Escolar Documentos
Profissional Documentos
Cultura Documentos
Um grande desejo do homem tem sido a criação de uma máquina que possa operar
independentemente do controle humano.
A inspiração
O cérebro humano é o mais fascinante processador baseado em carbono existente.
O sistema nervoso é formado por um conjunto extremamente complexo de células, os
neurônios.
funcionamento e comportamento
A Sinapse
O sinal nervoso, que vem através do axônio da célula pré-sináptica chega em sua
extremidade e provoca na fenda a liberação de neurotransmissores depositados
em bolsas chamadas de vesículas sinápticas.
1957 – ROSENBLATT concebeu o "perceptron", que era uma rede neural de duas camadas,
usado no reconhecimento de caracteres.
Um Breve Histórico - Cont
1962 - WIDROW desenvolveu um processador para redes neurais
fundou a primeira empresa de circuitos neurais digitais, a Memistor Corporation.
1983 - Hopfield publica artigo que promove parte da retomada das pesquisas na
área.
Estrutura
Na forma de um grafo direcionado
Distribuído paralelamente
Com restrições e definições próprias
Características Gerais das RNA
Sistema de neurônios
(perceptrons)
Ligados por conexões
sinápticas
Arranjados em
camadas
Classificação das
camadas
Camada de Entrada
Camadas
Intermediárias ou
Ocultas
Camadas de Saída
Redes Neurais Artificiais
Rummelhart
Possui no mínimo a camada de entrada
e a de saída;
Neurônios da mesma
camada não se
comunicam;
Comunicação
unidirecional.
Topologia
Hopfield
Comportamento dinâmico
Multidirecionamento de dados
Sem camadas distintas
Mais complexo
Ciclos
Redes diretas
Não possui ciclos
Pode ser em camadas
Redes simétricas
Caso particular das redes
com ciclos
Processos de Aprendizado
Treinamento
O treinamento consiste em ajustar os seus pesos W1, ..., Wm
Algoritmo de Aprendizado:
Ajustes de pesos:
Perceptron
Limitações
Adaline
1958 – Bernard Widrow
Tem os pesos adaptados em função do erro de sua saída linear, antes da
aplicação da função de ativação
Tem o objetivo de minimizar o erro das saídas
E = 1/2 (td - od)2
Madaline – Muliples ADALINE
MLP
1986 – Rumelhart
Algoritmo Backpropagation
Aprendizado supervisionado
Algoritmo Backpropagation
• Fase forward
Entrada é apresentada à primeira camada da rede e
propagado em direção às saídas
Algoritmo Backpropagation
• Fase backward
A camada de saída calcula o erro da rede
Algoritmo Backpropagation
• Fase backward
Corrige os pesos
Etapas para o Desenvolvimento de
Aplicações
Passos necessários:
1. Coleta de dados;
2. Separação em conjuntos;
3. Configuração da rede;
4. Treinamento;
5. Teste;
6. Integração
Desenvolvimento de Aplicações
1 e 2. Coleta de Dados e Separação em Conjuntos:
- Análise cuidadosa(evitar ambiguidades);
- Dados significativos;
- Devem cobrir exceções e condições limite;
- Separação dos dados(treinamento e teste);
- Conjuntos colocados em ordem aleatória;
- Podem ser pré-processados
Desenvolvimento de Aplicações
3. Configuração da Rede:
Análise de Diagnose
mercado Proc. voz
médica
Análise de Interfaces
crédito
Det. fraudes
Proc. sinais
Data mining
Nossa Aplicação
Ataques e intrusões
Ferramentas tradicionais dependem de conhecimento prévio e
não são capazes de detectar novos ataques
Segurança de sistemas interconectados tornou-se requisito
obrigatório
Problema: Criar uma ferramenta que detecte ataques conhecidos e
desconhecidos, afim de evitar intrusões na rede
Nossa Aplicação
Numero de Amostras
Utilizamos 2100 amostras na base de dados. Destas 100 para
treinamento e 2000 para teste
Entrada
São 9 características de entradas utilizadas que são atributos que
caracterizam conexões TCP/IP
Saída
São 5 saídas possíveis que de acordo com o seu valor que é uma
tupla
O índice que possuir o maior valor será o “vencedor”
Atributos (Entrada)
MLP
Saída
Resultados
Conclusão
http://www.icmc.usp.br/~andre/research/neural/
http://www.din.uem.br/ia/neurais/
http://en.wikipedia.org/wiki/Artificial_neural_network
http://ulcar.uml.edu/~iag/CS/Intro-to-ANN.html
Redes Neurais
Disciplina: Inteligência Artificial
Prof: Fernando Buarque Lima Neto