Redes Neurais Artificiais

1. Simular Cérebro

1.1. Previsão

1.2. Classificação de Imagens

1.3. Reconhecimento de Fala

1.4. Tradução

1.5. Detecção de anomalias

2. Perceptron

2.1. Classificador Simples de uma camada

2.2. Pode receber n atributos de entrada

2.3. Produzir saída (1 ou -1)

3. Epoch

3.1. Passagem por todos os dados de treino

4. Iteration

4.1. Passagem de todos os dados do Registro

5. Batch size

5.1. Equivale a um número de registros que serão passados por cada iteração

6. On-line: os pesos são ajustados a cada iteração

7. Classificação com Perceptron

7.1. Taxa de Aprendizado (Step Size)

7.1.1. Igual a Zero = nunca vai convergir

7.1.2. Muito baixo = algoritmo lento, correções muito pequenas nos pesos

7.1.3. Muito alto = algoritmo lento, correções muito grandes nos pesos, ultrapassar o ideal

7.2. Classificação Linear -Binário

7.3. Ajustes dos Pesos

7.4. Margem

7.4.1. Distância mínima entre uma instância e o hiperplano, quanto mais próximos, mas difícil é o treino do modelo.

8. Batch: os pesos são ajustados apenas ao final da Epoch

9. Redes Neurais

9.1. A quantidade de neurônios da camada de entrada depende dos atributos dos dados de treino.

9.2. A quantidade de neurônios da camada de saída depende dos valores da classe da quantidade de valores de rótulos de classe.

9.3. Topologia

9.3.1. Estrutura de nós e camadas

9.4. Arquitetura

9.4.1. Feed Forward

9.4.1.1. Alimentação para Frente

9.4.1.2. Não há comunicação com os neurônios da mesma camada

9.4.2. Recorrente e Retorno

9.4.2.1. Recorrente

9.4.2.2. Biderecional

9.4.2.3. Pode haver comunicação com os neurônios da mesma camada ou anteriores

9.4.2.4. PLN