Redes Neurais

From RaveWiki

Contents 1 Objetivos atuais 2 Escopo 2.1 Ementa do curso de Redes Neurais da PUC-RIO 3 Referências 3.1 Bibliotecas 3.2 Blogs e Grupos 3.3 Exemplos 3.4 Links 3.5 Software 3.6 Tutoriais 4 Objetivos alcançados

Objetivos atuais

• Obter noções básicas de Redes Neurais e suas aplicações.
• Análise de soluções conhecidas para problemas típicos/tradicionais.
• Implementar uma solução para um problema prático de alguma área de conhecimento.

Escopo

Ementa do curso de Redes Neurais da PUC-RIO

• Características Básicas: Aprendizado, Associação, Generalização e Robustez; Histórico; Estrutura do Neurônio Artificial; Estruturas de Interconexão; Tipos de Aprendizado - Supervisionado e Não-Supervisionado; Algoritmos de Aprendizado: Perceptron, Algoritmos de Mínimos Quadrados, Back Propagation, Redes de Função de Base Radial, Redes Probabilísticas, Treinamento Bayesiano, Mapas Auto-Organizáveis, Processamento Temporal; Redes de Hopfield; Aplicações.

1. Introdução à Inteligência Computacional
2. Introdução às Redes Neurais
   1. Definição.
   2. Características Básicas: Aprendizado; Associação; Generalização; Abstração; Robustez
   3. Histórico, Conceitos Básicos e Aplicações.
3. Redes Neurais Artificiais
   1. Neurônio Artificial (Elemento Processador).
      1. Regras de Propagação e Funções de Ativação.
   2. Estruturas de Interconexão.
   3. Processamento Neural: Aprendizado (Learning) e Recuperação dos Dados (Recall)
   4. Tipos de Aprendizado: Supervisionado e Não-Supervisionado.
4. Regras de Aprendizado - Algoritmos Neurais
   1. Perceptron.
      1. Algoritmo de Aprendizado e O Problema do OU-Exclusivo.
   2. Algoritmos de Mínimos Quadrados.
      1. Método Steepest Descent.
      2. O Algoritmo de Mínimos Quadrados.
   3. Algoritmo de RetroPropagação de Erros - Back Propagation.
      1. Algoritmo de Aprendizado - Método do Gradiente Descendente.
      2. Taxa de Aprendizado e o Termo de Momento.
      3. Problemas de Network Paralysis e Mínimo Local.
      4. Super Parametrização e Capacidade de Generalização.
      5. Validação Cruzada e Problemas Numéricos.
      6. Functional Link Networks.
      7. Aplicações.
   4. Funções de Base Radial - Radial Basis Functions (RBF).
      1. Funcionamento Básico.
      2. Comparação com o método de Retropropagação.
      3. Algoritmos de Treinamento.
      4. Generalized Regression Neural Networks (GRNN).
      5. Aplicações.
   5. Redes Probabilísticas.
      1. Classificadores Bayesianos.
      2. Janelas de Parzen para estimação das Funções Densidade de Probabilidade.
   6. Redes Recorrentes.
      1. Características Básicas.
      2. Função Energia Computacional e Critério de Estabilidade.
      3. Rede de Hopfield como Memória Associativa e para Otimização.
      4. Memórias Associativas Bidirecionais (BAM: Bidirectional Associative Memories).
      5. Convergência X Ruído.
   7. Algoritmos Não Supervisionados I.
      1. Aprendizado Hebbiano.
      2. Análise de Componentes Principais.
   8. Algoritmos Não Supervisionados II.
      1. Aprendizado Competitivo.
      2. Mapa Auto-Organizável de Kohonen.
      3. Modelos ART
      4. Algoritmos Híbridos
      5. Aplicações
   9. Processamento Temporal
      1. Time Delay Neural Networks (TDNN)
      2. Aprendizado Temporal Back Propagation

Referências

Bibliotecas

• NeuroBox Neural Network Library
• C# Neural network library

Blogs e Grupos

• .::Soh::.
• Redes Neurais Artificiais Br

Exemplos

• AI example: neural networks in C#
• C# Neural Network Class
• Training and Simulating a Neutral DotNetwork in C#
• Fuzzy Logic Vs Adaline Neural Network
• Neural Networks on C#

Links

• Resources for Neural Networks and Knowledge Modeling
• Financial Applications of Neural Networks

Software

• STATISTICA Neural Networks

Tutoriais

• Tutorial de Redes Neurais (LNCC)

Objetivos alcançados