ATIVIDADE CONTEXTUALIZADA

MACHINE LEARNING

Questão 1) Redes Neurais Artificiais são modelos matemáticos com

estruturas semelhantes a neurônios biológicos que possuem capacidade
computacional de generalização e aprendizado. A estrutura de
processamento é uma rede de unidades que imita o funcionamento da rede
de neurônios. Esse sistema é composto de diversas unidades simples que
trabalham paralelamente e distributivamente. Seu processo de aprendizagem
é por reforço, a cada nova interação seu aprendizado é reforçado e melhora
gradualmente.
Questão 2) O algoritmo de retropropagação do erro é o algoritmo de
treinamento do Perceptron. Cada camada da rede tem uma função
específica. A camada de saída recebe os estímulos da camada intermediária
e constrói a resposta. O algoritmo de retropropagação de erro, é um
algoritmo utilizado no treinamento de redes neurais multicamadas, e consiste
em dois passos de computação: o processamento direto e o processamento
reverso. No processamento direto, uma entrada é aplicada à rede neural e
seu efeito é propagado pela rede, camada a camada. Durante o
processamento direto, os pesos da rede permanecem fixos. No
processamento reverso, um sinal de erro calculado na saída da rede é
propagado no sentido reverso, camada a camada, e ao final deste processo
os pesos são ajustados de acordo com uma regra de correção de erro.
Questão 3) Durante o treinamento com o algoritmo backpropagation, a rede
opera em uma sequência de dois passos. Primeiro, um padrão é apresentado
à camada de entrada da rede. A atividade resultante flui através da rede,
camada por camada, até que a resposta seja produzida pela camada de
saída. No segundo passo, a saída obtida é comparada à saída desejada para
esse padrão particular. Se esta não estiver correta, o erro é calculado. O erro
é propagado a partir da camada de saída até a camada de entrada, e os
pesos das conexões das unidades das camadas internas vão sendo
modificados conforme o erro é retropropagado. As redes que utilizam
backpropagation trabalham com uma variação da regra delta, apropriada
para redes multi-camadas: a regra delta generalizada. A regra delta padrão
essencialmente implementa um gradiente descendente no quadrado da soma
do erro para funções de ativação lineares. Redes sem camadas
intermediárias, podem resolver problemas onde a superfície de erro tem a
forma de um parabolóide com apenas um mínimo.
Questão 4) O Aprendizado de Máquina surgiu pela necessidade das pessoas
de obter conhecimento acerca de um assunto específico. O único objetivo
desse aprendizado é prever os resultados com base nos dados recebidos. Os
tipos de Aprendizado de Máquina estão subdivididos em aprendizado
supervisionado e não supervisionado. A aprendizagem não supervisionada
entende que o conjunto de exemplos não está rotulado, então o sistema tenta
classificar os conjuntos agrupando por semelhanças em determinadas
classes. O aprendizado não supervisionado não é muito utilizado, já que, na
prática, não é possível inferir rótulos e, para a maioria das aplicações
existentes, é necessário que seja permitido classificar a amostra. Ou seja, os
sistemas devem desenvolver suas próprias conclusões. Geralmente, é útil
para a análise exploratória dos dados, mas não como algoritmo principal. Por
outro lado, é muito útil quando é necessário agrupar ou encontrar
associações dentro de um grande volume de dados. A aprendizagem
supervisionada é realizada por meio do treinamento de dados categorizados
(rótulos), ou seja, classificados. Esse tipo de algoritmo necessita de um
conjunto de dados rotulados para fazer previsão de rótulos/classes em novos
dados.
Questão 5) O Perceptron é um classificar do tipo linear, pois o resultado da
sua função de ativação é tal que a superfície de decisão forma um
hiperplano, ou seja, para um dos lados está uma classe, para o outro, a
outra. Enquanto o Perceptron ajusta os pesos somente quando um padrão é
classificado incorretamente, o Adaline utiliza a regra Delta para minimizar o
erro médio após cada padrão ser apresentado, ajustando os pesos
proporcionalmente ao erro.
Questão 6) As redes de Kohonen apresentam um treinamento não
supervisionado e competitivo, visto que os algoritmos de adaptação se
baseiam em uma espécie de competição global entre os neurônios. Dessa
forma, os neurônios de saída iniciam uma competição entre si para
disputarem qual será mais ativado pelos padrões de entrada. Além disso,
essa rede apresenta um funcionamento que consiste basicamente em
apresentar um padrão de entrada x, para que, em sequência, a rede procure
uma unidade mais parecida com x. Durante esse processo, a rede aumenta a
semelhança do neurônio escolhido e de seus vizinhos a um padrão
determinado. Dessa forma, a rede em questão estabelece um mapa
topológico no qual os neurônios que estão topologicamente próximos
respondem de forma semelhante a padrões de entrada semelhantes. Este
procedimento é efetuado proporcionalmente ao grau de similaridade, de
modo que os envolvidos fiquem ainda mais próximos. O neurônio vencedor é
aquele que apresenta o maior nível de ativação. Portanto, para que o
treinamento possibilite a atualização ou aprendizado, é necessário que se
utilize não somente o neurônio vencedor, mas todos os neurônios que se
apresentam ao redor da vizinhança do mesmo. Como resultado, obtém-se
um mapa discreto, no qual os dados de entrada formam agrupamentos. Os
neurônios da camada de saída disputam entre si e os pesos são gerados
baseados na distância apresentada não somente pelo ganhador, como
também pelos neurônios ao seu redor, fator que implica na função do Chapéu
Mexicano.
Questão 7) Portanto, para que o treinamento possibilite a atualização ou
aprendizado, é necessário que se utilize não somente o neurônio vencedor,
mas todos os neurônios que se apresentam ao redor da vizinhança do
mesmo. Como resultado, obtém-se um mapa discreto, no qual os dados de
entrada formam agrupamentos. O esquema clássico da rede de Kohonen faz
com que os neurônios da camada de saída disputem entre si e os pesos
sejam gerados baseados na distância apresentada não somente pelo
ganhador, como também pelos neurônios ao seu redor, fator que implica na
função do Chapéu Mexicano. O modelo de Kohonen promove um
aprendizado competitivo juntamente com uma auto-organização da rede
neural, criando os mapas de atributos auto-organizáveis.
Questão 8) Os elementos fundamentais de uma rede neural são: a função
das unidades de processamento e cada unidade é caracterizada por três
elementos básicos (um conjunto de conexões de entrada, um estado de
ativação e um valor de saída); a topologia da rede e a estratégia ou algoritmo
de aprendizagem.
Questão 9) ART ou Teoria da Ressonância Adaptativa, desenvolvida
inicialmente por Stephen Grossberg, em 1976. As redes neurais artificiais são
redes que não precisam da exposição prévia de qualquer número de
elementos do conjunto de dados para o seu treinamento. A principal
característica dessa família de arquiteturas é a sua capacidade para formar
agrupamentos (clusters), que permite identificar padrões desconhecidos.
Existem três modelos: ART1: é capaz de aprender a categorizar padrões de
entrada binários apresentados em ordem arbitrária; ART2: pode aprender a
categorizar padrões de entrada analógicos ou binários; ART3 (ARTMAP):
pode realizar uma busca paralela, ou teste de hipóteses, em códigos com
reconhecimento distribuído. O processo de aprendizado da rede envolve três
fases: reconhecimento, comparação e busca.
Questão 10) A principal arquitetura de rede auto-organizada é a Rede de
Kohonen. Para descrever os passos envolvidos com o processo de
aprendizado competitivo utilizado na rede de Kohonen, considera- se uma
estrutura neural constituída de apenas uma camada neural. A maioria das
redes utilizadas em problemas com essa configuração se auto-organizam por
meio de métodos de treinamento competitivos. Esses métodos têm a
capacidade de detectar similaridades, regularidades e correlações entre os
padrões do conjunto de entrada, agrupando-os em classes (clusters). Cada
uma dessas classes possui então características particulares que estão
relacionadas com situações e condições que regem o funcionamento do
processo. A identificação destes clusters é importante para entendimento
das relações entre os seus elementos constituintes e permite ainda
identificar as funções de um componente ou amostra com base nos atributos
dos outros elementos que fazem parte do grupo (cluster). As conexões
laterais assumem aqui o papel de que um neurônio pode influenciar na
resposta de saída produzida por outro neurônio. O princípio básico para o
processo de aprendizado competitivo é a concorrência entre os neurônios,
para o melhor ficará o ajuste de seus pesos, proporcionalmente aos valores
do padrão de entrada buscando aperfeiçoamento para o próximo padrão a
ser apresentado. Nesta circunstância, se todas as conexões laterais deste
neurônio vencedor forem nulas (ausência de conexões laterais), então
somente os seus pesos serão ajustados. No caso de haver valores para as
conexões laterais com os seus vizinhos, então um ajuste proporcional a tais
quantidades será também efetuado no vetor de pesos desses neurônios
adjacentes. Para o aprendizado competitivo, existe a necessidade de se
estabelecer uma regra que defina quem vai ser o neurônio vencedor, uma
muito utilizada consiste em determinar o nível de proximidade existente entre
o vetor de pesos de cada neurônio, frente ao vetor de entrada contendo os
elementos da k-ésima amostra {x(k) }, a qual será apresentada nas entradas
da rede. Uma métrica de proximidade normalmente usada é a distância
euclidiana.