Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Redes Neurais e suas aplicações

No description
by

Sylvio Barbon

on 26 September 2012

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Redes Neurais e suas aplicações

Dr. Sylvio Barbon Junior Redes Neurais e suas aplicações Sobre 1) Inteligência Artificial;
2) Redes Neurais Artificiais;
2.1) Histórico;
2.2) Conceitos;
2.3) Características;
3) RNAs e Previsão de Negócios; Sumário Formação:
Bacharelado em Ciência da Computação;
Engenharia de Computação;
Mestrado em Física Computacional;
Doutorado em Física Computacional;
Pós-doutorado em Bio Engenharia (em andamento);
Atuação Acadêmica:
Faculdade de Tecnologia de São José do Rio Preto.
Universidade do Estado de Minas Gerais O que é Inteligência Artificial? Inteligência Artificial Evolução Científica:
1) Abordagem Conexionista;
2) Abordagem Genética;
3) Agentes Inteligentes;
4) Lógica Nebulosa (Lógica Fuzzy);
5) Sistemas Baseados em Conhecimento; Inteligência Artificial "É o estudo dos sistemas que agem de um modo que a um observador qualquer pareceria ser inteligente."
(Ben Coppin)
Teste de Turing (1950) - "Computing Machinery and Intelligence"; Ficção Científica: Inteligência Artificial - James Cameron, "The Terminator" (1984);
- Isaak Asimov, "O Homem Bicentenário"; (1976)
- Arthur Clarke, "2001: Uma Odisséia no Espaço" (1968);
- Philip K. Dick, "Minority Report" (1956); Abordagem Conexionista;
Psiquiatra Warren McCulloch;
Matemárico Walter Pitts;
Anologia criada em 1943; Redes Neurais Artificiais Histórico 1940 - Criação do Modelo Conexionista;
1950 - Primeiras Máquinas (Computadores) calculando RNAs;
1960 - Modelo ADALINE com base na regra do delta;
1970 - Algortimo de "backpropagation";
1980 - Hopfield com características de aprendizado adaptativo;
1990 - Utilização de Grids e Clusters com as RNAs Redes Neurais Artificiais História Conceitos Redes Neurais Artificiais Neurônio Humano Redes Neurais Artificiais Conceitos Rede Neural Artificial Conceito Redes Neurais Artificiais Rede Neural Natural:
Constituida por cerca de 10¹¹ de neurônios;
Cada um conectado a outros 6.000 neurônios;
O Potencial Máximo de cada Neurônio é 35 mV;

Rede Neural Artificial:
É inspirada em vetores matemáticos;
Sinais de entrada {x1, x2, ... , xn}
Pesos sinápticos {w1, w2, ... , wn}
Combinador Linear;
Limiar de Ativação;
Potencial de Ativação;
Função de Ativação;
Sinal de Saída; Comparação Redes Neurais Artificiais N. Artificial N. Biológico Processamento Modelo 10e-3 Sequencial Paralelo 10e-9 (cc) image by anemoneprojectors on Flickr Arquitetura de Redes Neurais Artificiais Rede Neural Artificial Teste Finalizado! Validação Aquisição de Dados Distribuição Treinamento 1) Camada de Entrada:
- Informações sobre características;
- Exemplo:
Sexo Feminio, 1.60m, 61kg, canhoto
x = [ -1, 1.6, 61, -1]
Sexo Masculino, 1.93, 110kg, destro
x= [1, 1.93, 110, 1]
2) Camada de Saída:
- Informações sobre a classe;
- Exemplo:
"Esportista"
y= [1]
"Professor"
y=[1] Ciclo de desenvolvimento de uma RNA Redes Neurais Artificiais Treinamento supervisionado;
Treinamento não supervisionado;
Treinamento com reforço.
Treinamento usando lote de padrões; Tipos de Redes Neurais 1) Rede Perceptron;
2) Rede Adaline;
3) Rede Perceptron Multilayer (MLP);
4) Rede de Funções de Base Radial (RBF);
5) Redes recorrentes de Hopfield;
6) Redes auto-organizáveis de Kohonen; Perceptron Tipos de Redes Neurais - Modelo Simples;
- Apenas problemas linearmente separáveis;
- bias;
- Funções de Transferência simples; Adaline Tipos de Redes Neurais Modelo simples;
Introdução à Regra do Delta;
Diversas aplicações com sinais analógicos;
Primeiras aplicações de RNAs na indústria; MLP Tipos de Redes Neurais Perceptron com várias camadas;
Perceptron avançada;
Soluciona problemas não linearmente separáveis;
Diversas aplicações:
Reconhecimento de padrões;
Controle de processos;
Previsão de séries temporais;
Otimização de sistemas; RBF Tipos de Redes Neurais Aplicações semelhantes às MLP;
Uma única camada intermediária;
Função de ativação do tipo Gaussiana. Hopfield Tipos de Redes Neurais Exemplo de Redes Recorrentes;
Armazenamento de Informações;
Implementação trivial em hardware. Kohonen Auto- organização;
Abordagem não supervisionada;
Aprendizado competitívo; Tomada de Decisão Tradicionalmente os métodos automáticos são criados por especialistas;
Influências:
Aspectos econômicos e contábeis;
Variáveis macroeconômicas;
Comportamentos passados; Mercado de Ações Estudo de Caso - Ações do Grupo Pão de Açucar Tomada de Decisão Comportamento Altamente Não Linear;
Solução adequada: Rede Neural Artificial Recorrente;
Rede Elman;

Camada de Entrada:
x1 = Preço de Abertura;
x2 = Preço Máximo;
x3 = Preço Mínimo;
x4 = Preço de Fechamento;
x5 = Volume de Negócios.;
Camada Intermediária: 10 neurônios;
Camada de Saída:
y1 = Preço da Ação para o dia futuro; Arquitetura da Rede Elman Ações do Grupo Pão de Açucar Tomada de Decisão fonte: Silva, "Redes Neurais Artificiais" Ações Grupo Pão de Açucar Tomada de Decisão Experimento 2:
Camada de Entrada:
x1 = Preço de Abertura;
x2 = Preço Máximo;
x3 = Preço Mínimo;
x4 = Preço de Fechamento;
x5 = Volume Comercializado;
x6 = Taxa juros de curto prazo;
x7 = Índice de Produção Industrial;
x8 = Índice Bovespa;
Camada escondida: 10 neurôncios;
Camada de saída:
y1 = Preço de fechamento do dia seguinte;
Ações do Grupo Pão de Açucar Tomada de Decisão Análise de Patologia na Voz Tomada de Decisão RBF;
Reconhecer patologias na Laringe com base na voz do paciente;
Patologias:
Edema de Reinke;
Nódulo nas pregas vocais;
Vocalização da Vogal /a/ durante 3 segundos;
Utilização da Rede RBF;
Entrada de 64 Parâmetros:
Sexo;
Período de Pitch;
Dimensão Fractal;
Energias de cada sub-banda segundo a escala Bark;
Derivada das Energias;
Segunda Derivada das Energias.
Camada intermediária: 2 neurônios
Camada de saída: 2 neurônios
y1 = 0 ou 1;
y2 = 0 ou 1; Reconhecimento de Patologias na Voz Tomada de Decisão Resultado:
98% de Reconhecimento como certeza.


1) Weka - Machine Learning Software in Java;

2) Neuroph - Biblioteca Java para Redes Neurais;

3) OpenCog - Biblioteca C para aprendizado de máquina e redes neurais;

4) Joone - Software em Java para simulação de Redes Neurais; Softwares para Classificação com RNAs Obrigado!!!
Full transcript