Lista IA

1) Descreva o funcionamento do Neurônio Artificial para as Redes?

O neurônio artificial possui várias entradas, que correspondem às conexões sinápticas com
outras unidades similares a ele, e uma saída, cujo valor depende diretamente da somatória
ponderada de todas as saídas dos outros neurônios a esse conectado. Esse modelo inclui
um sinal adicional bias (b) que favorece ou limita a possibilidade de ativação do neurônio. O
processo sináptico é representado pelos pesos (ω) que amplificam cada um dos sinais
recebidos. A chamada função de ativação (f) modela a forma como o neurônio responde ao
nível de excitação, delimitando e definindo a sa´ıda da rede neural. A função de ativação
pode ter diferentes representações. Os três tipos básicos de função de ativação são: limiar,
linear e sigmóide. A escolha do tipo varia de acordo com o objetivo de cada projeto

2) Descreva o funcionamento de uma rede perceptron?

O vetor de valores de entrada x passa pela camada inicial, cujos valores de saída são
ligados às entradas da camada seguinte, e assim por diante, até a rede fornecer como
resultado os valores de saída da última camada. Pode-se arranjar a rede em várias
camadas, tornando-a profunda e capaz de aprender relações cada vez mais complexas.

3) Explique as áreas de atuação para as redes neurais artificiais, e explique o

funcionamento da rede de kohonen?
A “rede neural” é motivada pela tentativa de modelos imitarem a capacidade que o cérebro
humano possui de reconhecer, associar e generalizar padrões. As principais áreas de
atuação são para a classificação de padrões e previsão. Entretanto houve importantes
trabalhos sobre modelos de redes neurais em visão, memória, controle e auto-organização
como o de Kohonen que possui a capacidade de organizar dimensionalmente dados
complexos em grupos (clusters), de acordo com suas relações. O método solicita apenas os
parâmetros de entrada, mostrando-se ideal para problemas onde os padrões são
desconhecidos ou indeterminados.
6) Explique as técnicas de Busca em árvore, e descreva como é realizado o cálculo do
número de nós?
Buscas em árvores é gerada pelo estado inicial e pela função sucessor. Começa na raiz e
avança para baixo em níveis cada vez mais profundos. Um operador é aplicado a um nó para
gerar o próximo nó mais profundo na sequência. O processo continua até que uma solução é
encontrada ou um retrocesso é forçado ao atingir-se um nó terminal que não é solução.

7) Descreva as funções de pertinências dos conjuntos Fuzzy?

A função de pertinência associa a cada elemento x pertencente a X um número real A(X) no
intervalo [0,1], que representa o grau de pertinência do elemento x ao conjunto A, isto é, o
quanto é possível para o elemento x pertencer ao conjunto A. Ou seja ela reflete o
conhecimento que se tem em relação a intensidade com que o objeto pertence ao conjunto
fuzzy.
-------------------------- Conceitos ----------------------
Rede Kohonen
os neuronios sao autoorganizaveis, siginifica que ao passar do tempo a rede vai criando
redes de neuronios escpecilados em certas entradas

aplicação
identificação dos padroes da fala

a topologia da rede
camada simples e bidirecional
cada neuronio tem conexões com todos os elementos do vetor de entrada, os pesos sao
decididos aleatoriamente para não formatar o mapa numa detencia inicial de se organizar

o processo competitivo o vencendor leva tudo, para assim reajustar os pesos e ensinar a
rede um novo conceito

como funciona?
calcula-se o novo neuronio vencedor, aquele que mlehor que atende ao estimulo
proporcionado pelo vetor de entrada.

como calcular?
distancia eucladiana

Back-propagation

procura achar iterativamente a mínima diferença entre as saídas desejadas e saídas obtidas
pela rede neural com o mínimo de erro, ajustando os pesos entre as camadas através da
retropropagação do erro encontrado em cada iteração.

Redes de Hopfield
-conexões bidirecionais com pesos simétricos(Wij = Wji)
-todas as unidades são ao mesmo tempo de entrada e saida
- função g(funções de sinal), niveis de derivação se +/- 1

Como funciona?
Depois que a rede for treinada sobre um conjunto de exemplos, um novo estímulo fará com
que ele se estabilize em um padrão de ativação correspondente ao exemplo do conjunto de
treinamento que mais aproximadamente lembrar o novo estimulo.

introdução, redes neurais:

https://www.youtube.com/watch?v=vbf4IzvXvuM
Parte 2
https://www.youtube.com/watch?v=pkAKtL9FvFI&t=198s

Redes de Kohonen
https://www.youtube.com/watch?v=JscwdkDXtuY
------------------------------------

redes neuras:
possuem neuronios( como processadores de informacao) organizados numa
arquitetura, que usam algoritmos para aprender

Kohonen - algoritmo de aprendizado nao supervisionado - nao se faz necessario apresentar

as entradas e saidas ideais
sistema cooperativo

os neuronios sao autoorganizaveis, siginifica que ao passar do tempo a rede vai criando
redes de neuronios escpecilados em certas entradas

aplicação
identificação dos padroes da fala

a topologia da rede
camada simples e bidirecional
cada neuronio tem conexões com todos os elementos do vetor de entrada, os pesos sao
decididos aleatoriamente para não formatar o mapa numa detencia inicial de se organizar

o processo competitivo o vencendor leva tudo, para assim reajustar os pesos e ensinar a
rede um novo conceito

como funciona?
calcula-se o novo neuronio vencedor, aquele que melhor que atende ao estimulo
proporcionado pelo vetor de entrada.
----------------------------
Redes de Hopfield
-conexões bidirecionais com pesos simétricos(Wij = Wji)
-todas as unidades são ao mesmo tempo de entrada e saida
- função g(funções de sinal), niveis de derivação se +/- 1
Como funciona?
Depois que a rede for treinada sobre um conjunto de exemplos, um novo estímulo fará com
que ele se estabilize em um padrão de ativação correspondente ao exemplo do conjunto de
treinamento que mais aproximadamente lembrar o novo estimulo.
-------------------------

Explique as técnicas de Busca em árvore, e descreva como é realizado o cálculo do

número de nós?

Buscas em arvores é gerada pelo estado inicial e pela função sucessor. Começa na raiz e
avança para baixo em níveis cada vez mais profundos. Um operador é aplicado a um nó
para gerar o próximo nó mais profundo na sequência. O processo continua até que uma
solução é encontrada ou um retrocesso é forçado ao atingir-se um nó terminal que não é
solução.

-------------------------------------
FUZZYFICACAO E DESFUZZYFICACAO <3

Fuzzyficação - Etapa na qual os valores numéricos são transformados em graus de

pertinência para um valor linguístico. Cada valor de entrada terá um grau de pertinência em
cada um dos conjuntos fuzzy. O tipo e a quantidade de funções de pertinência usados em
um sistema dependem de alguns fatores tais como: precisão, estabilidade, facilidade de
implementação

Sistemas Fuzzy
Entrada Crisp

Fuzificação das variáveis - Etapa na qual os valores numéricos são transformados em graus
de pertinência para um valor linguístico

Definir funções de pertinência - Cada função de pertinência define um conjunto fuzzy, A, do

conjunto universal, U, através da atribuição de um grau de pertinência.

Atribuir graus de pertinência - Quanto é preciso para um determinado elemento pertencer a

um conjunto/grupo.

Aplicação das regras - Descrição das situações nas quais há reações através de regras de
produção (If - then). Cada regra na saída especifica uma ou várias conclusões.

Classificação - Durante a avaliação das regras, a intensidade da saída é calculada com

base nos valores dos antecedentes e então indicadas pelas saídas difusas da regra.

estimar uma medida com maior precisão - São as técnicas utilizadas na obtenção de um
conjunto fuzzy de saída “x” a partir da inferência nas regras.
Defuzificação das variáveis - Processo utilizado para converter o conjunto difuso de saída
em um valor Crisp

Saida Crisp

---------------------------------
Usualmente as rede artificiais são classificados em três grupos:
Camada de entrada: Onde os padrões são apresentados a rede.
Camada intermediárias ou escondidas: Onde é feita a maior parte do processamento
através das conexões.
Camada de saída: Onde o resultado final é concluído e apresentado.

Processo de aprendizado
A propriedade mais importante das redes neurais é a habilidade de aprender de seu
ambiente e com isso melhorar seu desempenho. Isso é feito através de um processo
iterativo de ajustes aplicado a seus pesos, o treinamento.
O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma
classe de problemas.
 
Aprendizado supervisionado - Quando é utilizado um agente externo que indica a rede a
resposta desejada para o padrão de entrada.
Aprendizado não supervisionado (Auto organização) - Quando não existe um agente
externo indicando a resposta, o proprio sistema tenta encontrar encontrar uma resposta
com base nas regras.
Reforço - Quando um critico externo avalia a resposta fornecida pela rede.

Uma maneira de aumentar a taxa de aprendizado é modificar a regra delta (Que mede a
diferença entre a resposta obtida e a desejada) adicionando uma constante que determina o
efeito das mudanças passadas dos pesos.