Scribd
Carregar
3 visualizações12 páginas

Percept Ron

O Perceptron é a base das redes neurais, sendo um classificador binário para problemas linearmente separáveis, desenvolvido a partir da ideia de neurônios artificiais por McCulloch e Pitts em 1943. Ele utiliza uma função matemática para processar entradas e pesos, ajustando-os através do método de retropropagação para melhorar a precisão. Apesar de suas limitações em resolver problemas não lineares, o Perceptron é fundamental para a construção de redes neurais mais complexas, como o Multilayer Perceptron.

Enviado por

Rodrigo Leite
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
3 visualizações12 páginas

Percept Ron

O Perceptron é a base das redes neurais, sendo um classificador binário para problemas linearmente separáveis, desenvolvido a partir da ideia de neurônios artificiais por McCulloch e Pitts em 1943. Ele utiliza uma função matemática para processar entradas e pesos, ajustando-os através do método de retropropagação para melhorar a precisão. Apesar de suas limitações em resolver problemas não lineares, o Perceptron é fundamental para a construção de redes neurais mais complexas, como o Multilayer Perceptron.

Enviado por

Rodrigo Leite
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
Você está na página 1/ 12

Perceptron

tags: #python_full_ai #perceptron

Perceptron: Fundamentos Teóricos e


matemáticos
O Perceptron constitui a base fundamental para o desenvolvimento
de redes neurais mais complexas. Este material explora sua teoria,
formulação matemática e aplicações práticas.

Fundamentos Históricos e Conceituais

Em 1943, Warren McCulloch e Walter Pitts publicaram o artigo que


revolucionou todo o nosso entendimento moderno sobre inteligências
artificiais como as conhecemos hoje, desde o ChatGPT, MidJourney,
ClaudeAI, entre outros.

"A Logical Calculus of the Ideas Immanent in Nervous Activity"


nos deu a ideia do primeiro neurônio artificial, baseado nos neurônios
biológicos do nosso próprio cérebro, chamado de Perceptron.

O Perceptron é um classificador binário de problemas linearmente


separáveis. Ele é a forma mais elementar de uma rede neural e, por
isso, individualmente, não é capaz de resolver muitos problemas, já
que seria equiparado a um único neurônio do nosso cérebro.

Contudo, ele nos permite a criação do Multilayer Perceptron, um


conjunto de Perceptrons ligados em camadas, que dá origem às
redes neurais.

Funcionamento do Perceptron
Onde:

x₁, x₂, ..., xₙ são as entradas


w₁, w₂, ..., wₙ são os pesos que representam o aprendizado do
modelo
Σ representa a soma ponderada das entradas pelos pesos
Z é o resultado da somatória

A imagem acima serve apenas como uma representação humanizada


do Perceptron para fins didáticos. No entanto, para o computador, o
Perceptron nada mais é do que uma função matemática.

z = f (x 1 , x 2 )

f (x 1 , x 2 ) = (x 1 ⋅ w 1 ) + (x 2 ⋅ w 2 )

O problema de representar o Perceptron dessa maneira é que a


função resultante só funciona com dois valores de entrada. Para que
ele seja mais útil e escalável, precisamos expressá-lo de forma
dinâmica, capaz de lidar com múltiplas entradas.

Z = ∑ xi wi

i=1
Os pesos, no início do Perceptron, são definidos aleatoriamente
e, conforme o treinamento avança, vão se ajustando aos dados.

Vamos adicionar dois valores de entrada e definir pesos aleatórios


para ilustrar esse processo.

Adicionando os dados na função temos:

f (x 1 , x 2 ) = (1 ⋅ 0.1) + (0 ⋅ 0.2)

Z = 0.1

Nesse modelo, ainda precisamos adicionar a função de ativação. Ela


é responsável por transformar a soma ponderada realizada
anteriormente em uma saída útil, que faça sentido para o problema.

Imagine que estamos criando uma rede neural para classificar


radiografias, identificando se o osso está ou não quebrado.
Resultados como 150, -20 ou 600 não fariam muito sentido.

Por isso, precisamos normalizar esses dados de forma que se


encaixem no contexto do problema. Nesse exemplo, poderíamos usar
como função de ativação a step function , que transforma
resultados maiores ou iguais a 0 em 1, e valores menores que 0 em 0.
Dessa forma, teríamos a garantia de que o resultado da rede neural
artificial será sempre 0 ou 1 — e poderíamos interpretar 0 como "osso
não quebrado" e 1 como "osso quebrado".

Podemos perceber que a soma ponderada, representada por Z,


passará por uma função matemática que irá processar esse valor.
Agora sim, o resultado dessa função será a saída oficial do neurônio,
representada por Y.

Matematicamente, isso pode ser representado por:

y = σ(w 1 x 1 + w 2 x 2 + ⋯ + w n x n )

y = σ (∑ w i x i )
i=1

Aplicação prática do perceptron


Vamos assumir que desejamos "ensinar" ao nosso neurônio a
responder corretamente à tabela da operação lógica AND.

Vamos iniciá-lo com pesos aleatórios e utilizar, como função de


ativação, a step function .

1, se x ≥ 1
σ(x) = {
0, se x < 1

Na imagem acima, iniciamos os pesos aleatoriamente com o valor 0,


e o Perceptron não está respondendo corretamente à tabela AND.
Isso significa que precisamos reajustar os pesos do neurônio para
encontrar uma combinação que forneça as respostas corretas.
Essa etapa é chamada de “Backpropagation” ou
“Retropropagação”, pois envolve voltar do resultado para os pesos,
ajustando-os com base no erro cometido.

O funcionamento é simples: nos casos em que a rede neural artificial


fornece uma resposta incorreta, aplicamos uma equação matemática
para ajustar os pesos, aproximando o neurônio da resposta esperada.
(novo) (atual)
w = w + (η ⋅ x i ⋅ erro)
i i

Wi é o peso atualizado
Wi é o peso a ser atualizado
η (eta) é a taxa de aprendizagem
Xi é o valor da entrada n
erro (diferença entre saída desejada e calculada) (d−y)

Vamos aplicar a fórmula para correção dos pesos no caso em que


tivemos uma saída do perceptron diferente da saída desejada.

w 1 = 0 + (0.5 ⋅ 1 ⋅ 1)

w 1 = 0.5

w 1 = 0 + (0.5 ⋅ 1 ⋅ 1)

w 2 = 0.5

Com essa correção nos pesos o perceptron consegue responder


corretamente para todas as possibilidades da tabela AND.
0:00 / 0:09

Na taxa de aprendizagem, devemos tomar cuidado com o valor que


iremos definir. Um valor muito baixo traz maior precisão à rede, mas,
consequentemente, torna o treinamento mais demorado.

Por outro lado, valores muito altos aceleram o treinamento, porém


podem comprometer a performance da rede, resultando em menor
precisão.

Limitação do Perceptron
O Perceptron até aqui aparentou ser um algoritmo muito poderoso,
mas a verdade é que ele por si só é capaz de resolver apenas
problemas linearmente separáveis (O que não são os casos de
problemas reais).
A imagem abaixo mostra a fronteira de decisão do perceptron que
treinamos para resolver uma tabela AND, repare que ele gera uma
linha reta para classificar os dados.

Repare que no caso do XOR não é possível resolver o problema com


uma reta, e nesse caso precisaríamos de técnicas mais avançadas
como o MLP que aprenderemos no próximo módulo desse curso.

Sigmoid
A função sigmoid é responsável por introduzir não linearidade no
sistema. Ela transforma uma saída linear em valores entre 0 e 1, os
quais são comumente interpretados como probabilidades em tarefas
de classificação. Por exemplo, em uma rede neural treinada para
classificar uma radiografia e identificar se um osso está ou não
fraturado, um resultado de 0,82 pode ser interpretado como 82% de
chance de o osso realmente estar quebrado.

Matematicamente representada por:

1
σ(x) =
−x
1 + e

o e na função é uma constante matemática conhecida como número


de Euler, equivale a aproximadamente 2,71828.

Esse valor é calculado pela seguinte somatória:


∞
1
e = ∑
k!
k=0

1 1 1 1 1 1 1
e ≈ 1 + + + + + + + ...
1! 2! 3! 4! 5! 6! 7!

O uso do e é fundamental porque a função exponencial tem


propriedades matemáticas que tornam a sigmoid suave,
continuamente diferenciável e adequada para cálculos de gradiente
durante o treinamento de redes neurais. Além disso, a presença
do e garante que pequenas variações em x resultem em mudanças
suaves na saída, o que é essencial para o aprendizado eficiente em
modelos de machine learning

Resultando em um gráfico como:


Quanto maior o valor de entrada, mais próxima de 1 será a saída;
quanto menor, mais próxima de 0. No entanto, é importante observar
que a função sigmoid apenas tende a esses extremos — ela nunca
atinge exatamente os valores 0 ou 1, apenas se aproxima
infinitamente deles.

y = σ(1 ⋅ 0, 1 + 2 ⋅ 0.5)
y = σ(1.1)

y = 0.75

Representação por álgebra linear


Agora que você já entendeu o funcionamento do perceptron,
podemos começar a pensar em como implementá-lo. Para isso,
utilizaremos álgebra linear, pois em Python as entradas e os pesos
são representados por vetores e matrizes.

As entradas serão representadas da seguinte forma:

x1
⎡ ⎤
x2

→
x =
x3

⎣ ⎦
xn

E os pesos:

w1
⎡ ⎤

w2

→
w =
w3

⎣ ⎦
wn

Nesta etapa, já sabemos que precisamos multiplicar as entradas


pelos pesos (um produto escalar), como vimos no apêndice de
Álgebra Linear. Para isso, como estamos lidando com a multiplicação
de um vetor linha pelo vetor coluna, é necessário realizar a
transposição do vetor de pesos w⃗ .

w→ ⊤
= [w 1 w2 w3 ⋯ wn ]

Agora sim, podemos realizar o produto escalar com:

z = w → x
→ ⊤
2
w→ ⊤
= [ 1,5 −0,5], →
x = [ ]
3

→ x
z = w → = (1,5 × 2) + (−0,5 × 3) = 3 − 1,5 = 1,5
⊤

Agora que realizamos a somatória ponderada, basta aplicar a função


de ativação. Neste exemplo, utilizaremos a sigmoid, que
transformará o valor escalar em uma saída entre 0 e 1.

2
w→ ⊤
= [ 1,5 −0,5], →
x = [ ]
3

→ x
z = w → = (1,5 × 2) + (−0,5 × 3) = 3 − 1,5 = 1,5
⊤

1 1 1
y
^ = σ(z) = ≈ ≈ ≈ 0,777
−1,5
1 + e 1 + 0,2231 1,2231

Você também pode gostar

pFad - Phonifier reborn

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


Alternative Proxies:

Alternative Proxy

pFad Proxy

pFad v3 Proxy

pFad v4 Proxy