As redes neuronais são particularmente úteis para lidar com dados ligados a valores reais em que se deseja obter uma saída dotada de valor real; desta maneira as redes neuronais irão realizar uma classificação por graus, e serão capazes de expressar valores equivalentes a "não conhecido com certeza".
Em aplicações reais, as redes neuronais saem-se particularmente bem nas seguintes tarefas:
- Aproximação de funções;
- Previsão de séries temporais;
- Classificações;
- Reconhecimento de Padrões.
Tipos de Redes Neuronais
Existem dois tipos de redes neuronais: Perceptron com uma Camada e Perceptron Multi-camadas.
Perceptron com uma Camada
Redes Perceptron com uma camada são o tipo mais antigo de redes neuronais, as quais são formadas por uma camada única de neurónios de saída, os quais estão conectados por pesos às entradas. Este é o exemplo mais simples de redes em avanço. A soma do produto entre pesos e entradas alimenta cada neurónio de saída, e se o resultado desta operação exceder um certo limiar (geralmente 0), o neurónio coloca o valor 1 na saída; se o resultado for inferior ao limiar, o neurónio coloca o valor -1 na saída. Neurónios com esse comportamento são chamados de neurónios de McCulloch-Pitts ou neurónios com limiar. Na literatura técnica o termo perceptron diz respeito a redes com apenas um desses neurónios.
Perceptron Multi-camadas
Este tipo de rede consiste em múltiplas camadas de unidades computacionais, geralmente interconectadas em uma forma feedforward. Isso quer dizer que cada neurónio numa camada tem conexões directas a neurónios da próxima camada. Em muitas aplicações as unidades dessas redes aplicam uma função sigmóide (em forma de S) como a função de activação.
Sem comentários:
Enviar um comentário