1. Tipos de Aprendizagem
1.1. Supervisionado
1.1.1. Existe um "professor" que valida se a saída obtida é adequada ou não;
1.1.2. Quando a saída não é adequada são modificados os pesos para minimizar os erros apresentados;
1.1.3. Usado para classificação;
1.2. Não Supervisionado
1.2.1. Não existe "professor" para validar as saídas;
1.2.2. A própria rede neural extrai do conjunto de entradas as informações para mapear as entradas/saídas;
1.2.3. Usado para clusterização;
2. Perceptron
2.1. Características:
2.1.1. Função de Ativação: Limiar
2.1.2. Topologia: Camada única
2.1.3. Algoritmo de Aprendizado: Supervisionado
2.1.4. Valores de entrada e saída: Binários
2.2. Algorítimo de Aprendizagem:
2.2.1. 1.Iniciar os pesos com valores randômicos e pequenos ou com pesos iguais a zero;
2.2.2. 2.Aplicar próximo padrão de entrada (j) com sua saída desejada (tj) e verificar a saída da rede (yj);
2.2.3. 3.Calcular o erro de saída: ej= tj–yj
2.2.4. 4.Se erro diferente de zero:
2.2.4.1. calcular Δwij= ηxiej
2.2.4.2. atualizar todos os pesos wi= wi+ Δwi
2.2.5. 5.Se ainda tem padrões a aplicar, volta ao passo 2
2.2.6. 6.Se pesos foram atualizados para algum padrão, voltar ao passo 2 com primeiro padrão
3. Estrutura
3.1. Distribuída
3.2. Unidades simples de Processamento (Neurônios)
3.3. Grande quantidade de neurônios conectados
4. Funcionamento das RNAs
4.1. Extenso processamento paralelo
4.2. Operações são independnetes entre neurônios
4.3. Resultado é uma função do conjunto de unidades
5. Redes Multi Layer Perceptron (MLP)
5.1. Características:
5.1.1. Função de Ativação: Não linear
5.1.2. Topologia: Múltiplas Camadas
5.1.3. Algoritmo de Aprendizado: Supervisio
5.1.4. Valores de entrada e Saída: Binários ou Contínuos
5.2. Algorítimo de Aprendizagem
5.2.1. 1.Iniciar os pesos com valores randômicos e pequenos (|w| < 0,1) ou com pesos iguais a zero
5.2.2. 2.Aplicar próximo padrão de entrada com sua saída desejada
5.2.3. 3.Calcular as saídas dos neurônios iniciando pela primeira camada escondida até a camada de saída
5.2.4. 4.Calcular o erro de cada neurônio da camada de saída
5.2.5. 5.Se erro for maior que tolerância, atualizar todos os pesos, iniciando pela camada de saída até a primeira camada escondida
5.2.6. 6.Se ainda tem padrões a aplicar, volta ao passo 2
5.2.7. 7.Se pesos foram atualizados para algum padrão, voltar ao passo 2 com primeiro padrão