Oi bupedroni. No exemplo a escolha foi feita de acordo com a função. Normalmente a escolha da saída está associada com o problema. Em muitos casos são usados mais de um neurônio de saída quando existem várias classes. Neste caso usamos uma MLP (multiple layer perceptron) com vários neurônios. Mas obrigado por avisar, vou tentar explicar melhor essa parte da saída. Vou tentar montar assim que possível algo sobre MLP.
Em primeiro lugar parabéns pelos vídeos, ótima didática. Estou desenvolvendo uma RN para detecção do estado estressado e não estressado em um indivíduo a partir de sinal ECG (Eletrocardiograma). Mas não sei como definir o vetor de saída para treinar a rede, pois o vetor de saída é dado em 1 e 0. Tem alguma dica?
Bom vídeo, Augusto. Como dica para os vídeos, sugiro que não perca tempo escrevendo todo o nome dos exemplos, como Laranja e Tangerina. Como falou quais eram, apenas colocar L e T serviria. Abraço.
A amostra que você esta utilizando para ajustar o peso é a amostra 3 e não 1? Não entendi? Mas é ótima a sua explicação.
7 лет назад
Professor, primeiramente parabéns. Finalmente estou conseguindo entender essa loucura. Fiquei com uma dúvida na parte do treinamento. Lá, no ajuste dos pesos, (45:26) você não usou o Bias. Por que?
Augusto, parabéns pelo vídeo! Gostaria apenas de sugerir explicar melhor como escolher os labels (i.e., a etapa de associar a saída desejada, d(k)). :-)
Obrigado Matheus. Já recebi alguns emails falando que gostaram deste material. Pretendo essa semana fazer algo usando algoritmos genéticos e mais algumas coisas de IA que já tenho pronto. Vamos ver se ficará legal :D
É possível realizar o treinamento (ajuste dos pesos, se necessário) no momento em que a amostra é coletada? Por exemplo: a IA de um jogo que realiza ajustes sempre que perde uma partida em vez de armazenar amostras.
Ótimo vídeo. Gostaria de tirar uma dúvida sobre a fase de treinamento. Supondo que utilizei a amostra três para ajuste do vetor peso (W). Quando eu fizer para amostra quatro, os pesos que foram ajustados para a amostra três não vão desajustar, pois utilizo o mesmo vetor W sempre? Na ultima amostra quando o pesos forem ajustados, talvez já não estão mais ajustados para a primeira amostra!!! Aguardo e obrigado. Muito bom o vídeo.
Olá Alfredo. Essa é uma excelente observação. Possivelmente este caso ocorre muitas vezes, onde um ajuste afeta os outros. Contudo, a ideia é que o algoritmo tente ir ajustando e se necessário ele volte para as amostras anteriores para tentar reajustar até encontrar o conjunto de pesos. Uma opção é de diminuir a taxa de aprendizado para tentar pegar um intervalo menor que satisfaz todas as amostras, já que uma taxa de aprendizado alta fazer com que os pesos se alterem de forma muito "brusca" e isso faz com que existam saltos muito elevados no "gradiente" da função que expressa a rede. Uma variação deste algoritmo, sendo usada em redes de múltiplas camadas, já tolera uma certa taxa de erros. Neste caso, pode ser que não sejam encontrados os pesos ótimos, mas algo que satisfaça uma certa regra (como parar após 100 interações sem melhoria do erro da rede). Espero ter ajudado, até+
Primeiro, parabéns pelos vídeos. Quando você tem na fase de treinamento os ajustes dos pesos w= w(anterior) + n * ( d(k) - y ) * x(k), na realidade você está fazendo ajuste de dois pesos e teria w(1)= w(1)(anterior) + n * ( d(1) - y ) * x(1) e w(2)= w(2)(anterior) + n * ( d(2) - y ) * x(2) e desta forma guardaria os novos pesos w(1) e w(2), é isto?
o video é legal mas tem alguns erros (só pra exemplificar, 43:25 amostra 3 é esperado -1) . Poderia ter feito o exercicio até o final tambem, demonstrando cada etapa. Também fiquei com duvidas.... Como seria com 5X? O recalculo do peso é feito a cada amostra com erro? Vai inserindo amostras novas até achar o valor ideal de w ou repete um mesmo conjunto de amostras?
Olá Augusto, tudo bem com você? Sou estudante de Sistemas de Informação, estou tendo aula de I.A. neste semestre, mas por causa da pandemia as aulas estão todas online. Te a dificuldade de tirar dúvidas com o professor e as provas estão se aproximando. Gostaria de saber se você tem disponibilidade de me dar aula de reforço online e tirar dúvidas sobre essa disciplina. Aguardo o teu contato.
Na verdade, só digo isso porque os valores possíveis dos labels são definidos pela activation function escolhida. No exemplo dado, como as classes são -1 e 1, imagino que as únicas duas funções - dentre aquelas que foram apresentadas no primeiro vídeo - são a bipolar step e a hyperbolic tangent functions. Seria possível confirmar isso para mim? Muito obrigado!
Cara por favor me tira uma duvida urgente: Os algoritmos de KNN são considerados uma rede neural? Eles são bons para o aprendizado de maquina? estou desenvolvendo um TCC de nivel tecnico e estou entendendo melhor o KNN do que o Perceptron (Não tenho materia de IA no curso o que dificulta o aprendizado)
Didática maravilhosa. Parabéns ! Uma pergunta: Há ganho de eficiência usando algoritmos genéticos na determinação dos pesos da rede Perceptron, fazendo assim um algoritmo híbrido? Desde já obrigado.
Tudo bem André. Sim, existe um ganho considerável em muitos casos. Isso ocorre pois de acordo com o peso inicial podemos alcançar diferentes mínimos/máximos locais. Um AG ajuda a testar melhor combinações de pesos. Como exemplo, em um de meus trabalhos baseado em "Kwon, Y., & Moon, B. Evolutionary ensemble for stock prediction. GECCO 2004" estou usando AG, redes neurais, .... Em um caso bem simples com apenas 4 entradas consegui melhorar uma taxa média de erro de 0.03 para 0.004. Como o meu problema eu preciso do menor erro possível, cada melhoria é muito importante. Além disso, essa taxa de erro cresce bastante ao adicionar mais entradas, ainda mais em meu caso que serão mais de 150 entradas. Até mais :D
Antunni Antunes Oi Antunni. O overfitting realmente pode acontecer de acordo com a rede que adotamos, contudo nos exemplos que passei o problema em si já é linearmente separável, por isso não temos o problema de overfitting. Mas é claro que em problemas reais precisamos tomar este cuidado.
Augusto Branquinho gostei mas deixa poderia ter deixado a referencia do livro nesse testo abaixo do vídeo. eu gostaria de aprender a criar a AI, isso e possível criar no prompt de comando do windows? onde encontro algoritmos de comando de AI? tem alguma referencia pra essas duvidas? tenta ver se consegue um mesa de tablet pra embutir no seu pc pra fazer suas escrituras na tela rsrs.
Olá Augusto! Primeiramente obrigado pelos vídeos! Estou com uma pequena dúvida. Em 31:55 você fala que se tivermos 20 valores de entrada, teremos 20 pesos. Mas se considerarmos o Bias, teremos 21 pesos, é isso? Agradeço desde já pela atenção!
Olá, entendo que para facilitar a compreensão do vídeo foi usada uma rede com duas entradas, mas eu tenho uma dúvida, como saber se um sistema de 3 entradas é linear ou não?
Boa explicação mas notei que no minuto 43:48 durante a explicação os valores de entrada (primeira entrada) estão errados, no exemplo consta X= [-1 0,6 0,9 0,8 ] quando na realidade seria X=[-1 0,1 0,4 0,7 ] atenção a isso, poderá induzir-nos a erros! Obrigado de Portugal ;)
Verdade. Tbm notei que os valores desejaveis não estavam coincidindo com a reta a ser gerada e isso estava custando na geração dos pesos que nunca batiam. após inverter os desejaveis da amostra 2 e 3, a rede conseguiu convergir. Mas isso é apenas um detalhe para que for utilizar os valores informados por ele. O ideal seria montar o seu proprio gráfico, classificá-los e disponibiliźa-los como amostra de treinamento. No mais, os vídeos dele foram os melhores e os mais explicativo que vi até hoje.
Boa noite amigo, por acaso vc tem a resolução do projeto prático 3.6 do livro redes neurais artificiais para engenharia e ciências aplicadas? Estou com dúvidas quanto ao treinamento. Não sei se é pra utilizar todas as amostras do apêndice I ou apenas os primeiros 5 valores para cada treinamento.
Augusto, para cada amostra que eu fizer o treinamento, eu vou ter um conjunto de pesos treinados certo? se eu utilizar 30 amostras por exemplo, eu terei 30 conjuntos de pesos, o que eu faço para achar os pesos definitivos? Eu devo tirar uma média?
+Renato Ximenes Você vai possuir apenas um conjunto de pesos independente do número de amostras. O treinamento da rede tem o objetivo de "acertar"/aproximar independente de qual seja a amostra usando apenas um conjunto de pesos.
+Augusto Branquinho Então para cada nova amostra de treinamento eu preciso utilizar os pesos encontrados na amostra anterior? Ao invés de randomizá-los novamente? Achei estranho pq conforme eu for treinando a rede, e modificando os pesos com novas amostras, esses pesos podem não mais servir pra amostras anteriores... Pq eu sempre modifico todos os pesos? Pq não apenas aqueles que interferem no meu valor desejado? Desculpe tanta perguntas Augusto, é pq eu já li vários artigos e livros mas ainda tenho algumas dúvidas..
Fala, +Renato Ximenes!! Blz? Pegando o exemplo da Rede Neural que classifica Laranjas ou Tangerinas. Se na fase de treinamento, quanto mais amostras você passar para a sua rede, mais precisos ficarão os pesos. Depois disso você pode utilizar os mesmos pesos sempre. Fazendo uma analogia ao nosso aprendizado, quanto mais praticarmos uma determinada habilidade, melhor ficaremos nela. " Pq eu sempre modifico todos os pesos? Pq não apenas aqueles que interferem no meu valor desejado?" É preciso aplicar a formula de correção dos pesos para todos os pesos, pois é o conjunto das entradas que define o resultado do neurônio. A formula vai fazendo o "ajuste fino". Caí de paraquedas, mas espero que tenha ajudado. Augusto me corrija se falei besteira.
Eu achava que toda e qlquer rede neural era utilizada para problemas não lineares... To errado, então? A PERCEPTRON só serve para problemas lineares? abç!
No perceptron simples ele é usado apenas para problemas linearmente separáveis. Contudo, isso é apenas para uma abordagem para entendimento, já que realmente isso é praticamente impossível em problemas um pouco mais complexos. Mas nestes problemas mais complexos já começamos a trabalhar com outras redes, como MLP.
Oi Fellype. Quando você fala 1 se refere a classe que usei para representar as laranjas e tangerinas? Este valor segue a função de ativação quando a escolhemos. Em alguns casos nos escolhemos da forma que melhor representam o nosso problema e posteriormente escolhemos a função de ativação.
Primeiramente, parabéns pelo vídeo. Mas conforme a Ana Pop já comentou, já sendo chato... =] também me incomoda ouvir palavras em inglês com a pronuncia errada, isso é muito mais comum do que deveria no Brasil, mesmo no ambiente científico, mas é sempre bom prezar por excelência e melhoria...: translate.google.com/#en/pt/bias pronuncia-se "báias", e existe uma palavra ótima em português pra "bias", que é viés, enviesamento, algo que possui "bias" é algo tendencioso, por exemplo, um "dado viciado", como dizem popularmente.
Aula mais digerivel de redes neurais q vi até o momento, Muito bom!
Ótima aula! Explicada de forma tranquila e objetiva! Obrigada!
tem alguns vídeos que mesmo que tenham sido feitos há muito tempo continuam sendo uma mão na roda na hora de estudar, muito obrigado.
Meu TCC agradece por essa aula. Grato
Excelente, tentei entender alguns conceitos simples e somente assistindo esse vídeo foi possível esclarecer bem o conceito! Muito obrigado!
Excelente aula professor!! me ajudou muito. Obrigado!!!!
Muito bem explicado, mostrou o processo passo a passo utilizando um exemplo prático do mundo real(laranjas e tangerinas).
Incrível cara! É muito cálculo por trás disso.
Meu amigo, acabei perdendo esta aula na faculdade e você me ajudou pacas. Muito bem explicado :D
muito boa a sua aula, obrigado por disponibilizá-la. Ainda hoje salvando vidas rsrrsrs
Top! muito didático, venho estudando RNA's e deu pra clarear mais um pouco .
Parabéns ! Excelente explicação. Ajudou muito !!!
Parabéns, professor, suas aulas são ótimas, explicação muito tranquila e didática!
Excelente aula. Obrigado
Parabéns pela didática, material muito bom, irei propagar esse canal ...
Parabéns, sua didática é ótima!
Oi bupedroni. No exemplo a escolha foi feita de acordo com a função. Normalmente a escolha da saída está associada com o problema. Em muitos casos são usados mais de um neurônio de saída quando existem várias classes. Neste caso usamos uma MLP (multiple layer perceptron) com vários neurônios. Mas obrigado por avisar, vou tentar explicar melhor essa parte da saída. Vou tentar montar assim que possível algo sobre MLP.
Ótima aula, está me ajudando bastante
Muito bom cara, vc foi de grande ajuda pro meu tcc!! Muito Obrigado!! :)
Parabéns Augusto. Excelente didática.
Em primeiro lugar parabéns pelos vídeos, ótima didática. Estou desenvolvendo uma RN para detecção do estado estressado e não estressado em um indivíduo a partir de sinal ECG (Eletrocardiograma). Mas não sei como definir o vetor de saída para treinar a rede, pois o vetor de saída é dado em 1 e 0. Tem alguma dica?
Muito bom. Cumprimentos de Portugal.
Bom vídeo, Augusto.
Como dica para os vídeos, sugiro que não perca tempo escrevendo todo o nome dos exemplos, como Laranja e Tangerina. Como falou quais eram, apenas colocar L e T serviria.
Abraço.
Excelente aula Augusto. Parabéns!
A amostra que você esta utilizando para ajustar o peso é a amostra 3 e não 1? Não entendi? Mas é ótima a sua explicação.
Professor, primeiramente parabéns. Finalmente estou conseguindo entender essa loucura.
Fiquei com uma dúvida na parte do treinamento. Lá, no ajuste dos pesos, (45:26) você não usou o Bias. Por que?
Parabéns, Ajudou muitooooo. Deus lhe abençoe meu caro
Augusto, parabéns pelo vídeo!
Gostaria apenas de sugerir explicar melhor como escolher os labels (i.e., a etapa de associar a saída desejada, d(k)).
:-)
Obrigado Matheus. Já recebi alguns emails falando que gostaram deste material. Pretendo essa semana fazer algo usando algoritmos genéticos e mais algumas coisas de IA que já tenho pronto. Vamos ver se ficará legal :D
Aula maravilhosa. Parabéns!
Finalmente entendi esse negócio.
Entendeu mesmo?
?
vdd. De tantos videos que achei no youtube, esse foi o cara q mais explicou de forma clara
Parabéns, muito boa aula
amigo, ótimo vídeo, continue com este trabalho, está ajudando muito, obrigado
Parabéns! Excelente Aula!
É possível realizar o treinamento (ajuste dos pesos, se necessário) no momento em que a amostra é coletada?
Por exemplo: a IA de um jogo que realiza ajustes sempre que perde uma partida em vez de armazenar amostras.
Ótimo vídeo. Gostaria de tirar uma dúvida sobre a fase de treinamento. Supondo que utilizei a amostra três para ajuste do vetor peso (W). Quando eu fizer para amostra quatro, os pesos que foram ajustados para a amostra três não vão desajustar, pois utilizo o mesmo vetor W sempre?
Na ultima amostra quando o pesos forem ajustados, talvez já não estão mais ajustados para a primeira amostra!!!
Aguardo e obrigado. Muito bom o vídeo.
Olá Alfredo.
Essa é uma excelente observação. Possivelmente este caso ocorre muitas vezes, onde um ajuste afeta os outros. Contudo, a ideia é que o algoritmo tente ir ajustando e se necessário ele volte para as amostras anteriores para tentar reajustar até encontrar o conjunto de pesos. Uma opção é de diminuir a taxa de aprendizado para tentar pegar um intervalo menor que satisfaz todas as amostras, já que uma taxa de aprendizado alta fazer com que os pesos se alterem de forma muito "brusca" e isso faz com que existam saltos muito elevados no "gradiente" da função que expressa a rede.
Uma variação deste algoritmo, sendo usada em redes de múltiplas camadas, já tolera uma certa taxa de erros. Neste caso, pode ser que não sejam encontrados os pesos ótimos, mas algo que satisfaça uma certa regra (como parar após 100 interações sem melhoria do erro da rede).
Espero ter ajudado, até+
Muito bom, parabéns !
Primeiro, parabéns pelos vídeos. Quando você tem na fase de treinamento os ajustes dos pesos w= w(anterior) + n * ( d(k) - y ) * x(k), na realidade você está fazendo ajuste de dois pesos e teria w(1)= w(1)(anterior) + n * ( d(1) - y ) * x(1) e w(2)= w(2)(anterior) + n * ( d(2) - y ) * x(2) e desta forma guardaria os novos pesos w(1) e w(2), é isto?
Oá Augusto! Cara, mas e na prática, como se trabalha com isso?
o video é legal mas tem alguns erros (só pra exemplificar, 43:25 amostra 3 é esperado -1) . Poderia ter feito o exercicio até o final tambem, demonstrando cada etapa. Também fiquei com duvidas.... Como seria com 5X? O recalculo do peso é feito a cada amostra com erro? Vai inserindo amostras novas até achar o valor ideal de w ou repete um mesmo conjunto de amostras?
Parabéns, ótimo vídeo.
Olá Augusto, tudo bem com você? Sou estudante de Sistemas de Informação, estou tendo aula de I.A. neste semestre, mas por causa da pandemia as aulas estão todas online. Te a dificuldade de tirar dúvidas com o professor e as provas estão se aproximando. Gostaria de saber se você tem disponibilidade de me dar aula de reforço online e tirar dúvidas sobre essa disciplina. Aguardo o teu contato.
Na verdade, só digo isso porque os valores possíveis dos labels são definidos pela activation function escolhida. No exemplo dado, como as classes são -1 e 1, imagino que as únicas duas funções - dentre aquelas que foram apresentadas no primeiro vídeo - são a bipolar step e a hyperbolic tangent functions.
Seria possível confirmar isso para mim? Muito obrigado!
Cara por favor me tira uma duvida urgente: Os algoritmos de KNN são considerados uma rede neural? Eles são bons para o aprendizado de maquina? estou desenvolvendo um TCC de nivel tecnico e estou entendendo melhor o KNN do que o Perceptron (Não tenho materia de IA no curso o que dificulta o aprendizado)
Excelente! E a parte 3?
Didática maravilhosa. Parabéns !
Uma pergunta:
Há ganho de eficiência usando algoritmos genéticos na determinação dos pesos da rede Perceptron, fazendo assim um algoritmo híbrido?
Desde já obrigado.
Tudo bem André.
Sim, existe um ganho considerável em muitos casos. Isso ocorre pois de acordo com o peso inicial podemos alcançar diferentes mínimos/máximos locais. Um AG ajuda a testar melhor combinações de pesos.
Como exemplo, em um de meus trabalhos baseado em "Kwon, Y., & Moon, B. Evolutionary ensemble for stock prediction. GECCO 2004" estou usando AG, redes neurais, .... Em um caso bem simples com apenas 4 entradas consegui melhorar uma taxa média de erro de 0.03 para 0.004. Como o meu problema eu preciso do menor erro possível, cada melhoria é muito importante. Além disso, essa taxa de erro cresce bastante ao adicionar mais entradas, ainda mais em meu caso que serão mais de 150 entradas.
Até mais :D
Augusto Branquinho blz?
Mas se o erro está assim tão baixo, não está ocorrendo overfitting?
Antunni Antunes Oi Antunni. O overfitting realmente pode acontecer de acordo com a rede que adotamos, contudo nos exemplos que passei o problema em si já é linearmente separável, por isso não temos o problema de overfitting. Mas é claro que em problemas reais precisamos tomar este cuidado.
Augusto Branquinho gostei mas deixa poderia ter deixado a referencia do livro nesse testo abaixo do vídeo. eu gostaria de aprender a criar a AI, isso e possível criar no prompt de comando do windows?
onde encontro algoritmos de comando de AI? tem alguma referencia pra essas duvidas?
tenta ver se consegue um mesa de tablet pra embutir no seu pc pra fazer suas escrituras na tela rsrs.
Cara, muito bom! Me deu a luz que faltava para minha monografia o/
Olá Augusto! Primeiramente obrigado pelos vídeos!
Estou com uma pequena dúvida. Em 31:55 você fala que se tivermos 20 valores de entrada, teremos 20 pesos. Mas se considerarmos o Bias, teremos 21 pesos, é isso?
Agradeço desde já pela atenção!
Creio que não, o bias é como se fosse um peso adicional para deixar a rede mais 'maleável'.
Excelente! Parabéns...
Olá, entendo que para facilitar a compreensão do vídeo foi usada uma rede com duas entradas, mas eu tenho uma dúvida, como saber se um sistema de 3 entradas é linear ou não?
Onde se guarda esses dados coletados usando por ex PHP e MySQL?
Boa explicação mas notei que no minuto 43:48 durante a explicação os valores de entrada (primeira entrada) estão errados, no exemplo consta X= [-1 0,6 0,9 0,8 ] quando na realidade seria X=[-1 0,1 0,4 0,7 ] atenção a isso, poderá induzir-nos a erros! Obrigado de Portugal ;)
Verdade. Tbm notei que os valores desejaveis não estavam coincidindo com a reta a ser gerada e isso estava custando na geração dos pesos que nunca batiam. após inverter os desejaveis da amostra 2 e 3, a rede conseguiu convergir. Mas isso é apenas um detalhe para que for utilizar os valores informados por ele. O ideal seria montar o seu proprio gráfico, classificá-los e disponibiliźa-los como amostra de treinamento. No mais, os vídeos dele foram os melhores e os mais explicativo que vi até hoje.
Muito bom.
Boa noite amigo, por acaso vc tem a resolução do projeto prático 3.6 do livro redes neurais artificiais para engenharia e ciências aplicadas? Estou com dúvidas quanto ao treinamento. Não sei se é pra utilizar todas as amostras do apêndice I ou apenas os primeiros 5 valores para cada treinamento.
+Renato Ximenes Oi Renato, não tenho a solução de nenhum exercício neste momento.
excelente aula!
Excelente !
Augusto, para cada amostra que eu fizer o treinamento, eu vou ter um conjunto de pesos treinados certo? se eu utilizar 30 amostras por exemplo, eu terei 30 conjuntos de pesos, o que eu faço para achar os pesos definitivos? Eu devo tirar uma média?
+Renato Ximenes Você vai possuir apenas um conjunto de pesos independente do número de amostras. O treinamento da rede tem o objetivo de "acertar"/aproximar independente de qual seja a amostra usando apenas um conjunto de pesos.
+Augusto Branquinho Então para cada nova amostra de treinamento eu preciso utilizar os pesos encontrados na amostra anterior? Ao invés de randomizá-los novamente? Achei estranho pq conforme eu for treinando a rede, e modificando os pesos com novas amostras, esses pesos podem não mais servir pra amostras anteriores... Pq eu sempre modifico todos os pesos? Pq não apenas aqueles que interferem no meu valor desejado? Desculpe tanta perguntas Augusto, é pq eu já li vários artigos e livros mas ainda tenho algumas dúvidas..
Fala, +Renato Ximenes!! Blz?
Pegando o exemplo da Rede Neural que classifica Laranjas ou Tangerinas. Se na fase de treinamento, quanto mais amostras você passar para a sua rede, mais precisos ficarão os pesos. Depois disso você pode utilizar os mesmos pesos sempre. Fazendo uma analogia ao nosso aprendizado, quanto mais praticarmos uma determinada habilidade, melhor ficaremos nela.
" Pq eu sempre modifico todos os pesos? Pq não apenas aqueles que interferem no meu valor desejado?"
É preciso aplicar a formula de correção dos pesos para todos os pesos, pois é o conjunto das entradas que define o resultado do neurônio. A formula vai fazendo o "ajuste fino".
Caí de paraquedas, mas espero que tenha ajudado. Augusto me corrija se falei besteira.
muito obrigada!!
muito bom!!!
como eu faço para conseguir o livro piratex? obviamente eu comprarei original depois...
vc é o cara
Augusto, de onde foram tirados estes psudocódigos? Foram do livro que o professor sitou no inicio do video? Abraço
Os pseudocódigos foram do livro e a partir deles realizei o desenvolvimento.
muito bom, ajuda muito!
Explica bem dms!
Tranquilo!
Muito bom o vídeo :)
Eu achava que toda e qlquer rede neural era utilizada para problemas não lineares...
To errado, então? A PERCEPTRON só serve para problemas lineares?
abç!
No perceptron simples ele é usado apenas para problemas linearmente separáveis. Contudo, isso é apenas para uma abordagem para entendimento, já que realmente isso é praticamente impossível em problemas um pouco mais complexos. Mas nestes problemas mais complexos já começamos a trabalhar com outras redes, como MLP.
toda rede neural artificial é um perceptron, sendo ele simples ou complexo?
+grmmhp Não, existem muitos tipos de redes. No livro do simon haykins existem diversas redes.
As entradas não são consideradas como neurônios?
Olá Wellington.
Não são considerados como neurônios, as vezes pode fazer confusão, uma vez que existe diversos tipos de redes.
Augusto Branquinho obrigado... vc fará algum post sobre CNN?
Augusto Branquinho obrigado... vc fará algum post sobre CNN?
O valor desejado é sempre 1? Não entendi isso.
Oi Fellype.
Quando você fala 1 se refere a classe que usei para representar as laranjas e tangerinas?
Este valor segue a função de ativação quando a escolhemos. Em alguns casos nos escolhemos da forma que melhor representam o nosso problema e posteriormente escolhemos a função de ativação.
Augusto Branquinho Ah sim! Entendi agora, vlw!
E parabéns pelo vídeo, ganhou um inscrito! :D
Resumindo If se x e y for > 0 e else se x e y for < 0 .
X e y são condenadas que podem ser classificadas em um plano cartesiano.
Ótimo!!! :D
Primeiramente, parabéns pelo vídeo.
Mas conforme a Ana Pop já comentou, já sendo chato... =] também me incomoda ouvir palavras em inglês com a pronuncia errada, isso é muito mais comum do que deveria no Brasil, mesmo no ambiente científico, mas é sempre bom prezar por excelência e melhoria...: translate.google.com/#en/pt/bias
pronuncia-se "báias", e existe uma palavra ótima em português pra "bias", que é viés, enviesamento, algo que possui "bias" é algo tendencioso, por exemplo, um "dado viciado", como dizem popularmente.
Tangeria! xD
Muito bom, mas sem querer ser chata e já sendo, "bias" pronuncia-se como "baias".