senhor

Algoritmos para Aprendizagem Supervisionada
CT215 – Inteligência Artificial
Seminários 2007
Charles-Edouard Winandy
Estillac Borges Filho
Lisânia Vieira Bento

I. Objetivo
O objetivo deste trabalho é analisar algoritmos para aprendizagem supervisionada de redes neurais artificiais, identificando suas vantagens e desvantagens e determinando em que situações são mais eficientes.
II. Redes Neurais Artificiais
Existem diversas definições para redes neurais artificiais, todas procurando identificar as redes como sendo sistemas computacionais baseados em modelos matemáticos que buscam simular o funcionamento das redes neurais biológicas. Uma das mais completas definições de redes neurais artificiais deve-se a Simon Haykin:
“Uma rede neural é um processador maciçamente paralelamente distribuído, construído de unidades de processamento simples, que tem a propensão natural para armazenar conhecimento experimental e torná-lo disponível para uso. Assemelha-se ao cérebro humano em dois aspectos: o conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem; e as forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.”
A estrutura principal de uma rede neural artificial é o neurônio. Existem diversos modelos para neurônios, porém o mais utilizado é o do tipo Perceptron. Ele foi inicialmente proposto por
McCulloch e Pitts, em 1943. Basicamente, o neurônio processa um conjunto de valores de entrada realizando uma soma ponderada destas entradas, utilizando, para tal, pesos sinápticos característicos do neurônio. Esta soma ponderada é então transformada por uma função de ativação, que possui a finalidade de introduzir não-linearidade no modelo e manter o sinal de saída confinado em um dado intervalo. A figura 01 mostra o modelo de um neurônio Perceptron.

Figura 01 – Neurônio Perceptron.

De maneira geral, uma rede neural possui uma estrutura