- Lippman(1997): São sistemas que podem adquirir, armazenar e utilizar conhecimentos experimentais que podem alcançar boa performance, devido à sua densa interconexão entre os nós da rede;
- Trabalho proposto por McCulloch e Pitts em 1943;
- Baseada em um neurônio biológico.
- Entradas;
- Pesos;
- Neurônios intermediários;
- Neurônios de saída;
- Saídas.
- Reconhecimento de padrão
- Classificação de reconhecimento de imagens
- Reconhecimento de luz
-
Forma mais simples de uma rede neural;
-
Possui uma única camada;
-
Resolvem apenas problemas lienarmente separáveis;
-
Utiliza, em geral, para classificação de padrões.
-
Cada entrada é multiplicada pelo seu peso, então são somadas, há uma função de ativação que divide cada entrada em classes, e fornece a saída.
- xi = entradas da rede;
- wi = peso sináptico associado à entrada;
-
$\theta$ = limiar de atiavação (bias);- Serve para o valor não começar em 0, começa em um número e vai até onde precisa ir.
- Mantém o algoritmo no hiperplano
- u = potencial de ativação;
- g(u) = função de ativação;
- y = saída da rede;
Se o valor de u, (t), for maior ou igual a zero pertence à classe 1, se não pertence à classe 0
- O perceptorn simples atua, traçando retas entre as classes, até conseguir valores de peso que "separem" todos os pontos;
- O bias(
$\theta$ ) serve para aumentar os graus de liberdade, permitindo uma melhor adaptação por parte da rede neural ao conhecimento à ela fornecido. - Taxa de aprendizagem, um valor entre 0 e 1, diz o quão rápido a rede converge (Se for pequeno demora muito para convergir).
####Treinamento [Fit]
Obter o conjunto de amostras de treinamento {$x^{(k)}$};
Associar o valor desejado {$d^{(k)}$} para cada amostra;
Iniciar o vetor de pesos {$w$} com valores aleatórios pequenos;
Especificar a taxa de aprendizagem {$\eta$};
Iniciar o contador de épocas (época = 0);
Repetir instruções até que o erro inexista:
Inicializa erro
####Operação (Validação) [Predict]
Obter conjunto de amostras para classificação;
Carregar o vetor de pesos {w}, ajustado no treinamento;
Para cada amostra {x} faça:
$\hspace{4mm}$u =
- Supervisionado: quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada; Quando as variáveis são seguidas de valores alvo(já se sabe o valor que o resultado precisa ser);
- Não supervisionado: quando não existe um agente externo indicando a resposta desejada para os padrões de entrada.