{"data":{"markdownRemark":{"html":"

Redes Neurais Artificiais

\n

Representação de um neurônio artificial

\n
    \n
  1. Um conjunto de sinapses ou elos de ligação
    2. \n
  2. Somador para as entradas iniciais
    3. \n
  3. Função de ativação para restringir a saída do neuronio
    4. \n
\n
\n

Professor não sabe explicar o motivo da existência da variável bias.

\n
\n

Função de Ativação

\n

Serve para transformar os valores e alocar eles dentro de 0 e 1.

\n

Aprendizado Supervisionado e Não Supervisionado

\n\n
\n

Código implementado na aula

\n
LISTA_DE_NUMEROS_INICIAIS = [[0, 1, 2, -1], [0, 2, -5, 1], [1, -2, 3, -1]]\nPESOS = [0.5, 0.5, 0.5, 0.5]\nVALORES_DESEJADOS = [-1, 1, 1]\nBIAS = -1\nTAXA_DE_APRENDIZAGEM = 0.5\nQUANTIDADE_DE_ITERACOES = 10000\n\n\nclass RedeNeural():\n    def __init__(self, lista_de_numeros_iniciais, pesos, valores_desejados,\n                 bias, taxa_de_aprendizagem, quantidade_de_iteracoes):\n        self.lista_de_numeros_iniciais = lista_de_numeros_iniciais\n        self.pesos = pesos\n        self.valores_desejados = valores_desejados\n        self.bias = bias\n        self.taxa_de_aprendizagem = taxa_de_aprendizagem\n        self.quantidade_de_iteracoes = quantidade_de_iteracoes\n\n        self.lista_de_erros_instantaneos = []\n        self.media_dos_erros_instantaneos = 0.0\n\n    def primeira_funcao(self, lista):\n        soma = 0.0\n        for i in range(len(lista)):\n            soma += (lista[i] * self.pesos[i])\n\n        return soma\n\n    def segunda_funcao(self, resultado_primeira_funcao):\n        sinal_de_saida = self.funcao_ativacao(\n            resultado_primeira_funcao + self.bias)\n        return sinal_de_saida\n\n    # verificar se o erro não foi 0\n\n    def terceira_funcao(self, resultado_segunda_funcao, iteracao):\n        erro = self.valores_desejados[iteracao] - resultado_segunda_funcao\n\n        self.erro_instantaneo(erro)\n\n        return erro\n\n    def quarta_funcao(self, lista, resultado_terceira_funcao):\n        for i in range(len(lista)):\n            resultado_quarta_funcao = self.taxa_de_aprendizagem * \\\n                resultado_terceira_funcao * lista[i]\n\n            self.quinta_funcao(i, resultado_quarta_funcao)\n\n    def quinta_funcao(self, iteracao, resultado_quarta_funcao):\n        self.pesos[iteracao] += resultado_quarta_funcao\n\n    def erro_instantaneo(self, erro):\n        self.lista_de_erros_instantaneos.append(0.5 * pow(erro, 2))\n\n        self.media_dos_erros_instantaneos = float(self.calcular_media_dos_erros_instantaneos(\n            self.lista_de_erros_instantaneos) / len(self.lista_de_erros_instantaneos))\n\n    def calcular_media_dos_erros_instantaneos(self, lista_de_erros):\n        total = 0\n        for erro in range(len(lista_de_erros)):\n            total += lista_de_erros[erro]\n\n        return total\n\n    def funcao_ativacao(self, v):\n        if v > 0:\n            return 1\n        if v == 0:\n            return 0\n        if v < 0:\n            return -1\n\n    def executar(self):\n        for iteracao in range(self.quantidade_de_iteracoes):\n            print(\"\\n Iteração \" + str(iteracao))\n            for i in range(len(self.lista_de_numeros_iniciais)):\n                resultado_primeira = self.primeira_funcao(\n                    self.lista_de_numeros_iniciais[i])\n                resultado_segunda = self.segunda_funcao(resultado_primeira)\n                resultado_terceira = self.terceira_funcao(\n                    resultado_segunda, i)\n\n                if(resultado_terceira != 0):\n                    self.quarta_funcao(\n                        self.lista_de_numeros_iniciais[i], resultado_terceira)\n                    print(\"[\"+str(iteracao)+\"]\" + str(self.pesos))\n                else:\n                    print(\"[\"+str(iteracao)+\"]\" +\n                          str(self.pesos) + \" - erro 0\")\n\n\nrede_neural = RedeNeural(\n    LISTA_DE_NUMEROS_INICIAIS, PESOS, VALORES_DESEJADOS, BIAS,\n    TAXA_DE_APRENDIZAGEM, QUANTIDADE_DE_ITERACOES)\n\nrede_neural.executar()\n\nprint(\"\\n[i] erros instantaneos: \" +\n      str(rede_neural.lista_de_erros_instantaneos))\n\nprint(\"\\nmédia dos erros instantaneos: \" +\n      str(rede_neural.media_dos_erros_instantaneos))
","frontmatter":{"tags":["Faculdade","Tópicos","Python"],"title":"Aula de Redes Neurais","date":"05 outubro, 2018","description":"Relatório da aula de Tópicos onde foi dada uma introdução sobre o conceito de redes neurais e uma implementação simples em python"}}},"pageContext":{"slug":"/redes_neurais/"}}