Discentes:

Henriques Machaieie, 202101902;

Keila Benigno Muhate, 202101170;
Lisia Yolanda Simbine, 202100929;
Maira Ernesto Cumba, 202101954.

Docente:
José Novela

Maputo, 9 de Outubro 2023.

RESUMO

Redes Neurais constituem um campo da ciência da computação ligado à inteligência artificial, buscando
implementar modelos matemáticos que se assemelhem às estruturas neurais biológicas. Nesse sentido,
apresentam capacidade de adaptar os seus parâmetros como resultado da interação com o meio externo,
melhorando gradativamente o seu desempenho na solução de um determinado problema.

A utilização das Redes Neurais em sistemas computacionais de recuperação de informação permite

atribuir um carácter dinâmico nos sistemas, dado que as representações dos documentos podem ser
reavaliadas e alteradas de acordo com a especificação de relevância atribuída pelos usuários aos
documentos recuperados.

Agentes De Aprendizagem na Inteligência Artificial referem-se a sistemas ou algoritmos capazes de

adquirir conhecimentos e melhorar seu desempenho em tarefas específicas com o passar do tempo. Alan
Turing, um dos pioneiros na teoria da computação, destacou a importância da adaptação, afirmando:
“Penso que a inteligência é a capacidade de se adaptar à mudança.” Esta citação sublinha como os agentes
de aprendizagem na inteligência artificial são fundamentais para a evolução e avanço nesta área,
permitindo a criação de sistemas cada vez mais sofisticados e capazes de lidar com uma ampla gama de
tarefas complexas.

OBJECTIVOS

 GERAIS:

Agentes de Aprendizagem.

 ESPECIFICOS:

Abordagem profunda das Redes Neurais.

INTRODUҪÃO

A partir do momento em que as máquinas começaram a evoluir, um grande desejo do homem tem sido a
criação de uma máquina que possa operar independentemente do controle humano. Uma máquina cuja
independência seja desenvolvida de acordo com seu próprio aprendizado e que tenha a capacidade de
interagir com ambientes incertos, que possa ser chamada de autônoma, inteligente ou cognitiva.
Organismos humanos são uma grande motivação para o desenvolvimento destas máquinas, e
proporcionam diversas opções para o desenvolvimento de algoritmo de aprendizado e adaptação.

Redes Neurais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura
neural de organismos inteligentes e que adquirem conhecimento através da experiência. O processamento
é distribuído por um grande número de pequenas unidades densamente interligadas. Este paradigma
procura entender e emular as propriedades decorrentes do alto grau de paralelismo e conectividade dos
sistemas biológicos.

Uma rede neural é composta por um elevado número de elementos processadores, os neurônios,
amplamente interligados através de conexões com um determinado valor que estabelece o grau de
conectividade entre estes, denominado peso da conexão ou sinapse.

A capacidade de resolver um determinado problema encontra-se na sua arquitectura, ou seja, no número e

modo pelo qual os elementos processadores estão interconectados, nos pesos destas conexões e no
número de camadas.

Redes Neurais são consideradas uma técnica emergente na análise multivariada e é utilizada em conjunto
com Data Mining para, dentre outras aplicações, reconhecer padrões de perfis. O Data Mining é uma
metodologia de identificação de padrões e tendências e dados que usa técnicas estáticas para examiná-los,
detectando tendências e associações escondidas. Dentre estas várias técnicas está a metodologia de Redes
Neurais que, utilizando a Inteligência Artificial, auxilia no conhecimento de base de dados. Um melhor
entendimento do que é Data Mining pode ser obtido através da visualização do esquema abaixo:
Fig 1: Visão Geral das Etapas que compõem o Data Mining.

O estudo de Redes Neurais é um dos ramos da Inteligência Artificial que mais tem se desenvolvido,
atraindo o interesse de várias áreas do conhecimento. Aplica-se em diversas áreas do conhecimento como
finanças, logística, medicina e saúde, marketing, manufacturamento e controle industrial, energia, dentre
outras.

Dada a característica multidisciplinar de Redes Neurais, o papel do estatístico é essencial juntamente com
profissionais de outras áreas, especialmente da computação.

Justifica-se a participação do Estatístico pelos seus conhecimentos avançados em técnicas estatísticas e

sua sólida formação matemática e probabilística, e por ser capaz de auxiliar no desenvolvimento
computacional da rede no que diz respeito, principalmente, aos modelos matemáticos de uma rede neural.
BREVE HISTORIAL DAS REDES NEURAIS

As primeiras informações sobre neurocomputação aparecem em McCULLOCH & PITTS(1943) que

sugeriram a construção de uma máquina baseada ou inspirada no cérebro humano, definindo os primeiros
conceitos para o estudo de redes neurais artificiais e apresentando, assim, o modelo inicial de neurônio
artificial denominado Psycon Segundo KOVACS(1996) a essência da proposta de McCULLOCH &
PITTS(1943) foi a seguinte: “A inteligência é equivalente a cálculo preposicional que por sua vez pode
ser implementado por funções booleanas. Por outro lado, o sistema nervoso é composto de redes de
neurónios, que com as devidas simplificações, tem a capacidade básica de implementar estas funções
booleanas.”

Em 1949 Donald Hebb escreveu um livro intitulado “A Organização do Comportamento”. Suas ideias não
eram completamente novas, mas Hebb foi o primeiro a propor uma lei de aprendizagem específica para as
sinapses dos neurónios.

Em 1951 foi construído o primeiro neuro computador, denominado Snark, por Mavin Minsky. O Snark
operava com sucesso, ajustando pesos automaticamente, entretanto, nunca executou qualquer função de
processamento de informação interessante, mas serviu de inspiração para as ideias de estruturas que
sucederam.

Em 1956 no “DarthMouth College” nasceram os dois paradigmas da Inteligência Artificial: Simbólica e

Conexionista. A Inteligência Artificial Simbólica tenta simular o comportamento inteligente humano
desconsiderando os mecanismos responsáveis por tal, ou seja, não possui uma inspiração biológica. A
Inteligência Artificial Conexionistas acredita que construindo um sistema que simule a estrutura do
cérebro, este sistema apresentará inteligência, será capaz de aprender, assimilar, errar e aprender com seus
erros.

Fig 2: Redes Conexionistas.

ROSENBLATT (1962) idealizou o modelo básico de Perceptron que despertou o interesse de muitos pela
sua capacidade de reconhecer padrões simples.

Fig 4: Ilustração do modelo Perceptron de Rosenblatt.

Após Rosenblatt, Bernard Widrow com ajuda de alguns estudantes, desenvolveram um novo tipo de
elemento de processamento de redes neurais chamado de Adaline, equipado com uma poderosa lei de
aprendizado, que diferente de Perceptron utiliza a regra Delta de aprendizado, ou como também é
chamado, algoritmo de aprendizado LMS (Least Mean Square). Widrow também fundou a primeira
companhia de hardware de neurocomputadores e componentes. Estes modelos foram muito criticados por
MINSKY & PAPERT (1969) que apontavam a impossibilidade de uma rede de um único nível como o
Perceptron e o Adaline ser capaz de solucionar problemas que não sejam linearmente separáveis.

Fig 5: Modelo Adaline de Widrow e Hoff.

Os anos seguintes foram marcados por entusiasmo exagerado de muitos pesquisadores, que prometiam
máquinas tão poderosas quanto ao cérebro humano e que surgiriam em um curto espaço de tempo. Isto
tirou a credibilidade dos estudos desta área e causou grandes aborrecimentos aos técnicos de outras áreas.
Somente com RUMELHART, ET al (1986), que propuseram um algoritmo que permitia ajustar os pesos
em uma rede com mais de um nível, o problema veio a se resolver.
O algoritmo Retropropagação era capaz de propagar o erro através dos níveis numa fração proporcional à
influência de cada neurónio na resposta incorrecta. Este estudo resultou no modelo de Redes Neurais
Artificiais, mais utilizado actualmente, o das redes Perceptron Multi-Camadas (MLP), treinadas com o
algoritmo de Retropropagação.
Em 1987 ocorreu em São Francisco a primeira conferência de redes neurais em tempos modernos, a IEEE
International Conference on Neural Networks, e também foi formada a International Neural Networks
Society(INNS). A partir destes acontecimentos seguiu-se a criação do INNS jornal em 1989 e do Neural
Computation e do IEEE Transactions on Neural Networks em 1990.

APLICACOES DAS REDES NEURAIS

As Redes Neurais têm sido utilizadas em uma grande quantidade de aplicações onde os métodos
estatísticos são tradicionalmente empregados. Elas têm sido utilizadas em problemas de classificação
como identificação de contactos de sonáres aquáticos (GORMAN & SEJNOWSKI, 1998), e problemas de
predição de problemas cardíacos em pacientes .

Redes Neurais também são usadas em diversas áreas como diagnóstico de hipertensão (POLI et al,
1991), reconhecimento de fala. Em aplicações de séries temporais as redes neurais tem sido utilizadas no
melhoramento da performance de estoque de supermercados. Rede Neural é actualmente a ferramenta
preferida na predição de estruturas secundárias proteicas (QIAN & SEJNOWSKI, 1988).

Na Análise De Crédito, as redes neurais identificam os riscos de que uma dada empresa pode enfrentar.
Numa primeira fase adquire conhecimento sobre o problema, depois faz o uso da rede já treinada
contendo o conhecimento sobre o problema. A rede treinada é capaz de fornecer o risco de inadimplência
de uma empresa qualquera partir de suas características financeiras. Começa-se então a usar a rede como
base de conhecimento, como instrumento de apoio à decisão.

Segundo (Almeida 1993), as redes neurais foram capazes de classificar correctamente aproximadamente
70% das empresas de um grupo de empresas adimplentes e inadimplentes, a partir de uma amostra de
controle(uma amostra diferente usada para o processo de aprendizagem).
Outro aspecto interessante da rede neural, é que uma vez construída, ela não depende mais da base de
dados que lhe deu origem. O conhecimento adquirido reside nas conexões entre os neurónios e não na
base de dados. É na verdade um conhecimento implícito e conciso que é reconstituído pelo sistema cada
vez que é solicitado.

A área financeira oferece inúmeras oportunidades para o uso de redes neurais. Por exemplo gestão de
portfólios. Uma instituição financeira leva em conta inúmeros tipos de papeis financeiros, accoes, opções,
etc. Um sistema baseado em redes neurais poderia ser usado para levar em conta as características destes
papeis, considerando os riscos, valores conjunturais, decisões do governo, flutuações do mercado, etc.

No Marketing, as redes neurais podem ser usadas para fazes simulações sobre o comportamento do
consumidor face a novos produtos. Uma rede poderia ser treinada a partir da característica de produtos já
lancados no mercado onde se pode medir o grau de sucesso e volume de vendas obtido. Uma vez criada a
rede, esta poderia ser usada para simular o resultado com novos produtos a partir de suas características.

Outra aplicação em marketing poderia ser simplesmente a simulação de vendas para um próximo período
em função do resultado obtido no anterior, das características esperadas para o mercado no futuro, etc.

Uma outra aplicação poderia ser o uso de uma rede neural para sugerir produtos mais adaptados ao perfil
de cada cliente. A rede neural seria treinada a associar perfis de clientes a produtos da empresa, poder-se-
ia assim esperar um maior grau de satisfação do cliente, por outro lado apresentar produtos mais
direccionados ao cliente em questão.

Na Medicina, algumas das aplicações mais frequentes de redes neurais são: Diagnostico de Cancer de
Prostata. A corporação Kaman de Ciencias(Colorado Springs, CO) criou uma rede a qual pode predizer o
cancer de próstata. Este sistema foi apresentado na “CNN” e no “Jornal Wall Street” como um grande
avanço tecnológico. Redes foram treinadas para predizer resultados baseados em teste de PSA(“Prostate
Specific Antigen”) e para predizer a recorrência de cancer depois do tratamento.

Um grupo da Escola de Medicina da Universidade Johns Hopkins desenvolveu uma rede neural para
prever quais pacientes ma Unidade de tratamento Intensivo(UTI) cirúrgico do Hospital iriam permanecer
sete ou mais dias. As entradas das redes incluíam idade, o uso de droga ou das terapias, e sinais
fisiológicos tais como taxa cardíaca e pressão sanguínea, e resultados de laboratórios tais como contagens
de células brancas. Um estudo da Hopkins concluiu que as “três redes neurais foram substancialmente
melhores modelos preditivos do que o modelo de regressão multipla”.
Redes neurais são aplicadas na pesquisa de novos medicamentos e na predicao de interacoes entre
compostos químicos. São usadas também para interpretar sinais biológicos como EEDs, EGGs e outros
dados fisiológicos.

Redes neurais são usadas para prever o desenvolvimento de doenças com base de dados clínicos e
genéticos.

Redes neurais tem sido empregadas para identificar padroes em exames de imagem, como tomografias e
ressonâncias magnéticas.

Esses são os exemplos de algumas das demais aplicaoes das redes neurais.

REDES NEURAIS ARTIFICIAIS

As redes neurais artificiais consistem em um método de solucionar problemas de inteligência artificial,

construindo um sistema que tenha circutos que simulem o cérebro humano, inclusive seu comportamento,
ou seja, aprendendo, errando e fazendo descobertas.
As redes neurais são técnicas computacionais que apresentam um modelo inspirado na estrutura neural de
organismos inteligentes e que adquirem conhecimento através da experiencia. Uma grande rede neural
artificial pode ter centenas ou milhares de unidades de processamento, enquanto que o cérebro de um
mamífero pode ter muitos bilhões de neurónios.
Redes neurais foram criadas partindo de fundamentos biológicos para simular processos neurais em
ambientes computacionais, de forma que estes pudessem adquirir propriedades tidas como especiais.
A tecnologia das redes neurais assemelha-se ao processo de resolução de problemas do cérebro humano.
Tal como humanos aplicam o conhecimento adquirido de experiencias passadas para novos problemas ou
situações, uma rede neural artificial utiliza exemplos resolvidos previamente para construir um sistema de
nós que toma novas decisões, faz classificações e prognósticos.
A aplicabilidade das redes neurais artificiais é extensa. Elas tem sido utilizadas na identificação de
padroes e tendências nos dados, e são particularmente convenientes para previsão, incluindo previsão de
vendas, pesquisas de consumidores, validação de dados, analise de riscos, controle de processos
industriais, dentre outras.
As redes neurais artificiais são constituídas por camadas de nós, que conectados, formam a rede. Estes
nódulos são unidades de processamento unitárias que agem em paralelo. São análoga aos neurónios do
cérebro humano, aceitam uma determinada informação de entrada e produzem uma saída(HAIR et al,
1998).
Fig 6: Representacao gráfica de um nó com suas entradas e saídas.

O nó aceita uma quantidade de informação de entrada x1, x2, x3, …, pondera, respectivamente de acordo
com os pesos, w1, w2, w3. A função somatório, ∑ ❑, que permite combinar todas as entradas em um
único valor que representa o nível de activacao global das entradas, assim o potencial interno do nó é
dado pela ponderação das entradas, com os pesos das respectivas conexões . A função de activacao, f ( a ),
transforma as entradas recebidas em uma informação de saída e a envia para outra unidade(nó) que a
utiliza como informação de entrada.

A operação de uma unidade de processamento proposta por McCULLOCH & PITTS(1943), pode ser
resumida da seguinte maneira: sinais são apresentados à entrada; cada sinal é multiplicado por um peso
que indica a sua influencia na saída da unidade; é feita a soma ponderada dos sinais que produz um nível
de actividade; e se este nível de actividade exceder um certo limite (thershold) a unidade produz uma
determinada resposta de saída. O thershlod é um nível determinado de entradas ponderadas dos nós
anteriores têm que exceder para que o nó seja activado.
As redes neurais artificiais são constituídas por uma camada de entrada, outra de saída, e camadas
intermediarias, conhecidas coo camadas de nós ocultos. A figura 7 mostra a reprsentacao simplificada de
uma rede neural com duas camadas e nós ocultos.
Os nós de entrada são responsáveis pela obtenção da informação inicial que será transmitida pela rede.
Um nodulo de entrada representa uma única variável ou padrao. Quando as variáveis são quantitativas
requerem somente um nó para cada uma delas, entretanto as variáveis quantitativas devem ser codificadas
adequadamente, de tal forma que cada categoria seja representada por uma variável binaria. Assim, uma
variável codificada em duas categorias seria representada por dois nós de entrada; uma categoria teria
valores(1,0), enquanto a outra (0,1).
Fig 7: Representacao gráfica de uma rede com duas camadas intermediarias.

Os nódulos de saída recebem entradas e produzem uma saída, mas não passam essa informação adiante
para outro nodulo. Esta saída é resultado final da rede. Se a rede é direccionada por um modelo preditivo,
então esta saída é um valor preditivo. Se a rede é direccionada por um modelo de classificação, a saída é
o valor final usado no processo de classificação.
A camada intermediaria é utilizada pela rede na representação de relacionamentos mais complexos do
que simplesmente relações um a um entre entrada e saída. Os nós ocultos, com suas funções de activacao,
são responsáveis pela representação de relacionamentos não linears.
A utilização das redes neurais artificiais em sistemas de recuperação de informação permite atribuir a tais
sistemas um caráter dinâmico. Esta dinamicidade pode ser implementada mediante a participação ativa
dos usuários em um processo contínuo de representação dos documentos do corpus ou mediante a
aprendizagem de certas condições específicas no contexto de uma única busca, como é o caso do
metabuscador Anvish.
ARQUITECTURA DE UMA REDE NEURAL

1) Rede Feedforward de 1 camada

Neste tipo de rede os neurônios são organizados em forma de camadas, como pode ser visto na figura 8.
Os nós da camada de entrada se comunicam diretamente com a camada de saída (nós computacionais). A
arquitetura do tipo feedforward em camadas apresenta uma organização similar à do córtex humano, onde
os neurônios se dispõem em camadas paralelas e consecutivas, e os axônios se estendem sempre no
mesmo sentido, isto é, a informação propaga-se da entrada para a saída, não existindo portanto ligações
entre os neurônios de uma mesma camada ou com camadas anteriores. É chamada de rede de 1 camada
em referência à camada de saída, pois os nós da entrada não processam nada, só apresentam os padrões à
rede.

Fig 8: Rede Feedforward de uma camada.

2) Rede Feedforward Multi-Camadas

A segunda classe de redes feedforward distingue-se da anterior por apresentar uma ou mais camadas
escondidas. A função dos neurônios escondidos é intervir entre a camada de entrada e a de saída da rede
de alguma maneira útil. Pela adição de uma ou mais camadas, a rede passa a melhor mapear problemas
mais complexos. Por ser uma rede do tipo feedforward, as conexões se dão sempre no sentido da camada
de entrada para a de saída. Quando a rede possuir todos os nós de uma camada comunicando-se com
todos os nós da camada posterior, ela é dita totalmente conectada. Caso alguma das conexões sinápticas
não esteja ligada com a camada Redes Neurais Artificiais: a rede é dita parcialmente conectada. A figura 9
representa uma rede feedforward multicamada totalmente conectada.
Fig 9: Rede feedforward Multicamadas totalmente conectada.

3) Rede Recorrente ou Realimentada

Este tipo de rede distingue-se das redes neurais do tipo feedforward por permitir a realimentação de uma
camada com as informações geradas pela camada posterior, ou ainda por fazer uma realimentação do
neurônio com a sua própria saída (selffeedback). Para permitir essa realimentação, um dispositivo de
atraso é introduzido, guardando as informações de saída de um instante anterior, até que ela possa ser
fornecida como entrada do instante atual. A figura 10 apresenta uma rede recorrente com self-feedback e
sem neurônios na camada intermediária. As redes do tipo feedforward podem ser consideradas um caso
particular das redes realimentadas. Estas últimas são mais poderosas, porém são bem mais complexas,
tanto para utilização quanto para a análise dos resultados apresentados.

Fig 10: Redes recorrentes.

CONCLUSÃO

Este trabalho, descreveu os principais tópicos referentes as redes neurais, desde seu inicio até propostas
de implementação em diversas areas de aplicação. No referencial histórico das redes neurais detalhou-se
desde o surgimento, propostas iniciais de redes neurais, conflitos e progressos nesse tema.
Uma das principais vantagens das redes neurais é a sua capacidade de aprender padroes complexos a
partir de grandes volumes de dados, tornando-as especialmente úteis em problemas onde a programação
convencional seria impraticável.
A ética também é uma preocupação crescente no campo das redes neurais, especialmente quando se trata
de questoes como preconceito e discriminação algorítmica. Se os dados de treinamento contem
preconceitos, as redes neurais podem perpetuar esses preconceitos em suas decisões.
Em conclusão, as redes neurais são poderosas ferramentas que continuam a transformar a forma como
enfrentamos problemas complexos. No entanto, é cruscial abordar quetoes éticas, melhorar a
interpretabilidade dos modelos e trabalhar para tornar essa tecnologia mais acessível e justa para todos.
Com esforços contínuos nesses aspectos, as redes neurais têm o potencial de impactar positivamente
varias areas da sociedade.
REFERÊNCIAS BIBLIOGRÁFICAS

MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent in nervous activity.
Bulletin of Mathematical Biophysics, n. 5, p.115-133, 1943.

ROSENBLATT, F. The perceptron: a probabilistic model for information storage and retrieval in the
brain. Psychological Review, v. 65, p. 386-408, 1958.

KOVACS, Z.L. (1996). Redes Neurais Artificiais: Fundamentos e Aplicacoes. Edicao Academica. São
Paulo, S.P, 163p.

HEEB, P. (1944) Organization of Behavior. New York. John Willey & Sons.

MINSKY, M.L. & PAPERT, S.A. (1969). Perceptrons. Cambrige. MA: MIT Press.

SMITH, M. (1993). Neural Networks for Statistical Modeling. New York: Van Nostrand Reinhold.

WIDROW, B. & HOFF, M.E. (1960). Adaptative switching circuits. IRE WESCON Convention Record,
p.96-104.