DSC/CEEI/UFCG
Inteligência Artificial I
Aprendizagem
(Parte III)
Prof.a Joseana Macêdo Fechine
joseana@dsc.ufcg.edu.br
Carga Horária: 60 horas
Universidade Federal de Campina Grande Departamento de Sistemas e Computação
2
Aprendizagem
Tópico
DSC/CEEIUFCG 3
Redes Neurais
Componentes de um neurônio É uma célula do cérebro cuja principal função é coletar,
processar e disseminar sinais elétricos.
Acredita-se que a capacidade de processamento de
4
Componentes de um Neurônio
Axônio – transmissão de sinais a partir do corpo
celular; poucas ramificações e compridos;
Dendritos – conduzem sinais para a célula; têm
muitas ramificações (zonas receptivas);
Sinapses – estruturas funcionais elementares que
mediam as conexões entre os neurônios
DSC/CEEIUFCG
5 Plasticidade de um neurônio – capacidade de
adaptação ao ambiente.
Mecanismos de Plasticidade (cérebro de um adulto)
Criação de novas conexões sinápticas Modificação das sinapses existentes
Plasticidade - essencial para as Redes Neurais
Artificiais
6
Neurociência computacional
Modelo matemático do neurônio criado porMcCulloch e Pitts (1943)
Interesse nas propriedades mais abstratas da RNs
Habilidade para executar computação distribuída Habilidade para tolerar entradas ruidosas
Habilidade para aprender
Uma das formas mais populares e efetivas de
DSC/CEEIUFCG
7
Inspiração Biológica
8
Neurônio artificial projetado por McCulloch e Pitts (1943)
sinais são apresentados à entrada;
cada sinal é multiplicado por um número, ou peso, que indica a sua
influência na saída da unidade;
é feita a soma
ponderada dos sinais que produz um nível de atividade;
se este nível de
atividade exceder um certo limite (threshold) a unidade produz uma
determinada resposta de saída.
Função de ativação
DSC/CEEIUFCG
9
Neurônio Artificial
“Dispara” quando uma combinação linear de suas
10
Redes Neurais Artificiais
Cada unidade i calcula Uma soma ponderada de suas entradas
Depois, aplica uma função de ativação g a essa soma
para derivar a saída
n j j i j iw
a
in
0 ,
n j j i j i i g in g w a a 0 , ) (DSC/CEEIUFCG
11
A função de ativação
g é projetada para atender a dois propósitos
Deseja-se a unidade “ativa” (próxima de =1) quando as
entradas “corretas” forem recebidas e “inativa” (próxima de 0) quando as entradas “erradas” forem recebidas
A ativação precisa ser não-linear
12
Exemplo:
sinais de entrada X1, X2, ..., Xp (0 ou 1) pesos W1, W2, ..., Wp, valores reais.
limitador t;
Neste modelo, o nível de atividade a é dado por: a = W1X1 + W2X2 + ... + WpXp
A saída y é dada por: • y = 1, se a ≥ t ou • y = 0, se a < t.
DSC/CEEIUFCG
13
Exemplos de Aplicações
Exemplo bem simplificado: suponha que você está
em uma encruzilhada com quatro caminhos a seguir, e precisa escolher o mais fácil.
Como você nunca andou em nenhum deles, o peso de cada
um é 1, ou seja, tanto faz escolher qualquer um.
Você escolhe um deles, e anda até descobrir um lago em
que deve atravessar a nado. Pela dificuldade, você deve aumentar o peso deste caminho para 2.
Quando outra pessoa chegar na mesma encruzilhada,
saberá que o caminho de maior peso é o mais difícil a seguir.
A rede neural “aprende” a determinar os pesos de acordo
14
Rede Neural - Organização em Camadas (Exemplo)
DSC/CEEIUFCG
15 As camadas são classificadas em três grupos
(usualmente):
Camada de Entrada: onde os padrões são
apresentados à rede;
Camadas Intermediárias ou Escondidas: onde
é feita a maior parte do processamento, através das conexões ponderadas; podem ser
consideradas como extratoras de características;
Camada de Saída: onde o resultado final é
concluído e apresentado.
16
Redes Neurais: Classificação dos Modelos Conexionistas
Em relação à estrutura da rede:
Redes de uma única camada Redes de múltiplas camadas Redes do tipo uni-direcional Redes do tipo recorrentes
Redes com estrutura estática (não altera a sua estrutura) Redes com estrutura dinâmica (altera a estrutura)
Redes com conexões de ordem superior
DSC/CEEIUFCG
17
Estruturas de rede
Redes acíclicas ou redes de alimentação direta: Representam uma função de sua entrada atual; NÃO têm nenhum estado interno além dos pesos.
Redes cíclicas ou redes recorrentes:
Utilizam suas saídas para realimentar suas próprias
entradas;
Níveis de ativação da rede formam um sistema
dinâmico
Pode atingir um estado estável ou exibir oscilações;
A resposta da rede a uma determinada entrada pode
18
Redes de alimentação direta
Representa uma função de suas entradas Dados os valores de entrada a1 e a2 a rede calcula:
a5 = g(W3,5a3 + W4,5a4)
DSC/CEEIUFCG
19
Redes de alimentação direta
Expressando a saída de cada unidade oculta comouma função de suas entradas percebe-se que:
a5 é uma função das entradas da rede;
Os pesos da rede atuam como parâmetros dessa
função;
A rede calcula hw(x);
Ajustando os pesos muda-se a função que a rede
representa;
20
Processos de Aprendizado
A propriedade mais importante das redes neurais é
a habilidade de aprender com seu ambiente e com isso melhorar seu desempenho.
Isso é feito através de um processo iterativo de
ajustes aplicado a seus pesos, o treinamento.
O aprendizado ocorre quando a rede neural atinge
uma solução generalizada para uma classe de problemas.
DSC/CEEIUFCG
21
Algoritmo de Aprendizado
Conjunto de regras bem definidas para a solução de
um problema de aprendizado.
Existem muitos tipos de algoritmos de aprendizado
específicos para determinados modelos de redes neurais.
Os algoritmos diferem entre si principalmente pelo
modo como os pesos são modificados.
22
Redes Neurais: Classificação - Aprendizado
Em relação ao aprendizado:
Aprendizado supervisionado
Aprendizado semi-supervisionado Aprendizado não supervisionado Aprendizado instantâneo
Aprendizado por pacotes Aprendizado contínuo Aprendizado ativo
Aprendizado: aproximação de funções Aprendizado: classificação
Usar apenas uma base de exemplos de aprendizado Usar uma base de aprendizado e uma base de teste de
generalização
DSC/CEEIUFCG
23
Redes Neurais: Classificação dos Modelos Conexionistas
Em relação as unidades da rede:
Redes baseadas em Perceptrons (MLP - Multi-Layer Perceptron)
Redes baseadas em Protótipos (RBF - Radial Basis Function)
24
Exemplos de Redes Neurais
DSC/CEEIUFCG
25
Aplicações Práticas
Reconhecimento de Padrões: Caracteres, Imagens,
Voz, etc
Sistemas de Auxílio ao Diagnóstico: Médico, Falhas
Mecânicas, etc
Robótica Inteligente
Previsão: Tempo, Cotações da Bolsa de Valores, etc Sistemas de Controle
Processamento de Sinais
Processamento de Linguagem Natural
Data Mining
26
Aplicações Práticas
http://www.nd.com/neurosolutions/products/ns/nnandnsvideo.html
http://fbim.fh-regensburg.de/~saj39122/begrolu/kohonen.html
DSC/CEEIUFCG
27 Exemplo de uso prático no Brasil: Visanet, operadora de
cartões de crédito.
A empresa implantou um sistema de rede neural, batizado de Lynx, que detecta possíveis fraudes em transações com cartão. A base de dados fornece um histórico e o hábito de consumo de
cada número de cartão de crédito Visa emitido no país.
Número de transações anteriores: mais de 850 milhões.
São emitidos alertas para os bancos toda vez que o Lynx detecta variáveis fora dos padrões e, portanto, a possibilidade de fraude.
O sistema compara o comportamento de cada transação com os padrões armazenados na base de dados.
Uma despesa em um estabelecimento comercial nunca utilizado antes por determinado cartão, por exemplo, gera uma variável.
O cadastro e o histórico do próprio estabelecimento comercial geram outras variáveis - que levam em conta fatores como a ocorrência de casos anteriores de fraude.
A soma dessas variáveis resulta em um índice de probabilidade de fraude que vai de 1% a 100%.
Exemplos de Aplicações
28 Exemplo: Reconhecimento de fala – reconhecer 1
de 10 vogais entre h_d (em inglês)
– F1 e F2: parâmetros retirados da análise espectral do
som da palavra.
DSC/CEEIUFCG
29
Neural Networks Java Applets:
Perceptron Learning Rule (CNNL)
Image Compression Using Backprop (CNNL)
Generalizations of the Hamming Associative Memory
(CNNL)
Joone - Java Object Oriented Neural Engine
Porta XOR
Simulador de Redes Neurais: SNNS (Stuttgart Neural Network Simulator)
Exemplos de Aplicações
30
Por que utilizá-las?
Generalização: Podem aprender através de conjuntos de exemplos e apresentar respostas coerentes para entradas não vistas durante o treinamento.
Adaptabilidade: Podem adaptar-se a um novo ambiente através de alterações em seus pesos sinápticos. Também podem ser projetadas para alterarem seus pesos em tempo real ou para operarem em
ambientes que variem com o tempo.
Informação Contextual: Processam as informações contextuais de forma natural, uma vez que o processamento de um neurônio é
afetado pelo processamento de outros neurônios da rede.
Uniformidade: A mesma notação é utilizada em diferentes domínios de aplicações; os neurônios são encontrados em todas as redes neurais; é possivel utilizar os mesmos algoritmos de aprendizagem e teorias em diversas apllicações; através da integração homogênea de módulos, podemos construir redes modulares.
DSC/CEEIUFCG
31
Vantagens
Aquisição automática de conhecimentos empíricos a
partir de uma base de exemplos de aprendizado referente a um problema;
Manipulação de dados quantitativos, aproximados e
mesmo incorretos com uma degradação gradual das respostas;
Grande poder de representação de conhecimentos
através da criação de relações ponderadas entre as entradas do sistema;
32
Desvantagens
Dificuldade de configuração das redes em relação à
sua estrutura inicial e também no que se refere aos parâmetros dos algoritmos de aprendizado;
Dificuldade de explicitar os conhecimentos
adquiridos pela rede através de uma linguagem compreensível para um ser humano;
Dificuldade de convergência (bloqueios) e
instabilidade, inerentes aos algoritmos de otimização empregados;
“Lentidão” do processo de aprendizado / adaptação.
Redes Neurais Artificiais
DSC/CEEIUFCG
33
Aprendizagem
34
Aprendizagem
Sistemas baseados em Redes Neurais Redes Bayesianas Algoritmos genéticos Sistemas Especialistas Sistemas Nebulosos (fuzzy) Sistemas de Aprendizagem simbólica indutiva Sistemas de PLNconhecimento intensional (regras)
conhecimento extensional (exemplos)
simbólico numérico Sistemas baseado em casos Robôs