Como realizar a classificação usando uma rede neural:O que é o Perceptron?

Este artigo explora a teoria e a estrutura básicas de uma topologia de rede neural conhecida.

Este é o primeiro de uma série de artigos que servirão como uma longa introdução ao projeto, treinamento e avaliação de redes neurais. O objetivo é realizar uma classificação complexa usando um programa de computador Python que implementa uma arquitetura de rede neural conhecida como Perceptron multicamadas.

Você pode encontrar o resto da série Perceptron aqui para sua conveniência:

1. Como realizar a classificação usando uma rede neural:o que é o Perceptron?
2. Como usar um exemplo de rede neural simples Perceptron para classificar dados
3. Como treinar uma rede neural Perceptron básica
4. Compreendendo o treinamento de rede neural simples
5. Uma introdução à teoria de treinamento para redes neurais
6. Compreendendo a taxa de aprendizagem em redes neurais
7. Aprendizado de máquina avançado com o Multilayer Perceptron
8. A função de ativação sigmóide:ativação em redes neurais multicamadas Perceptron
9. Como treinar uma rede neural multicamadas Perceptron
10. Noções básicas sobre fórmulas de treinamento e retropropagação para percepções multicamadas
11. Arquitetura de rede neural para uma implementação Python
12. Como criar uma rede neural multicamadas Perceptron em Python
13. Processamento de sinais usando redes neurais:validação no projeto de redes neurais
14. Conjuntos de dados de treinamento para redes neurais:como treinar e validar uma rede neural Python

O que é uma rede neural?

As redes neurais são ferramentas de processamento de sinais vagamente baseadas na estrutura do cérebro humano. Eles são normalmente associados à inteligência artificial (IA). Não gosto do termo "inteligência artificial" porque é impreciso e redutor. Se você definir “inteligência” como a habilidade de realizar cálculos numéricos rapidamente, então as redes neutras são definitivamente IA. Mas inteligência, na minha opinião, é muito mais do que isso - é o tipo de coisa que projeta um sistema que executa cálculos numéricos rapidamente e, em seguida, escreve um artigo sobre ele, pondera o significado da palavra “inteligência” e se pergunta por que os seres humanos criam redes neurais e escrevem artigos sobre elas.

Além disso, a inteligência artificial não é artificial. É muito real inteligência, porque é um sistema matemático que opera de acordo com a inteligência dos seres humanos que o projetaram.

Redes neurais são rotinas de software que podem “aprender” com os dados existentes e resolver problemas complexos de processamento de sinais de forma eficiente. Eles são interessantes para estudar e experimentar e, em alguns casos, ultrapassam em muito as capacidades dos algoritmos “normais”. No entanto, eles não vão eliminar a fome no mundo, não podem escrever boa poesia e duvido que algum dia dirão um carro com a mesma segurança de um ser humano que está sóbrio e não está escrevendo uma mensagem de texto.

O que é Perceptron?

Uma rede neural Perceptron básica é conceitualmente simples. Ele pode consistir em nada mais do que dois nós de entrada e um nó de saída unidos por conexões ponderadas:

A dimensionalidade dos dados de entrada deve corresponder à dimensionalidade da camada de entrada. O termo "dimensionalidade" pode ser um pouco confuso aqui porque a maioria das pessoas não consegue visualizar algo com mais de três dimensões. Tudo isso realmente significa que seus dados de entrada - por exemplo, um padrão que você deseja classificar - são um vetor com um determinado comprimento e sua camada de entrada deve ter um nó para cada elemento do vetor. Então, se você está tentando classificar um padrão representado por uma série de 20 pontos de dados, você tem um vetor de 20 elementos e precisa de 20 nós de entrada.

Um nó de saída gera dados que são do interesse do designer. O número de nós de saída depende do aplicativo. Se você deseja tomar uma decisão de classificação sim / não, você só precisa de um nó de saída, mesmo se houver centenas de nós de entrada. Por outro lado, se o objetivo é colocar um vetor de entrada em uma das várias categorias possíveis, você terá vários nós de saída.

Os dados que se movem de um nó para outro são multiplicados por pesos. Esses valores escalares comuns são na verdade a chave para a funcionalidade do Perceptron:os pesos são modificados durante o processo de treinamento e, ajustando automaticamente seus pesos de acordo com os padrões contidos nos dados de treinamento, a rede adquire a capacidade de produzir resultados úteis.

O que acontece dentro de um nó? (Também conhecido como Como funcionam as redes neurais?)

Os nós na camada de entrada são apenas pontos de conexão; eles não modificam os dados de entrada. A camada de saída, bem como quaisquer camadas adicionais entre a entrada e a saída, contêm os nós computacionais da rede. Quando os dados numéricos chegam aos nós computacionais, primeiro eles são somados e, em seguida, são submetidos a uma função de "ativação":

O conceito de ativação remonta ao comportamento dos neurônios (biológicos), que se comunicam por meio de potenciais de ação ativos ou inativos; é mais como um sistema digital liga / desliga do que um sistema analógico. No contexto de redes neurais (artificiais), os nós - também chamados de neurônios (artificiais) - podem imitar o comportamento neuronal aplicando uma função de limite que produz 1 quando a entrada é maior que o limite e 0 caso contrário.

O gráfico a seguir mostra a relação de entrada-saída da função de ativação básica de “etapa da unidade”.

Ao inserir essa transformação de limite na propagação de dados de nó a nó, estamos introduzindo a não linearidade no sistema e, sem essa não linearidade, a funcionalidade de uma rede neural é muito limitada. A teoria aqui é complexa, mas a ideia geral (eu acho) é que combinações de transformações lineares, mesmo que essas transformações lineares ocorram várias vezes, nunca serão capazes de aproximar as relações que caracterizam fenômenos naturais complexos e tarefas sofisticadas de processamento de sinal.

Apesar do fato de que os neurônios reais operam de acordo com algum tipo de modelo liga / desliga, a abordagem de limite para a ativação da rede neural (artificial) não é a ideal. Voltaremos a este tópico em um artigo futuro.

Conclusão

Cobrimos os elementos mais básicos do Perceptron e, no próximo artigo, colocaremos essas peças juntas e veremos como funciona um sistema rudimentar.

As redes neurais são um tópico extenso, e estou avisando que esta pode ser uma longa série. Mas acho que vai ser bom.