MINI-CURSO

		"REDES NEURAIS ARTIFICIAIS"

Resumo:
Este documento apresenta uma introdução para a área de redes 
neurais artificiais (RNA). Em primeiro lugar motiva-se o paradigma 
da neurocomputação pelas capacidades cognitivas de redes neurais 
biológicas, inspirado pelo conhecimento da neurociência. Os 
fundamentos das RNA são o modelo de um neurônio, a topologia da 
rede e os paradigmas de aprendizagem. O modelo de McCulloch e 
Pitts serve como modelo básico de um neurônio artificial. 
Propagação para frente e redes com realimentação constituem as 
principais topologias de redes. Paradigmas de aprendizagem 
apresentados são a aprendizagem supervisionada e aprendizagem 
não-supervisionada. Em relação às regras para a adaptação dos pesos 
distingue-se entre a regra de Hebb, a regra de delta e a aprendizagem 
competitiva.
A classe de redes de propagação para frente é representada pelo 
perceptron, o ADALINE e o perceptron com uma camada escondida. 
Nas regras de aprendizagem do ADALINE apresentam-se duas 
técnicas principais para adaptar os pesos, a solução determinística 
linear pela pseudoinversa e a descida de gradiente. O algoritmo de 
retropropagação do erro é a ferramenta fundamental para treinar o 
perceptron multi-camada.
Redes com realimentação que apresentam um comportamento 
dinâmico são representadas pelo modelo de Hopfield. Motiva-se a 
topologia e funcionalidade da rede e analisa-se a estabilidade dos 
pesos. A introdução de uma função de energia por Hopfield junto 
com pesos simétricos garante a estabilidade da rede. Um exemplo de 
aplicação desse tipo de rede é o armazenamento e recuperação de 
imagens binárias.
Redes competitivas concluem a apresentação. Dentro de uma 
camada competitiva existe um vencedor que mostra a maior 
coincidência com o sinal de entrada. O mapa de preservação 
topológica de Kohonen adicionalmente ao uso da aprendizagem 
competitiva impõe uma ordem topológica sobre os neurônios 
individuais.