Redes Neurais Artificiais Profa Teresa Ludermir Sistemas Inteligentes

Redes Neurais Artificiais Profa. Teresa Ludermir Sistemas Inteligentes

Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) l Exemplo 1: distinguir padrões visuais l utilizando exemplos e feedback n Maior experiência permite melhorar a performance n Redes Neurais - Teresa Ludermir Cin - UFPE

Por que Redes Neurais? l Exemplo 2: otimizar tempo de trabalho (maximizar recurso) Pode-se derivar regras, mas elas não refletem o processo de pensamento utilizado Redes Neurais - Teresa Ludermir Cin - UFPE

O que são Redes Neurais Artificiais l Redes Neurais Artificiais (RNA) são modelos de computação com propriedades particulares Capacidade de se adaptar ou aprender n Generalizar n Agrupar ou organizar dados n Redes Neurais - Teresa Ludermir Cin - UFPE

O que são Redes Neurais Artificiais RNA: estruturas distribuídas formadas por grande número de unidades de processamento conectadas entre si l Multi-disciplinaridade : Ciência da Computação, Matemática, Física, Engenharias, Psicologia, Biologia, Lingüística, Filosofia, etc l Redes Neurais - Teresa Ludermir Cin - UFPE

O que são Redes Neurais Artificiais l Modelos inspirados no cérebro humano Compostas por várias unidades de processamento (“neurônios”) n Interligadas por um grande número de conexões (“sinapses”) n l Eficientes onde métodos tradicionais têm se mostrado inadequados Redes Neurais - Teresa Ludermir Cin - UFPE

Redes Neurais Artificiais camadas intermediárias camada de entrada conexões Redes Neurais - Teresa Ludermir Cin - UFPE camada de saída

Características das RNAs l Aprendem através de exemplos n Inferência estatística não paramétrica l Adaptabilidade l Capacidade de generalização l Tolerância a falhas l Implementação rápida Redes Neurais - Teresa Ludermir Cin - UFPE

Von Neumann X Sistema neural Redes Neurais - Teresa Ludermir Cin - UFPE

Potenciais áreas de aplicação das RNAs Classificação de padrões l Clustering/categorização l Aproximação de funções l Previsão l Otimização l Memória endereçável pelo conteúdo l Controle l etc. . . Redes Neurais - Teresa Ludermir Cin - UFPE l

Classificação de padrões l Tarefa: atribuir um padrão de entrada a uma das várias classes pré-definidas n l Entradas representadas por vetores de características Exemplos de aplicações Reconhecimento de caracteres n Reconhecimento de voz n Análise de crédito n Redes Neurais - Teresa Ludermir Cin - UFPE

Clustering/categorização l Tarefa: explorar semelhanças entre padrões e agrupar padrões parecidos Também conhecido como aprendizado não supervisionado n Classes não são conhecidas de antemão n l Exemplos de aplicações Garimpagem de dados (Data mining) n Compressão de dados n Redes Neurais - Teresa Ludermir Cin - UFPE

Aproximação de funções l Tarefa: encontrar uma estimativa f’ de uma função desconhecida f n l Conhece conjunto de pares de entrada-saída {(x 1 y 1), (x 2 y 2), . . . , (xnyn)} Exemplos n Problemas de modelagem científica e de engenharia Redes Neurais - Teresa Ludermir Cin - UFPE

Previsão Tarefa: dado um conjunto de exemplos {(y(t 1), (y(t 2), . . . , (y(tn)}, prever a saída y(. ) no instante de tempo tn+1 l Exemplos l Previsão do tempo n Previsão de falências n Previsão de ações na bolsa n Previsão de desgaste de peças n Redes Neurais - Teresa Ludermir Cin - UFPE

Otimização Tarefa: encontrar solução que satisfaça a um conjunto de restrições tal que uma função objetivo seja maximizada ou minimizada l Exemplos l Weighted matching n Problema do caixeiro viajante (NP completo) n Redes Neurais - Teresa Ludermir Cin - UFPE

Memória endereçável pelo conteúdo l Tarefa: recuperar itens utilizando eles mesmos como endereços n l Recupera item correto mesmo que a entrada seja parcial ou distorcida Exemplos Bases de Dados n Sistemas Multimídia n Redes Neurais - Teresa Ludermir Cin - UFPE

Controle l Tarefa: gerar entrada de controle para que sistema siga trajetória especificada por modelo de referência n l Modelo definido por conjunto de tuplas {x(t), y(t)} Exemplo Controle de processos químicos n Controle de robôs n Redes Neurais - Teresa Ludermir Cin - UFPE

História das RNA l Inter-relação entre Investigação do comportamento e estrutura do sistema nervoso através de experimentação e modelagem biológica n Desenvolvimento de modelos matemáticos e suas aplicações para a solução de vários problemas práticos n l Simulação e implementação destes modelos Redes Neurais - Teresa Ludermir Cin - UFPE

Década de 40 : O começo l (1943) Mc. Culloch & Pitts n l Provam, teoricamente, que qualquer função lógica pode ser implementada utilizando unidades de soma ponderada e threshold (1949) Hebb desenvolve algoritmo para treinar RNA (aprendizado Hebbiano) n Se dois neurônios estão simultaneamente ativos, a conexão entre eles deve ser reforçada Redes Neurais - Teresa Ludermir Cin - UFPE

1950 -1960: Anos de euforia l (1958) Von Neumann mostra interesse em modelagem do cérebro (RNA) n l The Computer and the Brain, Yale University Press (1959) Rosenblatt implementa primeira RNA, a rede Perceptron Ajuste iterativo de pesos n Prova teorema da convergência n Redes Neurais - Teresa Ludermir Cin - UFPE

Década de 70: Pouca atividade l (1969) Minsky & Papert analisam Perceptron e mostram suas limitações Não poderiam aprender a resolver problemas simples como o OU-exclusivo n Causou grande repercussão n Redes Neurais - Teresa Ludermir Cin - UFPE

Década de 70: Pouca atividade (1971) Aleksander propõe redes Booleanas l (1972) Kohonen e Anderson trabalham com RNA associativas l (1975) Grossberg desenvolve a Teoria da Ressonância Adaptiva (redes ART) l Redes Neurais - Teresa Ludermir Cin - UFPE

Década de 80: A segunda onda (1982) Hopfield mostra que Redes Neurais podem ser tratadas como sistemas dinâmicos l (1986) Hinton, Rumelhart e Williams, propõem algoritmo de aprendizagem para redes multi-camadas l Parallel Distributed Processing n Werbos (1974) n Redes Neurais - Teresa Ludermir Cin - UFPE

Conceitos básicos l Estrutura geral das RNA n Unidades de processamento ni (nós) ŸEstado de ativação ai ŸFunção de ativação Fi ŸFunção de saída ƒi Conexões wij n Topologia n Redes Neurais - Teresa Ludermir Cin - UFPE

Unidades de processamento Função: receber entradas de conjunto de unidades A, computar função sobre entradas e enviar resultado para conjunto de unidades B w 1 x 1 l Entrada total w 2 f f(åx (åxw) iw i) y x 2 l w. N x. N Redes Neurais - Teresa Ludermir Cin - UFPE

Unidades de processamento l Estado de ativação n n Representa o estado dos neurônios da rede Pode assumir valores ŸBinários (0 e 1) ŸBipolares (-1 e +1) ŸReais n Definido através de funções de ativação Redes Neurais - Teresa Ludermir Cin - UFPE

Funções de ativação Processa conjunto de entradas recebidas e o transforma em estado de ativação l Funções de ativação típicas envolvem: l Adições n Comparações n Transformações matemáticas n Redes Neurais - Teresa Ludermir Cin - UFPE

Funções de ativação l Função de ativação n Atualiza estado de ativação Ÿ a(t + 1) = F [a(t), u(t)] Ÿa(t + 1) = F [u(t)] n Atualização Ÿ Síncrona (mais comum) Ÿ Assíncrona Redes Neurais - Teresa Ludermir Cin - UFPE

Funções de ativação l Funções de ativação mais comuns n a(t + 1) = u(t) n a(t + 1) = n n (linear) 1 , se u(t) ³ q 0, se u(t) < q í a(t + 1) = 1/(1 + e - lu(t) -lu(t) a(t + 1) = (1 - e ) -lu(t) (1 +e ) ) (threshold ou limiar) (sigmoid logística) (tangente hiperbólica) Redes Neurais - Teresa Ludermir Cin - UFPE

Funções de saída l Função de saída n Transforma estado de ativação de uma unidade em seu sinal de saída yi (t) = ƒi (ai (t)) n Geralmente é uma função identidade Redes Neurais - Teresa Ludermir Cin - UFPE

Valores de entrada e saída l Sinais de entrada e saída de uma RNA geralmente são números reais n Números devem estar dentro de um intervalo ŸTipicamente entre -1 e +1 ou 0 e 1 ŸCodificação realizada pelo projetista da rede l Técnica de codificação mais simples é a binária n Número restrito de aplicações Redes Neurais - Teresa Ludermir Cin - UFPE

Conexões l Definem como neurônios estão interligados n l Nós são conectados entre si através de conexões específicas Codificam conhecimento da rede n Uma conexão geralmente tem um valor de ponderamento ou peso associada a ela Redes Neurais - Teresa Ludermir Cin - UFPE

Conexões l Tipos de conexões (wik(t)) n n n l Excitatória: (wik(t) > 0) Inibitória: (wik(t) < 0) Conexão inexistente: (wik(t) = 0) Número de conexões de um nó Fan-in: número de conexões de entrada n Fan-out: número de conexões de saída n Redes Neurais - Teresa Ludermir Cin - UFPE

Topologia l Número de camadas Uma camada (Ex Perceptron, Adaline) n Multi-camadas (Ex MLP) n Ÿ Completamente conectada Ÿ Parcialmente conectada Ÿ Localmente conectada Redes Neurais - Teresa Ludermir Cin - UFPE

Completamente conectada Camada i +1 Redes Neurais - Teresa Ludermir Cin - UFPE

Parcialmente conectada Camada i +1 Redes Neurais - Teresa Ludermir Cin - UFPE

Localmente conectada Camada i +1 Redes Neurais - Teresa Ludermir Cin - UFPE

Topologia l Arranjo das conexões n Redes feedforward Ÿ Não existem loops de conexões n Redes recorrentes Ÿ Conexões apresentam loops Ÿ Mais utilizadas em sistemas dinâmicos n Lattices Ÿ Matriz n-dimensional de neurônios Redes Neurais - Teresa Ludermir Cin - UFPE

Redes feedforward l Sinais seguem em uma única direção OU Sinal l Tipo mais comum Redes Neurais - Teresa Ludermir Cin - UFPE RN

Redes recorrentes l Possuem conexões ligando saída da rede a sua entrada RN l Podem lembrar entradas passadas e, conseqüentemente, processar seqüência de informações (no tempo ou espaço) Redes Neurais - Teresa Ludermir Cin - UFPE

Projeto de Redes Neurais l Projeto de sistemas convencionais n n n l Formular modelo matemático a partir de observações do ambiente Validar o modelo com dados reais Construir o sistema utilizando o modelo Projeto de Redes Neurais n n Baseado apenas nos dados Exemplos para treinar uma rede devem ter padrões positivos e negativos Redes Neurais - Teresa Ludermir Cin - UFPE

Conjunto de dados l Tamanho depende da complexidade dos dados Quanto maior a complexidade, maior a quantidade necessária n Pré-processamento dos dados n ŸDados numéricos ŸPresença de valores em todos os campos ŸBalanceamento entre classes Redes Neurais - Teresa Ludermir Cin - UFPE

Pré-processamento dos dados l Conversão de valores simbólicos para valores numéricos n Quando os valores não apresentam ordenação Ÿ Vetores de valores binários, cada um com um elemento igual a 1 e os demais iguais a 0 Ÿ Tamanho do vetor igual ao número de valores diferentes n Quando os valores apresentam ordenação Ÿ Codificar cada valor por um número real Ÿ Codificar cada valor por um vetor binário, utilizando código cinza Redes Neurais - Teresa Ludermir Cin - UFPE

Pré-processamento dos dados l Estimativa de valores ausentes n n n l Média de todos os valores do mesmo campo Média entre anterior e posterior Criação de um novo valor Normalização de valores numéricos n n Normalizar cada campo individualmente Assegurar que todos os valores de um dado campo estejam dentro de um intervalo (Ex. [0. 0, . . . , 1. 0]) Redes Neurais - Teresa Ludermir Cin - UFPE

Criação de conjuntos de dados l Dividir o conjunto de dados em: n Subconjunto de treinamento (50% dos dados) Ÿ Necessidade de manter uniformidade pode reduzir proporção n n n l Subconjunto de validação (25% dos dados) Subconjunto de teste (25% dos dados) Dividir dados aleatoriamente entre os conjuntos ŸConjuntos devem ser disjuntos Repetir o processo acima três vezes n Criando três conjuntos, cada um com subconjuntos de treinamento, validação e teste Redes Neurais - Teresa Ludermir Cin - UFPE

Projeto da rede l l Escolha do modelo Selecionar arquitetura adequada para a rede n n Número de camadas Número de nós da camada de entrada igual ao de pixels (campos) do vetor de entrada Ÿ Pré-processamento pode aumentar ou diminuir número de campos Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado l l Capacidade de aprender a partir de seu ambiente e melhorar sua performance com o tempo Parâmetros livres de uma RNA são adaptados através de estímulos fornecidos pelo ambiente n n Processo iterativo de ajustes aplicado a sinapses e thresholds Idealmente, a RNA sabe mais sobre seu ambiente após cada iteração Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado l RNA deve produzir para cada conjunto de entradas apresentado o conjunto de saídas desejado n wik(t+ 1) = wik(t) + Dwik(t) Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado l Mecanismos de aprendizado Modificação de pesos (Dwij(t)) associados às conexões n Armazenamento de novos valores em conteúdos de memória n Acréscimo e/ou eliminação de conexões/neurônios n Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado l Algoritmos de aprendizado Conjunto de regras bem definidas para a solução de um problema de aprendizado n Grande variedade n ŸCada um com suas vantagens ŸDiferem na maneira como ajuste Dwik(t) é realizado l Paradigmas de aprendizado n Diferem na maneira como RNA se relaciona com seu ambiente Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado Processos de Aprendizado Algoritmos de Aprendizado por correção de erro Aprendizado competitivo Aprendizado Hebbiano Aprendizado de Boltzmann Paradigmas de Aprendizado supervisionado Aprendizado de reforço Aprendizado não supervisionado Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado por correção de erro l l Regra Delta (Widrow e Hoff 1960) Erro: ek(t) = dk(t) - yk(t) Minimizar função de custo baseada em ek(t) Função de custo n c(t) = -1/2åe 2 k(t) n n Minimização de c(t) utiliza método de gradiente descendente Aprendizado atinge solução estável quando os pesos não precisam mudar muito Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado por correção de erro l Após seleção da função de custo, aprendizado se torna um problema de otimização n l RNA é otimizada pela minimização de c(t) com respeito aos pesos da rede Modelo matemático: n Dwik(t) = hek(t)xi(t) Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado por correção de erro l Taxa de aprendizado (h) 0<h <1 n Taxas pequenas n n n Taxas grandes Taxas variáveis Média das entradas anteriores Estimativas estáves de peso Aprendizado lento Aprendizado rápido Captação de mudanças no processo Instabilidade Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado competitivo Von der Marlsburg (1973) l Neurônios competem entre si para ser ativado l n l Apenas um neurônio se torna ativo Adequado para descobrir características estatisticamente salientes n Podem classificar conjuntos de entradas Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado competitivo l Elementos básicos n n n l Conjunto de neurônios iguais (exceto por alguns pesos randomicamente distribuídos Limite no poder de cada neurônio Mecanismo que permita neurônios competirem pelo direito de responder a um dado subconjunto de entradas (Winner-takes-all) Neurônios individuais se especializam em conjuntos de padrões semelhantes Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado competitivo l Aprendizado competitivo mais simples Uma camada de neurônios completamente conectados a entrada (excitatória) n Conexões laterais entre neurônios (inibitórias) n åw 2 ik (t) = 1 (para cada neurônio) n l Modelo matemático: n Dwik(t) = h (xi(t) - wik(t)) Redes Neurais - Teresa Ludermir Cin - UFPE (vencedor)

Aprendizado supervisionado l Professor externo n Possui conhecimento sobre ambiente ŸRepresentado por conjunto de pares (x, d) ŸGeralmente, a rede não possui informações prévias sobre ambiente Parâmetros da rede são ajustados por (x, d) n Rede procura emular professor n Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado por reforço l Crítico externo Processo de tentativa e erro n Procura maximizar sinal de reforço n l Se ação tomada por sistema é seguida por estado satisfatório, sistema é fortalecido, caso contrário, sistema é enfraquecido (lei de Thorndike) Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado por reforço l Tipos de reforço Positivo = recompensa n Negativo = punição n Nulo n Redes Neurais - Teresa Ludermir Cin - UFPE

Supervisionado X Reforço Redes Neurais - Teresa Ludermir Cin - UFPE

Aprendizado não supervisionado l l Não tem crítico ou professor externo Extração de características estatisticamente relevantes n l Cria classes automaticamente Aprendizado não supervisionado X supervisionado n n Problema de escala Rede modular Redes Neurais - Teresa Ludermir Cin - UFPE

Tarefas de aprendizado Escolha do procedimento de aprendizado é influenciada pela tarefa a ser realizada pela rede Redes Neurais - Teresa Ludermir Cin - UFPE

Principais tarefas de aprendizado Redes Neurais - Teresa Ludermir Cin - UFPE