Escolar Documentos
Profissional Documentos
Cultura Documentos
DEEP LEARNING
REDES NEURAIS
ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS
Cérebro x Computador:
• 1010 Neurônios
• Estrutura ordenada.
Complexidade “processadores” com até 104
• Processamento serializado.
conexões.
• 10.000.000 de operações
Velocidade de processamento • 100 operações por segundo.
por segundo.
Cérebro x Computador:
Algumas Curiosidades:
Aplicações:
Classificação Clusterização
Inspiração biológica:
Inspiração biológica:
Inspiração biológica:
• vídeo
REDES NEURAIS ARTIFICIAIS
• Este ajuste nas ligações entre os neurônios é uma das características das
redes neurais artificiais.
REDES NEURAIS ARTIFICIAIS
Inspiração:
-𝜃
X1 w1
∑ g(.) y
X2 w2
REDES NEURAIS ARTIFICIAIS
História :
REDES NEURAIS ARTIFICIAIS
2. A rede neural é constituída por linhas direcionadas, com pesos ajustáveis, ligando os neurônios.
Essas linhas (inspiradas nas sinapses) podem ser excitatórias ou inibitórias (positivas ou negativas);
3. Cada neurônio tem um limiar fixo Ɵ, de maneira que ele só dispara se a entrada total chegando a
ele, num dado instante, for maior ou igual a Ɵ;
4. A chegada de uma única sinapse inibitória num dado instante evita o disparo do neurônio,
independentemente do número de sinapses excitatórias que estejam chegando conjuntamente
com a sinapse inibitória.
REDES NEURAIS ARTIFICIAIS
𝜑
REDES NEURAIS ARTIFICIAIS
X1 x2 Y x1 1
0 0 0
y
1 0 0
0 1 0
1 1 1 x2 Threshold y = 2
1
REDES NEURAIS ARTIFICIAIS
A função OR (threshold = 2) :
X1 x2 Y X1 2
0 0 0
1 0 1
y1
0 1 1
1 1 1 X
2
REDES NEURAIS ARTIFICIAIS
Aprendizado:
Aprendizado:
Aprendizado é um processo pelo qual parâmetros livres de uma rede neural são
adaptados por meio de um processo de estimulação vindo do ambiente em que
a rede está incorporada. O tipo de aprendizado é determinado pela maneira
como os parâmetros são alterados.
REDES NEURAIS ARTIFICIAIS
Aprendizado:
O que queremos:
REDES NEURAIS ARTIFICIAIS
Aprendizado:
O que queremos:
REDES NEURAIS ARTIFICIAIS
Aprendizado:
O que queremos:
REDES NEURAIS ARTIFICIAIS
Aprendizado:
O que queremos:
REDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS
Algoritmos de aprendizagem:
Perceptron:
REDES NEURAIS ARTIFICIAIS
Perceptron:
Perceptron pode ser visto como o tipo mais simples de rede neural feedforward:
um classificador linear.
REDES NEURAIS ARTIFICIAIS
Perceptron:
Perceptron:
• A função de ativação;
• A arquitetura da Rede Neural
• O otimizador (gradiente);
• A taxa de aprendizagem;
• E a função de erro (também conhecida como função de perda - loss
function).
TIPOS DE FUNÇÃO
DE ATIVAÇÃO:
O QUE É A DERIVADA DE
UMA FUNÇÃO?
REDES NEURAIS ARTIFICIAIS
Função linear:
• Funções Sigmóide e Tanh, às vezes, são evitadas devido ao problema de Vanishing Gradient
em redes neurais recorrentes (veremos mais adiante);
• A função ReLU é uma função de ativação geral e é usada na maioria dos casos atualmente;
• Tenha sempre em mente que a função ReLU deve ser usada apenas nas camadas ocultas.
Fonte: Deep Learning Book
REDES NEURAIS ARTIFICIAIS
Redes Recorrentes:
TIPOS REDES NEURAIS ARTIFICIAIS
Convolução Convolução
REDES NEURAIS ARTIFICIAIS
• Mas, agora que temos diversos neurônios na rede neural, como fazer para
ajustar todos os seus pesos?
REDES NEURAIS ARTIFICIAIS
https://www.youtube.com/watch?v=GdNmDQRdL2o
REDES NEURAIS ARTIFICIAIS
• Descida do Gradiente
REDES NEURAIS ARTIFICIAIS
• Descida do Gradiente
REDES NEURAIS ARTIFICIAIS
• Descida do Gradiente
REDES NEURAIS ARTIFICIAIS
• Descida do Gradiente
REDES NEURAIS ARTIFICIAIS
• Descida do Gradiente
• Descida do Gradiente
• Descida do Gradiente
• Descida do Gradiente –
MEMORY ONLINE
Diferentes algoritmos: METHOD ACCURACY TIME
USAGE LEARNING
Batch Slow High
O X
o Descida do Gradiente em gradient
Stochastic
“Batch” gradient ∆ High Low O
descent
o Descida do Gradiente Mini-batch
gradient O Medium Medium O
Estocástico descent
o Descida do Gradiente em
“Mini-Batch”
REDES NEURAIS ARTIFICIAIS
https://www.youtube.com/watch?v=qPKKtvkVAjY
REDES NEURAIS ARTIFICIAIS
• Vídeo
REDES NEURAIS ARTIFICIAIS
• Backpropagation:
REDES NEURAIS ARTIFICIAIS
• Backpropagation:
REDES NEURAIS ARTIFICIAIS
• Backpropagation:
REDES NEURAIS ARTIFICIAIS
• Passo Forward
REDES NEURAIS ARTIFICIAIS
• Passo Forward
REDES NEURAIS ARTIFICIAIS
• Passo Forward
REDES NEURAIS ARTIFICIAIS
• Passo Backward:
REDES NEURAIS
ARTIFICIAIS
HANDS ON #1:
TENSORFLOW PLAYGROUND
REDES NEURAIS
ARTIFICIAIS
HANDS ON #2:
REDE NEURAL MLP PARA
CLASSIFICAÇÃO
REDES NEURAIS
ARTIFICIAIS
HANDS ON #3:
REDE NEURAL MLP PARA
REGRESSÃO
OBRIGADO