Escolar Documentos
Profissional Documentos
Cultura Documentos
Sumário:
9.1. Introdução .................................................................................................................. 1
9.2. Exercícios resolvidos ................................................................................................. 1
9.3. Bibliografia ................................................................................................................ 6
9.1. Introdução
Nesta aula temos por objectivo a resolução de exercícios sobre Redes Neurais
Artificias, com ênfase no Perceptron.
9.2. Exercícios resolvidos
Ex.1 A aprendizagem de máquinas é o processo pelo qual um agente altera de modo
automático as suas estruturas internas, de modo a realizar melhor tarefas do seu interesse,
nas condições impostas pelo ambiente. Existem três tipos de aprendizagem.
Numere os tipos de aprendizagem de máquinas estudados em salas de aulas, e explique
brevemente um deles.
Tipos de Aprendizagem:
1. Aprendizado supervisionado
2. Aprendizado não supervisionado
3. Aprendizado por reforço
O estudante deverá explicar apenas um deles:
1. Aprendizado supervisionado: São apresentadas ao computador exemplos de
entradas e saídas desejadas, fornecidas por um instrutor. O objectivo é aprender
uma regra geral que mapeia as entradas para as saídas
2. Aprendizado não supervisionado: Nenhum tipo de etiqueta é dado ao algoritmo
de aprendizado, deixando-o sozinho para encontrar estrutura nas entradas
fornecidas
3. Aprendizado por reforço: É fornecido um feedback ao programa, quanto a
premiações e punições, na medida em que é navegado o espaço do problema
Ex.2 Numere os componentes de um neurónio Artificial:
1. Entradas
2. Pesos
3. Somador
4. Função de Activação
5. Saída
Função de activação
0; ∑2𝑖=1 𝑥𝑖 𝑤𝑖 < 𝑏𝑖𝑎𝑠 X1 -0,2
𝑦={
1; ∑2𝑖=1 𝑥𝑖 𝑤𝑖 ≥ 𝑏𝑖𝑎𝑠 Y
X2 -0,2
-0,4
a) Qual operação lógica que realiza o Perceptron?
1.º Há que criar uma tabela com todas as possíveis combinações:
Padrão x1 x2 y
1 0 0 ?
2 0 1 ?
3 1 0 ?
4 1 1 ?
Sabemos que: 𝑊 = {𝑤1 , 𝑤2 } = {−0.2, −0.2} e que 𝑏𝑖𝑎𝑠 = −0.4
Para cada padrão, calcular o valor de y:
c) Para esse neurónio, qual a forma analítica da função que separa as regiões de
classificação?
𝑥1 𝑤1 + 𝑥2 𝑤2 = 𝑤0 sendo que 𝑤0 = 𝑏𝑖𝑎𝑠
Então, isolando uma variável temos que:
𝑤 𝑤 −0,2 −0,4
𝑥1 = − 𝑤2 𝑥2 + 𝑤0 → 𝑥1 = − −0,2 𝑥2 + −0,2 → 𝑥1 = −𝑥2 + 2
1 1
1.º Há que completar a tabela, utilizado o gráfico (observe que nele você tem os valores
de x1, x2 e y)
Padrão x1 x2 y
1 0 0 1
2 0 1 0
3 1 0 0
4 1 1 0
Essa operação pode ser realizada pelo Percpetron porque é um problema linearmente
separável, isso significa que as duas regiões de classificação (𝑦 = 0 e 𝑦 = 1) podem ser
separadas por uma recta (função linear).
c) Qual a configuração de pesos do neurónio, após uma única iteração do algoritmo de
treinamento, se os pesos são todos inicializados com zero?
Primeiro há que fixar o valo do factor de aprendizado: ŋ = 0.5 (Pode ser qualquer outro
valor qualquer)
Lembrar que o algoritmo de treinamento do Perceptron é o seguinte:
1. Inicializar o vector de pesos com {0,0, 0,...}
2. Até o Perceptron produzir o resultado correto com cada exemplo de treinamento:
• Se produzir um 0 quando deve produzir 1: w = w + ŋ x
• Se produzir um 1 quando deve produzir 0: w = w - ŋ x
• Se não se equivocar com o exemplo não fazer nada.
0; ∑𝑛𝑖=0 𝑥𝑖 𝑤𝑖 < 0
E que: 𝑓(𝑢) = { , 𝑓(𝑢) é a saída real da rede neural.
1; ∑𝑛𝑖=0 𝑥𝑖 𝑤𝑖 ≥ 0
A fazer:
Nº 𝑿 𝑾 𝒖 f(u) Correcção de pesos
b) Porquê este neurónio pode realizar essa operação lógica? Fundamente sua resposta
usando como recurso o gráfico das regiões de classificação.
O estudante deve demonstrar e explicar que a operação 𝑥2
𝑥1
0,0) 1,0)
9.3. Bibliografia
Furtado, M. I. (2019). Redes Neurais Artificiais: Uma abordagem para sala de aula.
Belo Horizonte: Atena Editora.
Haykin, S. (2001). Redes Neurais – Princípios e Práticas. Porto Alegre: Editora
Bookman.
Joshi, A. V. (2020). Machine Learning and Artificial Integillence. Springer.
doi:https://doi.org/10.1007/978-3-030-26622-6