Escolar Documentos
Profissional Documentos
Cultura Documentos
Redes Neurais
IA, Redes Neurais, Parte1
Esquema do Neurônio
Transmissão de sinais
Sistemas com inspiração biológica
Esquema do Neurônio
Terminais do axônio
Dentritos
Saída de sinais
Corpo
Entrada de celular
sinais
Axônio
Transmissão de sinais
Sistemas com inspiração biológica
𝑥1 𝑦1 𝑦2 𝒚𝟏 , 𝒚𝟐 , … , 𝒚𝑵
𝒙 𝟏 , 𝒙𝟐 , … , 𝒙𝑵 𝑥2
⋮
⋮ Saída de sinais
Entrada de
sinais 𝑦𝑀
𝑥𝑛
Fluxo de informação
Sistemas com inspiração biológica Modelo perceptron
𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝑵 𝑥1
𝑥2
Entrada de 𝑦 Sinal de saída
sinais
𝑥𝑛
Fluxo de informação
Sistemas com inspiração biológica Modelo perceptron
𝑥2 𝑤2
Entrada de 𝑦 Sinal de saída
sinais
𝑤𝑛
𝑥𝑛
Fluxo de informação
Sistemas com inspiração biológica Modelo perceptron
𝑤2 Sinal de saída
𝑥2
Entrada de 𝑥𝑖 𝑤𝑖 𝑦
sinais
𝑤𝑛 Junção de soma
𝑥𝑛
𝑁
Soma dos sinais de
entrada mediados 𝑆 = 𝑥1 𝑤1 + 𝑥2 𝑤2 + ⋯ + 𝑥𝑁 𝑤𝑁 = 𝑥𝑖 𝑤𝑖
pelos pesos 𝑖=1
Sistemas com inspiração biológica Modelo perceptron
𝑤𝑛
Bias: representa uma “resistência”, ou
𝑥𝑛 “barreira” ao sinal recebido
Função de ativação 𝜑 𝑆 − 𝑏 = 𝜑 𝑥𝑖 𝑤𝑖 − 𝑏
𝑖=1
Sistemas com inspiração biológica Modelo perceptron
• Entradas: 2
Neurônio Artificial: Exemplo • Saída: 1
Função Degrau 𝜃 ∶
• Função de ativação:
𝑠𝑎í𝑑𝑎 1 𝑜𝑢 0
(Dispara ou não dispara sinal)
𝑥1
𝑤1
Sinal de saída
Entrada de 𝑥𝑖 𝑤𝑖 𝑦 = 𝜃(𝑠 − 𝑏)
sinais 𝑤2
𝑏
𝑥2 Bias O neurônio vai disparar o sinal
apenas se S for maior que a
barreira (bias) b
Função de ativação
Também chamada
𝜃 𝑆 − 𝑏 = 𝜃 𝑥1 𝑤1 + 𝑥2 𝑤2 − 𝑏 1 𝑠𝑒 𝑆 − 𝑏 ≥ 0 de função
𝜃 𝑆−𝑏 =ቊ
0 𝑠𝑒 𝑆 − 𝑏 < 0 Heaviside
Sistemas com inspiração biológica Modelo perceptron
Possíveis entradas:
𝑥1
𝑥1 𝑥2 𝑤1 =0.7 Sinal de saída
1 1
𝑥1 𝑥2 Saída y
1 0 𝑥𝑖 𝑤𝑖 𝑦 =1
1 1 1
0 1 𝑤2 =0.3 𝑏=0.9
1 0
0 0 𝑥2 Bias
0 1
0 0
1 𝑠𝑒 𝑆 − 𝑏 ≥ 0 Função de ativação:
lembrando 𝜃 𝑆−𝑏 =ቊ
0 𝑠𝑒 𝑆 − 𝑏 < 0
Sistemas com inspiração biológica Modelo Perceptron
• Entradas: 2
Neurônio Artificial: Exercício 1 • Saída: 1
• Função de ativação: Degrau
Entrada de sinais
binária (0 ou 1)
𝑥1
Possíveis entradas: 𝑤1 =0.7
Sinal de saída
𝑥1 𝑥2
1 1 𝑥𝑖 𝑤𝑖 𝑦 =1 𝑥1 𝑥2 Saída y
1 0 𝑤2 =0.3 1 1 1
𝑏=0.9
0 1 Bias 1 0 0
𝑥2
0 0 0 1 0
0 0 0
𝑥1
𝑤1
Sinal de saída
Entrada de 𝑥𝑖 𝑤𝑖 𝑦 = 𝜃(𝑠 − 𝑏) Função de ativação
sinais 𝑤2
𝑏 1 𝑠𝑒 𝑆 − 𝑏 ≥ 0
𝜃 𝑆−𝑏 =ቊ
𝑥2 Bias 0 𝑠𝑒 𝑆 − 𝑏 < 0
No exemplo anterior vimos como calcular a saída do Perceptron com os pesos escolhidos
Perceptron com regra delta: Modelo Adaline
• Agora, vamos procurar uma forma de utilizar esse modelo para simular
aprendizado
PARTE 2
Sistemas com inspiração biológica Modelo Perceptron
• Entradas: 2 Sinais binários: 0 ou 1
O que temos: Neurônio Artificial • Saída: 1 0 ou 1
1 𝑠𝑒 𝑆 − 𝑏 ≥ 0
• Função de ativação: Degrau 𝜃 𝑆 − 𝑏 = ቊ
0 𝑠𝑒 𝑆 − 𝑏 < 0
Possíveis entradas:
𝒙𝟏
𝑥1 𝑥2 𝑤1 =0.7
1 1
1 0 𝒙𝒊 𝒘𝒊 𝒚 =1
0 1 𝑤2 =0.3 𝑏=0.9
0 0 𝒙𝟐 Bias
𝑥1 𝑥2 Saída y
1 1 1
Sinais de saída: 1 0 0
0 1 0
Pesos e bias: escolhidos de forma aleatória 0 0 0
Sistemas com inspiração biológica Modelo Perceptron
0 0 0 0
d é o gabarito (Professor)
Vamos considerar que para cada (𝑥1 , 𝑥2 ) :
y é a resposta do Perceptron (Aluno)
Sistemas com inspiração biológica Modelo Perceptron
Método Iterativo:
Para cada iteração (passo) i, envie uma entrada (𝑥1 , 𝑥2 ) de cada vez, para o Perceptron, e atualize os pesos e
bias do momento t para t + 1 de acordo com a regra delta:
𝑤1 𝑡 + 1 = 𝑤1 𝑡 + 𝛼 𝑑 − 𝑦 𝑥1
Regra delta: ൞𝑤2 𝑡 + 1 = 𝑤2 𝑡 + 𝛼 𝑑 − 𝑦 𝑥2
𝑏 𝑡 + 1 = 𝑏 𝑡 + 𝛼 𝑑 − 𝑦 (−1)
Sistemas com inspiração biológica Modelo Perceptron
Método Iterativo:
Atualização dos pesos e bias do momento t=1 para t = 2 de acordo com a regra delta:
Método Iterativo:
Atualização dos pesos e bias do momento t=1 para t = 2 de acordo com a regra delta: