Redes neurais artificiais são estruturas computacionais
projetadas para emular o acúmulo de conhecimento que existe dentro do nosso sistema nervoso central biológico. CONCEITO
A RNA imita certos aspectos o processamento de informações e
a estrutura física do cérebro humano, tipo uma teia de conexões neurais. CONCEITO
Uma RNA consiste em um grande número de elementos de
processamento simples que são interligados entre sim e também em camadas. CONCEITO
Semelhante à sua contraparte biológica, um RNA tem cada
elemento de processamento (o neurônio) recebendo entradas do outro elementos, as entradas são ponderadas e somadas, o resultado é então transformado (por uma função de transferência) na saída. A função de transferência pode ser um degrau, função sigmoide ou tangente hiperbólica, entre outros. CONCEITO CONCEITO
Convencionalmente, um computador opera através de
tecnologias de processamento linear sequencial.
Eles aplicam fórmulas, regras de decisão e algoritmos
instruídos pelos usuários para produzir saídas da entradas. Computadores convencionais são bons em cálculo numérico. CONCEITO
Mas a RNA melhoram suas próprias regras; quanto mais
decisões eles tomarem, melhor as decisões podem se tornar. Existem seis características principais da RNA tecnologia: 1. A estruturas de rede. 2. A habilidade de processamento em paralelo. 3. A memória distribuída. 4. A habilidade de tolerância na falha. 5. A solução coletiva. 6. A capacidade de aprendizagem. ESTRUTURA DE REDE RECORRENTE
Uma RNA pode ter uma estrutura recorrente ou não
recorrente. Uma estrutura de rede recorrente é uma rede de feedback em que a rede calcula suas saídas com base nas entradas e as alimenta de volta para modificar as entradas. Para uma rede recorrente estável, este processo normalmente produz cada vez menos saída muda até que a saída se torne constante. ESTRUTURA DE REDE RECORRENTE
Se este processo não terminaria, a rede está instável e é
conhecida como um sistema caótico. Um sistema em que muitos especialistas de Wall Street acreditam que pode prever os preços das ações. ESTRUTURA DE REDE NÃO RECORRENTE
Os dados fluirão em uma direção, da camada de entrada para
a saída camada sem qualquer loop de feedback: elas também são chamados redes feed-forward. Este tipo de rede representaram a maioria das aplicações de RNA existentes. NEURÔNIO DE UMA REDE CAPACIDADE DE PROCESSAMENTO DE UM NEURÔNIO
Cada neurônio em a RNA é um elemento de processamento
semelhante a uma Unidade lógica booleana em um chip de um computador convencional, exceto que a função de um neurônio é programável. CAPACIDADE DE PROCESSAMENTO DE UM NEURÔNIO
Um único vetor de entrada é usado.
A MEMÓRIA DISTRIBUIDA
A rede não armazena informações em uma memória central.
A informação é armazenada como reproduzível em toda a rede estrutura. O estado dos neurônios representa uma memória de curto prazo, pois pode mudar com a próxima entrada vetor. Gradualmente, a memória de curto prazo se moverá para a memória de longo prazo e modificará a rede como uma função da experiência de entrada. A HABILIDADE DE TOLERRÂNCIA NA FALHA
A habilidade de processamento em paralelo da rede e a
memória distribuída se torna relativamente tolerante às falhas. Em uma rede neural, a falha de uma ou mais neurônio podem degradar a precisão, mas não quebra o sistema. Uma falha do sistema ocorre somente quando todas as partes falhar ao mesmo tempo. Isso fornece uma medida de controle de dano. A SOLUÇÃO COLETIVA
Um computador convencional processa instruções
programadas sequencialmente e um por vez. Se um programa for interrompido no meio de sua execução, pode-se obter uma resposta sensata que reflete exatamente os cálculos que têm feito até agora. A SOLUÇÃO COLETIVA
No entanto, tal solução parcial é sem sentido com um
computador RNA; ele depende das saídas coletivas de todos os neurônios conectados. Se o processo de solução é interrompido antes de ser concluído, a "resposta parcial" provavelmente é um absurdo para o usuário. A CAPACIDADE DE APRENDIZAGEM
Uma RNA, especialmente o feed-forward não recorrente, é
capaz de aplicar regras de aprendizagem para desenvolver modelos de processos, adaptando a rede ao mudando o ambiente e descobrindo conhecimento implícito nas respostas recebidas e/ou estímulos. Existem três métodos de aprendizagem possíveis: supervisionado, não supervisionado e o aprendizado com reforço. A CAPACIDADE DE APRENDIZAGEM
O aprendizado supervisionado é utilizado um agente externo
que indica à rede a resposta desejada para o padrão de entrada. O aprendizado não supervisionado é realizado quando não existe um agente externo indicando a resposta desejada para os padrões de entrada. O aprendizado por reforço é quando um crítico externo avalia a resposta fornecida pela rede. PARA QUE SERVE A REDE NEURAL ARTIFICIAL?
Ao contrário das técnicas convencionais computacionais, eles
são capazes de resolver problemas não lineares e problemas mal definidos baseados em composição paralela. CARACTERISTICAS
As características de redes neurais artificiais como:
• Eficiência. • Robustez. • Adaptabilidade. tornam a RNA uma ferramenta valiosa para classificação, decisão suporte, análise financeira ou pontuação de crédito. EMPREGO DA RN
O emprego de redes neurais:
Finanças. Marketing. Classificações de títulos, derivativos, mercados de ações, bem como previsões macroeconômicas. PANORÁMICA DA APLICAÇÃO DA REDE NEURAL ARTIFICIAL PANORÁMICA DA APLICAÇÃO DA REDE NEURAL ARTIFICIAL EXEMPLO EXEMPLO: FUNÇÃO DE ATIVAÇÃO EXEMPLO: FUNÇÃO DE ATIVAÇÃO VIABILIDADE PARA APLICAÇÕES DE NEGÓCIO
As RNAs podem ser aplicadas a muitos problemas que são
resolvidos convencionalmente por estatística e técnicas de ciência de gestão. Na verdade, as características comuns permitem que as RNAs resolvam esses problemas melhor e mais rápido do que o convencional técnicas, mesmo sem intervenção humana. Além disso, permitem modelar tarefas de decisão complexas com tanta facilidade e simplicidade que pouco conhecimento teórico é exigido para os usuários da RNA. APLICAÇÕES DE NEGÓCIO
As instituições financeiras são melhorar a sua tomada de
decisão, melhorando a interpretação de sistemas de pontuação comportamental e desenvolvendo modelos ANN superiores de Valores mobiliários e negociação casas estão desenvolvendo e risco de cartão de crédito e falência. melhorando suas técnicas de previsão e estratégias de negociação com RNAs. As companhias de seguros estão gerenciando riscos melhor usando RNAs para desenvolver um modelo de topo subscritores e usando isso como um treinamento e ferramenta de avaliação para outros subscritores LIMITAÇÕES DA RNA
A RNA não é um solucionador de problemas de uso geral.
É bom em cálculos numéricos complexos para o propósitos de resolver sistema de linear ou não linear equações, organizando dados em classes equivalentes, e adaptar o modelo de solução às necessidades ambientais mudanças. No entanto, não é bom em coisas tão mundanas tarefas como cálculo de folha de pagamento, balanceamento de cheques e geração de faturas. Portanto, os usuários devem saber quando um problema pode ser resolvido com uma RNA. LIMITAÇÕES DA RNA
Não é uma metodologia estruturada disponível
para escolher, desenvolver, treinar e verificar um RNA. A qualidade da solução de uma RNA é conhecida por ser afetada pelo número de camadas, o número de neurônios em cada camada, a transferência. A função de cada neurônio e o tamanho do treinamento a definir. Alguém poderia pensar que quanto mais dados no conjunto de treinamento, melhor será a precisão da saída. Mas não é assim. LIMITAÇÕES DA RNA
Um conjunto de dados muito pequeno em treinamento
proibirá a rede de desenvolver padrões generalizados das entradas. Um conjunto de dados muito grandes irá quebrar os padrões generalizados e fazer que a rede seja sensível ao ruído de entrada. Em qualquer caso, a seleção desses parâmetros é mais uma arte do que uma Ciência. LIMITAÇÕES DA RNA
Os usuários de RNAs devem realizar experimentos (ou
análises de sensibilidade) para identificar o melhor possível configuração da rede. Isso exige ferramentas de desenvolvimento de RNA fáceis de usar e modificar, que estão aparecendo gradativamente no mercado. ALGUMAS QUESTÕES NORTEADORAS PARA O ESTUDO
1. Pode me explicar o que é uma rede neural artificial?
2. Pode me explicar a capacidade de processamento em paralelo da RNM?
3. Pode me explicar o que significa a “capacidade de aprendizado” na RNM?
4. Pode me explicar o que significa “solução coletiva” na RNM?
5. Pode me explicar as características de uma rede neural artificial?
6. Que significa estrutura de rede recorrente e não recorrente?
7. Quais são as aplicações da rede neural artificial?