Redes Neurais Artificiais

Material utilizado para tech talk sobre redes neurais artificiais e reconhecimento de digitos manuscritos

Transcript

1. Redes Neurais
2. Redes Neurais Artificiais 1
3. “ Redes neurais artificiais são modelos computacionais inspirados pelo nosso sistema nervoso que são capazes de realizar o aprendizado de máquina através da experiência e treinamento
4. Os neurônios biológicos são formados por dendritos e pelos axônios. A comunicação é realizada através de sinapses, quando um impulso é recebido e processado ele dispara uma substância para o axônio. Funcionamento de um neurônio biológico dendritos axônio sinápses
5. Características de um neurônio artificial ◉ Estrutura lógica-matemática que procura simular a forma, o comportamento e as funções de um neurônio biológico ◉ Dendritos foram substituídos por entradas, cuja ligações são realizadas através de um peso. ◉ Os estímulos captados pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio biológico foi substituído pela função de ativação.
6. Combinando diversos neurônios artificiais podemos formar o que é chamado de rede neural artificial. As entradas, simulam uma área de captação de estímulos, podem ser conectadas em muitos neurônios, resultando, assim, em uma série de saídas, onde cada saída representa um neurônio. Redes Neurais Artificiais (RNA)
7. Perceptrons O perceptron é um neurônio artificial, formando o tipo mais básico de uma rede neural Usado como um classificador linear
8. w1 w2 w3 Σ
10. Funções de ativação ◉ A função de ativação é a transformação não linear que fazemos ao longo do sinal de entrada. ◉ A saída transformada é então enviada para a próxima camada de neurônios como entrada ◉ Uma função de ativação define se um neurônio deve ser ativado ou não
11. Multilayer Perceptron Perceptrons organizados em camadas formam uma rede neural do tipo feedforward, sendo compostas pelas camadas de entrada e saída e por camadas escondidas.
12. Input Output Hidden Arquitetura de uma RNA
13. Tipos de RNA ◉ Redes Neurais Convolucionais ◉ Redes Neurais Recorrentes ◉ Long Short-Term Memory (LSTM) ◉ Redes de Hopfield ◉ Máquinas de Boltzmann ◉ Deep Belief Network ◉ Deep Auto-Encoders ◉ Generative Adversarial Network ◉ Deep Neural Network Capsules
14. “ Em RNAs, aprendizagem ou treinamento corresponde ao processo de ajuste dos pesos através de um mecanismo de apresentação de estímulos, conhecidos como padrões de entrada ou de treinamento
15. Processo de aprendizagem Estímulo Adaptação Novo Comportamento
16. Aprendizagem supervisionada ◉ Na aprendizagem supervisionada é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada. ◉ O valor de cada saída será comparado ao valor esperado, gerando uma margem de erro ◉ Os pesos irão ser ajustados para que o resultado gere uma margem de erro mínima aceitável
17. Backpropagation O objetivo do backpropagation é otimizar os pesos para que a rede neural possa aprender a mapear corretamente as entradas para as saídas.
18. Implementação de RNA Exemplo de uma rede neural usando sigmoid como função de ativação sem treinamento 2
21. https://github.com/monycky/artificial-neural-networks
22. Aplicação de RNA Casos de onde usar redes neurais artificiais 3
23. Aplicações em RNA ◉ Reconhecimento Automático de Alvos ◉ Reconhecimento de Caracteres ◉ Robótica ◉ Diagnóstico Médico ◉ Sensoriamento Remoto ◉ Processamento de Voz ◉ Biometria
24. Classificação Reconhecimento de dígitos numéricos manuscritos de 0 à 9 4
25. SCIKIT Learning Para construir e treinar a RNA foi usado Scikit-Learning, uma biblioteca para machine learning em python. Contém diversos algoritmos como classificação, regressão, agrupamento e etc, utilizando Numpy, Scipy e Matplotlib Documentação: http://scikit-learn.org/stable/modules/neural_networks_supervised.html
26. MNIST Dataset Para a base de dados, foi usado MNIST, contém 60 mil dados de treino e 10 mil dados de teste. Os dados são imagens de 28x28 pixels, o que nos dá 784 variáveis para colocar na camada de entrada da nossa rede neural. Documentação: http://yann.lecun.com/exdb/mnist/
27. Classificação ◉ Imagem referente ao dígito deve estar em escala de cinza ◉ Cada pixel é representado por um número entre 0 e 255, formando uma matriz ◉ Quanto mais branco mais próximo de 0 e quanto mais preto mais próximo de 255
28. Classificação ◉ Matriz correspondente a imagem é transformada em um array ◉ Array será dado como entrada na rede neural ◉ Na fase de treinamento a RNA irá aprender cada array enviado ◉ Na fase de teste será comparado o valor de saída com o valor de entrada para gerar a margem de erro e correção de pesos
30. 8 https://github.com/monycky/ann-handwritten
31. Obrigada! monycky monycky monyckyfrazao@gmail.com