Franck Bellemain, CIn - UFPE [email protected] Cérebro Artificial Intelligence, a modern approach

Franck Bellemain, CIn - [email protected]

Cérebro

Artificial Intelligence, a modern approach


Computador vs cérebro


Rede neural

• Redes neurais procuram simular o funcionamento do cérebro definindo uma rede de operadores (neurônios).

• Cada operador calcula um nível de ativação em função das ativações que ele recebe.


Neurônio

j

jjii aWga )( ,

Nesse modelo, um neurônio é definido da forma seguinte:


Exemplo de funções de ativação


Estrutura de redes neurais• A caracterização de redes neurais

inspira-se do funcionamento do cérebro. As definições de estruturas de redes não procuram copiar estruturas internas do cérebro.

• Assim, com a definição de neurônio, podemos conceber múltiplas estruturas. Em geral, as redes mais estudadas são “feed-forward” e algumas redes “recurrent”.


Redes “feed-forward”

As redes feed-forward são constituídas de unidades de entrada, de saída e eventualmente unidades escondidas organizadas em camadas (layers).

– As unidades de entrada recebem um sinal,– As unidades de saída dão o resultado da ativação,– As unidades escondidas são as outras unidades que participam da determinação do estado da rede, sem ser de saída ou entrada.


Redes de perceptrons

Um caso particular de rede “feed-forward” que só tem unidades de entrada e saída é chamado perceptron.

Uma rede de tipo perceptron pode ser decomposta em vários perceptrons.


Aprendizagem• No contexto de redes neurais, a aprendizagem

consista na determinação dos valores dos pesos (Wi,j).

• Essa aprendizagem ocorra com o treinamento da rede sobre exemplo com resultados conhecidos.

• O erro (diferencia entre o resultado da rede e o resultado conhecido) modifica os pesos (Wi,j) para ser minimizada.

• O algoritmo (“back propagation”) vai repercutindo as modificação das saídas ate as entradas.


Aprendizagem (perceptron)

• Err=O - T (O=saída da rede, T=saída correta)

• Wj <- Wj + x Ij x Err é o coeficiente de aprendizagem

(learning rate)


Aprendizagem (Feed-forward)

• Wj,i <- Wj,i + x aj x i, i é Erri x g’(ini)

• Wk,j <- Wk,j + x Ik x j, j é g’(inj) x Wj,i x j)


Redes “recurrent”

Uma rede “recurrent” pode ter qualquer topologia. Existem dois tipos mais conhecidos:– Rede Hopfield

• Todas unidades são saídas e entradas,• Bidirecional conexões com pesos simétricos,• A função de ativação é a função signo (±1),• Associativa memória.

– Maquina Boltzmann• Bidirecional conexões com pesos simétricos,• Tem unidades escondidas,• A função de ativação é resultado de uma probabilidade

sobre a soma dos pesos da unidade.


Dificuldade• Determinar a topologia a mais adaptada

para resolver tipos de problemas:– Pesquisar dentro de conjunto de redes,– usar e adaptar outras redes,– começar com uma pequena rede e ampliar,– começar com uma grande rede e diminuir.


Discussão• Expressividade• Tempo de calculo• Generalidade• Sensibilidade para “noise”• Transparência• Conhecimento inicial


Caso do nariz• Cada sensor determina a presencia de

um componente químico. Sistema de sensores que produz uma tabela de componentes identificados: um padrão.

• A rede, depois de uma aprendizagem, reconhece diversas odores.

http://www.emsl.pnl.gov:2080/proj/neuron/papers/keller.mmvr95.abs.htmlhttp://www.emsl.pnl.gov:2080/proj/neuron//neural/papers/

http://www.emsl.pnl.gov:2080/proj/neuron/papers/keller.mmvr95.abs.html


Um exemplo• Exemplo de uma rede “feed-forward”

usada para a detecção de combinação de 8 componentes.


Tele-cheiro• Descrição de um sistema de reconhecimento e

reconstrução a distancia de cheiros.

Documents

Franck Bellemain, CIn - UFPE [email protected] Cérebro Artificial Intelligence, a modern approach