Inteligência Artificial Aula 10 Redes Neurais Artificiais – Parte 1 Introdução Mapas auto-organizáveis (Redes SOM) Prof. Ricardo M. Marcacini [email protected] Curso: Sistemas de Informação 1º Semestre / 2015 http://moodle.lives.net.br Redes Neurais Artificiais IA-10 Cérebro humano possui características que não estão presentes em computadores: Paralelismo massivo Representação e computação distribuídas Habilidade de aprendizado Habilidade de generalização Adaptabilidade Tolerância a falhas Baixo consumo de energia 2 Redes Neurais Artificiais IA-10 Computador VS Cérebro Humano 3 Redes Neurais Artificiais IA-10 Computador VS Cérebro Humano 4 Redes Neurais Artificiais IA-10 Neurônio Humano Clássico 5 Redes Neurais Artificiais Neurônio Humano Clássico Um neurônio possui muitos dendritos ramificados que recebem informação de outros neurônios IA-10 6 Redes Neurais Artificiais Neurônio Humano Clássico O corpo celular “processa” a informação recebida IA-10 7 Redes Neurais Artificiais Neurônio Humano Clássico O neurônio possui um único axônio que propaga a informação processada a partir de suas terminações IA-10 8 Redes Neurais Artificiais Neurônio Humano Clássico As sinápses são estímulos que passam de um neurônio para outro por meio de neurotransmissores IA-10 9 Redes Neurais Artificiais IA-10 Neurônio Artificial Clássico 10 Redes Neurais Artificiais Neurônio Artificial Clássico Um neurônio artificial é composto por um conjunto de entradas com pesos (representando os dendritos) IA-10 11 Redes Neurais Artificiais Neurônio Artificial Clássico As entradas recebem informações do ambiente ou de outros neurônios que são processadas por uma função soma IA-10 12 Redes Neurais Artificiais Neurônio Artificial Clássico Existem diversos tipos de funções soma (veremos algumas durante a disciplina) IA-10 13 Redes Neurais Artificiais Neurônio Artificial Clássico A função de transferência verifica se o estímulo recebido nas entradas será transmitido IA-10 14 Redes Neurais Artificiais Uma Rede Neural Artificial é composta por um conjunto de neurônios interconectados Tipos de Neurônios IA-10 Entrada: recebem sinal do ambiente Intermediários: processam informação entre neurônios Saída: devolvem sinal ao ambiente (resposta da rede) Rede Neural Simples 15 Redes Neurais Artificiais Como é o aprendizado em uma Rede Neural Artificial? Identificar os melhores “pesos” das conexões entre neurônios da rede Os pesos definem como são as respostas aos estímulos do ambiente Treinamento da Rede Neural IA-10 Rede Neural Simples Computar os pesos entre neurônios Muitos algoritmos existentes para treinamento de Redes Neurais 16 Redes Neurais Artificiais Existem muitas configurações/topologias de redes neurais Número de neurônios Conexões entre neurônios Camadas de neurônios Identificar a melhor topologia é um problema experimental Iremos estudar dois tipos de redes neurais IA-10 Mapas Auto-Organizáveis (Redes SOM) Redes MLP (Multilayer Perceptron) 17 Mapas Auto-Organizáveis (Redes SOM) Redes Neurais SOM (Self-organizing map) Motivação: IA-10 Aprendizado não supervisionado (sem professor) Entradas sensoriais diferentes do cérebro humano (visão, audição, olfato, etc..) são mapeadas em áreas correspondentes do cortex cerebral Mapeamento ordenado Um conjunto de neurônios se especializam para processar determinado tipo de informação 18 Mapas Auto-Organizáveis (Redes SOM) Entradas sensoriais diferentes do cérebro humano (visão, audição, olfato, etc..) são mapeadas em áreas correspondentes do cortex cerebral IA-10 Um conjunto de neurônios se especializam para processar determinado tipo de informação 19 Mapas Auto-Organizáveis (Redes SOM) Originalmente proposto por Kohonen T. Kohonen. The self-organizing map. Proceedings of the Institute of Electrical and Electronics Engineers, vol. 78, pp. 1464–1480, 1990. IA-10 Também chamado de Mapas de Kohonen Ideia básica A posição espacial de um neurônio de saída em um mapa corresponde a um domínio particular ou à característica dos dados obtidos do espaço de entrada. Espaço de entrada: padrões/exemplos apresentados para a rede (ambiente). 20 Mapas Auto-Organizáveis (Redes SOM) IA-10 Exemplo de uma Rede SOM de três entradas e 16 neurônios 21 Mapas Auto-Organizáveis (Redes SOM) Funcionamento Os neurônios são organizados em um reticulado Os pesos de cada neurônio são inicializados aleatoriamente O treinamento da rede possui 3 etapas: IA-10 Geralmente bidimensional Competição: para cada padrão apresentado, os neurônios competem entre si. O neurônio que melhor responde ao estímulo é ativado (neurônio vencedor) Cooperação: O neurônio vencedor compartilha parte do seu estímulo com neurônios da sua vizinhança Adaptação Sináptica: Os neurônios excitados ajustam seus pesos em direção ao estímulo recebido 22 Mapas Auto-Organizáveis (Redes SOM) IA-10 Algoritmo de Treinamento da Rede (1) Inicialização dos pesos dos neurônios (2) Amostragem: escolha aleatoriamente um exemplo de entrada para apresentar à rede (3) Competição: escolha o neurônio vencedor usando distância euclidiana mínima entre o exemplo de entrada e o vetor de pesos dos neurônios (4) Cooperação: escolha neurônios na vizinhança do neurônio vencedor (5) Adaptação sináptica: ajuste os pesos de cada neurônio respeitando (i) a distância em relação ao neurônio vencedor e (ii) uma taxa de aprendizado (6) Repetir os passos 1 até 5 até convergência 23 Mapas Auto-Organizáveis (Redes SOM) Algoritmo de Treinamento da Rede (1) Inicialização dos pesos dos neurônios mais um neurônio do (i) (2)Quanto Amostragem: escolha aleatoriamente um exemplo (i) Quanto maislonge longe um neurôniose seencontra encontra do de neurônio vencedor, menor sua entrada para apresentar àserá rede neurônio vencedor, menorserá suaadaptação adaptaçãosináptica sináptica (3) Competição: escolha o neurônio vencedor usando (ii) taxa indica ooquanto um se (ii)AAdistância taxade deaprendizado aprendizado indica quanto umneurônio neurônio see euclidiana mínima entre o exemplo de entrada adapta ao estímulo aopesos estímulo recebido(padrão (padrãode deentrada) entrada) oadapta vetor de dos recebido neurônios IA-10 (4) Cooperação: escolha neurônios na vizinhança do neurônio vencedor (5) Adaptação sináptica: ajuste os pesos de cada neurônio respeitando (i) a distância em relação ao neurônio vencedor e (ii) uma taxa de aprendizado (6) Repetir os passos 1 até 5 até convergência 24 Mapas Auto-Organizáveis (Redes SOM) Atividade (apoio do professor) Implementação de uma Rede Neural Artificial Mapa Auto-Organizável Objetivo: IA-10 Reconhecimento de Dígitos Manuscritos 25