Para os interessados em iniciar uma discussâo sobre redes neurais, tirar dúvidas e compartilhar seu conhecimento da área resolvi (quase que obrigado pelo Dirceu) criar um grupo no google para que possamos trocar algumas informações.

O endereço do grupo é: http://groups.google.com.br/group/redesneurais

O e-mail é:  redesneurais@googlegroups.com

Enfim, acessem e discutam. O grupo é voltado  para todos aqueles que se interessam pelo assunto e gostariam de um ambiente exclusivamente dedicado a discussão exaustiva do assunto.

Dentre algumas aplicações da redes neurais podemos citar:

1. Reconhecimento de imagens

• Classificação de caracteres
• Reconhecimento de assinaturas
• Reconhecimento de faces

2. Reconhecimento de sons

• Classifcação de fonemas
• Reconhecimento de comandos

3. Classificação financeira

• Análise de crédito
• Previsão de falência de empresas

Obviamente, existem muitas outras aplicações sendo que, as acima citadas correspondem apenas a um pequeno subconjunto.

Quanto ao código fonte, infelizmente não possuo muitas implementações afinal, esta é um área que ainda estou explorando. Por enquanto, estarei disponibilizando um exemplo extremamente simples, desenvolvido em meu tutorial, mas que pode ser útil. Em breve, pretendo escrever um tutorial com uma implementação mais interessante.

Codigo fonte em java

Abraços!

As redes neurais são aplicadas para resolução de diversos problemas. De um modo geral, o objetivo é classificar e reconhecer padrões, predizer e generalizar informações.

Ao projetar uma rede neural, não podemos pensar em técnicas computacionais convencionais, como procedimentos ou fórmulas algorítmicas de processamento de dados, mas sim em tipos dos dados de entrada, dados de saída e tratamento de dados.

Baseando-se nos dados, a rede neural passa por duas fases de explicitação do processamento: o treinamento e a utilização. O treinamento consiste em um processo iterativo de atualização dos pesos sinápticos, ou seja, a rede possui a capacidade de modificar-se para aprender. A utilização é a execução da rede, ou seja, como ele reage aos estímulos a ela apresentados.

Essas duas fases podem ser subdivididas em outras cinco, considerando os diferentes contextos em que uma rede neural pode estar inserida: concepção, definição, treinamento, utilização e manutenção.

Concepção: validação da proposta e escolha do paradigma neural.

Definição: tamanho da rede, tipo de problema, tipo de associação.

Treinamento: Escolha do método de aprendizado, supervisionado ou não-supervisionado.

Utilização: A execução da rede.

Manutenção: Como as redes neurais são utilizadas frequentemente para solucionar problemas dinâmicos, uma verificação contínua dos resultados se faz necessária.

O neurônio artificial pode ser matematicamente descrito por um conjunto de n terminais de entradas x1, x2, …, xn e um único terminal de saída y.

A cada terminal de entrada são atribuídos pesos w1, w2, …, wn, que podem ser positivos ou negativos, dependendo de a sinapses serem inibitórias ou excitatórias. A entrada de um neurôno é dada pela soma dos valores xi * wi.

Cada neurôrio possui um limiar de excitação, que determina se ele irá ou não disparar. O corpo do neurônio é responsável pela soma dos valores xi * wi.

Uma vez que a soma tenha sido calculada, ela é comparada com o limiar de excitação do neurônio que ativa ou não a saída com base no resultado da comparação.

Hoje escrevi um tutorial de cinco páginas que explica, de forma simplificada, o processo de aprendizado de uma Rede Neural Artificial(RNA). Nesse tutorial descrevo, de forma sucinta e objetiva, conceitos como: O neurônio artificial, métodos de aprendizado e, de forma prática, o processo de atualização dos pesos sinápticos de uma RNA.

Também implementei um programinha para demosntrar os conceitos apresentados, de forma a facilitar o aprendizado e permitir que o leitor “veja as coisas funcionando”. O tutorial juntamente com o código fonte estão disponíveis para download abaixo.

Clique aqui para ler o tutorial

Código fonte em python

As redes neurais artificais(RNAs) são sistemas de processamento paralelo e distribuído, formados por unidades de processamento simples, denominadas neurônios, dispostas em uma ou mais camadas e interligadas por conexões geralmente unidirecionais.

Pesos são geralmente atribuídos às conexões, de forma a armazenar o conhecimento representado pela rede e calcular a entrada recebida por cada neurônio. A capacidade de aprendizagem e generalização é um forte atrativo para o uso de redes neurais na resolução de problemas.

A fase de aprendizado consiste em apresentar à rede um conjunto reduzido de exemplos, ela então extrai as características necessárias para representar a informação requerida e, porteriormente, as utiliza para fornecer respostas para o problema em questão.

A generalização está associada à capacidade de aprendizado, onde a rede neural, uma vez treinada, é capaz de fornecer respostas coerentes para dados desconhecidos. Em resumo, é um assunto bastante interessante e, em breve, escreverei um post sobre o modelo de neurônio artificial de McCulloch e Pitts e outro sobre arquitetura de redes neurais.