Redes Neurais Artificiais (ANN) em Machine Learning – Data Science Central

Redes Neurais Artificiais – Introdução

Redes Neurais Artificiais (ANN) ou redes neurais são algoritmos computacionais.

Tem por objetivo simular o comportamento de sistemas biológicos compostos por “neurônios”. As ANNs são modelos computacionais inspirados no sistema nervoso central de um animal. É capaz de aprendizagem mecânica, bem como de reconhecimento de padrões. Estes são apresentados como sistemas de “neurônios” interconectados que podem computar valores a partir de inputs.

Uma rede neural é um gráfico orientado. Ela consiste em nós que na analogia biológica representam os neurônios, conectados por arcos. Ele corresponde a dendritos e sinapses. Cada arco associado a um peso enquanto em cada nó. Aplica os valores recebidos como entrada pelo nó e define a função Ativação ao longo dos arcos de entrada, ajustada pelos pesos dos arcos.

Uma rede neural é um algoritmo de aprendizado de máquina baseado no modelo de um neurônio humano. O cérebro humano consiste de milhões de neurônios. Ele envia e processa sinais sob a forma de sinais elétricos e químicos. Estes neurônios são conectados com uma estrutura especial conhecida como sinapses. As sinapses permitem que os neurônios passem sinais. A partir de um grande número de neurônios simulados, formas de redes neurais.

Uma Rede Neural Artificial é uma técnica de processamento de informação. Ela funciona como o modo como o cérebro humano processa informações. A ANN inclui um grande número de unidades de processamento conectadas que trabalham em conjunto para processar informações. Elas também geram resultados significativos a partir dela.

Nós podemos aplicar a Rede Neural não apenas para classificação. Ela também pode ser aplicada para regressão de atributos de alvo contínuo.

As redes neurais encontram grande aplicação na mineração de dados usada em setores. Por exemplo, economia, forense, etc. e para reconhecimento de padrões. Ele também pode ser usado para classificação de dados em uma grande quantidade de dados após um treinamento cuidadoso.

Uma rede neural pode conter as seguintes 3 camadas:

• Camada de entrada – A atividade das unidades de entrada representa a informação bruta que pode alimentar a rede.
• Camada oculta – Para determinar a atividade de cada unidade oculta. As atividades das unidades de entrada e os pesos nas conexões entre a entrada e as unidades ocultas. Pode haver uma ou mais camadas ocultas.
• Camada de saída – O comportamento das unidades de saída depende da atividade das unidades ocultas e dos pesos entre as unidades ocultas e de saída.

Camadas Neuronais Artificiais

Rede Neural Artificial é normalmente organizada em camadas. As camadas estão sendo compostas por muitos ‘nós’ interconectados que contêm uma ‘função de ativação’. Uma rede neural pode conter as seguintes 3 camadas:

a. Camada de entrada

A finalidade da camada de entrada é receber como entrada os valores dos atributos explicativos para cada observação. Normalmente, o número de nós de entrada em uma camada de entrada é igual ao número de variáveis explicativas. A ‘camada de entrada’ apresenta os padrões para a rede, que se comunica com uma ou mais ‘camadas ocultas’.

Os nós da camada de entrada são passivos, o que significa que não alteram os dados. Eles recebem um único valor no seu input e duplicam o valor para os seus muitos outputs. A partir da camada de entrada, ele duplica cada valor e envia para todos os nós ocultos.

b. Camada oculta

As camadas ocultas aplicam determinadas transformações aos valores de entrada dentro da rede. Nisto, arcos de entrada que vão de outros nós ocultos ou de nós de entrada conectados a cada nó. Ele se conecta com arcos de saída aos nós de saída ou a outros nós ocultos. Em camada oculta, o processamento real é feito através de um sistema de ‘conexões’ ponderadas. Pode haver uma ou mais camadas ocultas. Os valores que entram em um nó oculto multiplicados por pesos, um conjunto de números pré-determinados armazenados no programa. As entradas ponderadas são então adicionadas para produzir um único número.

c. Camada de saída

As camadas ocultas são então ligadas a uma ‘camada de saída’. A camada de saída recebe conexões das camadas ocultas ou da camada de entrada. Ela retorna um valor de output que corresponde à previsão da variável de resposta. Em problemas de classificação, geralmente há apenas um nó de saída. Os nós ativos da camada de output combinam e alteram os dados para produzir os valores de output.

A capacidade da rede neural de fornecer manipulação útil de dados reside na seleção adequada dos pesos. Isto é diferente do processamento convencional de informações.

Estrutura de uma rede neural

A estrutura de uma rede neural também referida como sua ‘arquitetura’ ou ‘topologia’. Ela consiste no número de camadas, unidades elementares. Consiste também no mecanismo de ajuste de peso Interconchangend. A escolha da estrutura determina os resultados que vão ser obtidos. É a parte mais crítica da implementação de uma rede neural.

A estrutura mais simples é aquela em que as unidades distribuem em duas camadas: Uma camada de entrada e uma camada de saída. Cada unidade na camada de entrada tem uma única entrada e uma única saída que é igual à entrada. A unidade de saída tem todas as unidades da camada de entrada ligadas à sua entrada, com uma função de combinação e uma função de transferência. Pode haver mais de 1 unidade de saída. Neste caso, o modelo resultante é uma regressão linear ou logística, dependendo se a função de transferência é linear ou logística. Os pesos da rede são coeficientes de regressão.

Adicionando 1 ou mais camadas ocultas entre as camadas de entrada e saída e unidades nesta camada a potência preditiva da rede neural aumenta. Mas um número de camadas ocultas deve ser tão pequeno quanto possível. Isso garante que a rede neural não armazene todas as informações do conjunto de aprendizagem, mas pode generalizá-las para evitar o ajuste excessivo.

Overfitting pode ocorrer. Isso ocorre quando os pesos fazem o sistema aprender detalhes do conjunto de aprendizagem ao invés de descobrir estruturas. Isto acontece quando o tamanho do conjunto de aprendizagem é muito pequeno em relação à complexidade do modelo.

Uma camada oculta está presente ou não, a camada de saída da rede pode ter muitas unidades, quando há muitas aulas para prever.

Vantagens e desvantagens das redes neurais

Deixe-nos ver poucas vantagens e desvantagens das redes neurais:

• As redes neurais têm um bom desempenho com dados lineares e não lineares, mas uma crítica comum às redes neurais, particularmente na robótica, é que elas requerem uma grande diversidade de treinamento para operação no mundo real. Isto porque qualquer máquina de aprendizagem precisa de exemplos representativos suficientes para capturar a estrutura subjacente que lhe permita generalizar para novos casos.
• As redes neurais funcionam mesmo que uma ou poucas unidades não respondam à rede, mas para implementar redes neurais de software grandes e eficazes, muitos recursos de processamento e armazenamento precisam ser comprometidos. Enquanto o cérebro tem hardware adaptado à tarefa de processar sinais através de um gráfico de neurônios, a simulação até mesmo de uma forma mais simplificada na tecnologia Von Neumann pode obrigar um projetista de rede neural a preencher milhões de linhas de banco de dados para suas conexões – o que pode consumir grandes quantidades de memória de computador e espaço em disco rígido.
• Rede neural aprende com os dados analisados e não requer reprogramação, mas eles são chamados de modelos de “caixa preta”, e fornecem muito pouca visão do que esses modelos realmente fazem. O usuário só precisa alimentar a entrada e assistir ao seu treinamento e esperar a saída.

Conclusion

ANNs são considerados como simples modelos matemáticos para melhorar as tecnologias de análise de dados existentes. Embora não seja comparável com o poder do cérebro humano, ainda assim é o elemento básico da inteligência artificial.