Link do documento:

Este artigo apresenta uma introdução para a área de redes neurais artificiais (RNA), sendo que os seus fundamentos de RNA são o modelo de seu neurônio, a topologia da rede e os paradigmas de aprendizagem
Adaline e Percepton
Os seguintes tópicos refletem os mais importantes características que são especialmente atrativas para serem simuladas em uma RNA.
- Robustez e tolerância a falhas: A eliminação de alguns neurônios não afeta a funcionalidade global
- Capacidade de aprendizagem: O cérebro é capaz de aprender novas tarefas que nunca foram executadas antes
- Processamento de informação incerta: Mesma que a informação fornecida seja incompleta, afeta por ruído ou parcialmente contraditória, ainda uma raciocínio correto é possível.
- Paralelismo: Um imenso número de neurônios está ativo ao mesmo tempo. Não existe a restrição de um processador que obrigatoriamente trabalhe uma instrução após a outra.

História

Apresentação de um modelo de um neurônio artificial (1943)
Concepção do Percepton (1943): Apresentação de um algoritmo capaz de adaptar os pesos internos de neurônio de maneira que seja capaz de resolver o problema de classificação linear, em caso de separabilidade linear das classes.
Concepção do Adaline (1960)
Critica feita ao Percepton (1969): Como consequência que a comunidade científica (em uma grande parte) abandonou o tema por completa.

Fundamentos

As redes neurais tem duas facetas elementares: a arquitetura e o algoritmo de aprendizagem.
O algoritmo de aprendizagem generaliza esses dados e memoriza o conhecimento dentro dos parâmetros adaptáveis da rede, os pesos. Assim o construtor de um sistema baseado em RNA tem dois graus de liberdade, a definição sobre o tipo de rede para resolver o problema em consideração e o algoritmo para treinar a rede, para adaptar os pesos da rede

Untitled

Untitled