagem supervisionada se
utiliza de exemplos para fazer com que a rede aprenda, podemos imaginar os
exemplos como sendo um professor, juntamos o professor e a rede em um
vetor de treinamento, para cada problema, o professor é capaz de fornecer a
rede uma resposta ótima, a resposta que a rede, em teoria, tem deveria
apresentar, a partir daí, a cada iteração, a resposta ótima e a resposta da
rede são comparadas e ajustes são feitos até que a rede assemelhe todo o
conhecimento do professor e se torne independete.

 Aprendizagem Não-Supervisionada: Nessa técnica não existe um fator


externo para correção do processo de aprendizado da rede, ao invés disso, é
fornecido a rede um conjunto de restrições para a realização de tarefas, os
parâmetros da rede são ajustados em relação a isso. Feito isso, a rede
desenvolve a habilidade de representar resultados para os dados que lhe
foram entregues, criando assim novas classes.

4 - A função de ativação controla ou limita o sinal de saída de um neurônio em uma


escala, geralmente de 0 a 1 ou -1 a 1, que serve para poder classificar todos os
sinais com o mesmo tipo de ordem. Isso é importante pois faz com que a rede
também tenha a capacidade de aprender mais que relações lineares, ou seja, para
que ela consiga seguir por vários caminhos de aprendizagem.

5 - O Backpropagation é um algoritmo de aprendizagem em camadas múltiplas,


onde, vários resumos são carregados a rede, a mesma vai produzindo suas
respostas camada por camada até chegar a final, nesse passo, o resultado global
obtido é comparado com o resultado esperado, caso o resultado mostrado pela rede
esteja errado, os pesos das sinapses são reajustados, da saída para a entrada, em
todas as camadas. A taxa de aprendizado ai varia de 0 – 1, isso é importante para
medir a evolução da rede, o correto seria que cada sinapse utilizasse a maior taxa
de aprendizado possível, em sincronia com as outras, para que o algoritmo aprenda
cada vez mais rápido e apresente respostas cada vez mais satisfatórias.

6 - As Redes Neurais podem ser utilizadas para classificar diversos tipos de padrões
de entrada, isso é importante para que, antes de tudo, ela saiba com o que está
lidando e assim decida com eficiência qual caminho vai tomar para resolver o
problema. Um tipo de padrão ou problema a ser classificado é o linearmente
separável, sua classificação é relativamente simples, a partir de um conjunto de
dados em um hiperplano, podemos separar os padrões apenas por uma reta, com
taxa de erro míninma.

As principais técnicas de classificação de problemas lineares são:

 Rede Hebb
 Perceptron
 Adaline
 Madaline

Exemplos de aplicação: Reconhecimento de placas de automóveis, ao atingir uma


área vazia de pixels, o algoritmo entende que chegou ao fim do caractere e começar
a procurar o próximo até encontrar todos. Processamento de voz, para dividir
palavras de uma frase. Na robótica, ao mapear um local e encontrar uma estrutura
específica.

7 - A rede de múltiplas camadas é caracterizada pela presença de várias camadas


ocultas. O objetivo dos neurônios ocultos é potencializar a rede, a tornando capaz de
extrair informações mais complexas. Cada camada da rede vai transmitindo o sinal
para a próxima camada, até chegar a camada final, que nada mais é do que a
resposta global obtida depois de todas as iterações. Inicialmente, é preciso inicializar
os pesos da rede, geralmente eles são distribuídos de maneira aleatoria, depois de
aplicar a entrada, e a mesma ser passar camada a camada até chegar ao final, um
sinal de erro é calculado e logo após, propagado na rede, fazendo o caminho
inverso, ou seja, da saída para o começo, ajustando o peso das sinapses, em
seguida, o processo recomeça, aplicando uma nova entrada a rede, isso será
repetido até que o resultado seja satisfatório.

Esse tipo de rede possui resultados muita vezes difíceis de serem compreendidos,
onde não se sabe exatamente como a rede o atingiu, já que não se tem
justificativas, ela também apresenta execução lenta e exigi muito
computacionalmente falando, além disso, definir uma rede assim é um tanto quanto
nebuloso, já que não se tem um padrão específico. Por outro lado, podem ser
aplicadas em problemas mais complexos, que exigem resultados mais refinados e
soluções mais aproximadas.

8 - Os Mapas auto-organizáveis nada mais são do que mapas que geram como
saída, mapas bidimensionais, funcionam para agrupas um conjunto de dados em
padrões multidimensionais. Tem como base o aprendizado competitivo, nessa rede,
os neurônios competem entre si para serem ativados, um neurônio por vez, em cada
iteração, o que der o resultado mais atrativo, vence a competição e é ativado.

9 - Não é possível usar uma rede Hopfield. Esse tipo de rede se utiliza de padrões
pré dispostos para chegar a um resultado que ela considera aproximado ao
resultado da entrada, por exemplo, se a minha rede guarda fotografias de pessoas
aleatorias, eu posso dar como entrada uma foto qualquer, e ela sempre irá convergir
para o padrão que julgar mais parecido, ou seja, se eu aplicasse isso a um sistema
de validação de acesso, a rede permitiria a entrada de qualquer pessoa, já que ela
sempre irá convergir para um resultado, mesmo que seja muito diferente da entrada.

10 - Como citado anteriormente, a rede Hopfield sempre dará um resultado que


esteja em sua memória e que ela julgar mais parecido com a entrada. Tendo como
cenário o reconhecimento de padrões, essa técnica é de grande valia, pois quanto
maior a rede, quanto mais memórias ela guardar, maior a chance de apresentar o
resultado procurado, ou, no pior dos casos, ela irá mostrar um resultado parecido,
que será avaliado ser útil ou não de acordo com o propósito da busca.
11 - A rede Hopfield, embora seja mais simples de treinar, não possui uma
capacidade de armazenamento tão alta, são precisos muitos neurônios para
conseguir um resultado ótimo, caso hajam poucos, a rede pode chegar a um
resultado muito discrepante em relação ao esperado, ou ainda, convergir para
resultado nenhum, ficando em loop.
Bibliografia

CARVALHO, André Ponce de Leon F. de. Redes Neurais Artificiais. Disponível


em: <http://conteudo.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em: 21
mar. 2018.
CASTRO, Leandro N. de; VON ZUBEN, Fernando J.. Redes Neurais
Artificiais. Disponível em:
<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia353_05/topico2_05.pdf.>. Acesso
em: 21 mar. 2018.
FACURE, Matheus. Funções de Ativação: Entendendo a importância da ativação
correta nas redes neurais. Disponível em:
<https://matheusfacure.github.io/2017/07/12/activ-func/>. Acesso em: 21 mar. 2018.
HAYKIN, Simon. Redes Neurais: Princípios e prática. 2. ed. Porto Alegre: Bookman,
2003. 898 p.
Introdução as Redes Neurais Artificiais. Disponível em:
www.gsigma.ufsc.br/~popov/aulas/rna/uteis/RNA_material_apoio.pdf>. Acesso em
21 mar. 2018.
Mapas Organizados de Kohonen. Disponível em:
<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/theses/lnunes_mest/cap8.pdf.>.
Acesso em 21 mar. 2018.
NISHIDA, Waleska. Uma Rede Neural Artificial para classificação de Imagens
Multiespectrais de sensoriamento remoto. 1998. 101 f. Dissertação (Mestrado) -
Curso de Engenharia de Produção, Universidade Federal de Santa Catarina, 1998.
Disponível em:
<https://repositorio.ufsc.br/xmlui/bitstream/handle/123456789/77542/138042.pdf?seq
uence=1&isAllowed=y.>. Acesso em: 21 mar. 2018.
SILVA, Juliana Mendes N.. Redes Neurais Artificiais:: Rede Hopfield e Redes
Estocásticas. 2003. 40 - Curso de Ciência da Computação, Universidade Federal
Fluminense, Niterói, 2003. Disponível em:
<http://www.ic.uff.br/~jsilva/monografia_RNA.pdf>. Acesso em: 21 mar. 2018.
VELLASCO, Marley Maria Bernardes Rebuzzi. Redes Neurais Artificiais. Rio de
Janeiro: Laboratório Inteligência Computacional Aplicada, 2007.