Scribd
Carregar
5 visualizações12 páginas

Redes Neurais: Modelo e Aprendizagem

O documento aborda conceitos fundamentais sobre redes neurais, incluindo o Modelo MCP e o perceptron, que é um neurônio artificial que ajusta pesos de entrada para determinar saídas. A aprendizagem em redes neurais é discutida, destacando três métodos: supervisionado, não supervisionado e por reforço. Exemplos práticos de treinamento e ajuste de pesos são apresentados, demonstrando o funcionamento do perceptron em tarefas de classificação.

Enviado por

nestorflaviano
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
5 visualizações12 páginas

Redes Neurais: Modelo e Aprendizagem

O documento aborda conceitos fundamentais sobre redes neurais, incluindo o Modelo MCP e o perceptron, que é um neurônio artificial que ajusta pesos de entrada para determinar saídas. A aprendizagem em redes neurais é discutida, destacando três métodos: supervisionado, não supervisionado e por reforço. Exemplos práticos de treinamento e ajuste de pesos são apresentados, demonstrando o funcionamento do perceptron em tarefas de classificação.

Enviado por

nestorflaviano
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd

Atividades de Redes Neurais

Discente: Alessandro Carneiro Ribeiro


Data da entrega: 14/03/2023

Exercício 1

1)
O Modelo MCP é um neurônio artificial que recebe sinais de entrada, na qual são
aplicados pesos a cada entrada, a soma ponderada das entradas gera o nível de ativação
do neurônio que será avaliado com um limiar, definindo sua saída.

2)
A aprendizagem em redes neurais consiste no ajuste dos pesos de cada entrada do
neurônio, segundo o conjunto de dados possíveis de entrada. Os pesos são aplicados a
cada entrada possível da rede, verifica-se se a saída produzida pela rede é compatível com
a saída esperada, caso não seja, os pesos são ajustados. Em cada ciclo todos os valores
possíveis de entrada (conjunto de treinamento) são testados, até que se obtenha um
conjunto de pesos ajustados para um conjunto de dados de entrada.
Existem 3 (três) formas de aprendizagem: Aprendizado Supervisionado, Não
Supervisionado e por Reforno.
● Supervisionado: Existe a figura do “professor” que avalia as saídas produzidas com
as esperadas para cada entrada.
● Não Supervisionado: Não existe o conjunto de saídas esperadas, apenas o conjunto
de entradas. Neste modelo as redes devem definir os pesos sem auxílio externo
(sem supervisor).
● Por reforço: Não existe um conjunto de saídas esperadas, mas tem o auxílio de um
crítico externo em substituição ao supervisor.

3)
O perceptron é um modelo de rede neural artificial de camada única, composta por
um conjunto de neurônios interconectados, que realizam cálculos e geram respostas de
acordo com os dados de entrada. Ele é capaz de aprender e classificar dados em duas
categorias.
A função de ativação do perceptron é a função degrau, que avalia o valor produzido
pela rede com um limiar (zero), caso o valor resultante seja maior ou igual ao limiar, o valor
de saída será 1, caso contrário será zero.
O treinamento do perceptron consiste no ajuste dos pesos aplicados a cada sinal de
entrada.
4)
n=0.1 x0 x1 x2 yd
PESOS
w=[-0.5 0 0]
AJUSTADOS
1 0 0 0

1 0 1 1 w0 -0,2

1 1 0 1 w1 0,2
1 1 1 1 w2 0,2
5)
Treinamento
n=0.4 x0 x1 x2 x3 x4 yd
w=[0.1 0.2 -0.2 -0.2 -0.3]
1 1 1 0 1 0

Pesos Ajustados 1 0 0 1 0 1

w=[0.5 0.2 -0.2 -0.2 -0.7] 1 1 1 0 0 1

1 1 0 1 1 0

1 1 0 0 1 1

1 0 0 1 1 0

Teste

x0 x1 x2 x3 x4 yd

1 0 0 0 1 0

1 1 1 1 1 0
6)

n=0.3 x0 x1 x2 x3 yd
w=[0.2 0.4 -0.6 0.6]
Limiar=0.5 Treinamento

Pesos Ajustados 1 0 0 1 0

w=[-0,1 1,0 0 0] 1 1 1 0 1

Teste

1 1 1 1 1

1 0 0 0 0

1 1 0 0 1

1 0 1 1 0

Você também pode gostar