Redes Neuronais Artificiais Flashcards
o que é uma Rede Neuronal Artificial (RNA)?
Uma rede neuronal artificial é um sistema computacional de base conexionista para a resolução de problemas.
Complete a frase:
Uma RNA é concebida com base num modelo simplificado do ___________________.
sistema nervoso central dos seres humanos.
Complete a frase:
Uma RNA é definida por uma estrutura interligada de unidades computacionais, designadas ______, com capacidade de _________.
- neurónios
- aprendizagem
Quais são as aplicações possíveis de RNAs?
- Reconhecimento de carateres
- Deteção de fraudes
- Reconhecimento de áudio/vídeo
Complete estas frases acerca do Neurónio:
- ____________ de composição da RNA
- Identificado pela sua _____ na rede
- Caraterizado pelo ____________.
- Unidade computacional
- posição
- valor do estado
O que é um Axónio?
Um axónio é uma via de comunicação entre os neurónios.
Verdadeiro ou Falso? Reescreva as falsas para as tornar verdadeiras:
- Os axónios podem ligar qualquer neurónio, incluindo o próprio.
- As ligações não podem variar ao longo do tempo.
- A informação é bidirecional, circula em todos os sentidos.
- V
- F. As ligações podem variar ao longo do tempo.
- A informação circula num só sentido.
O que são Sinapses?
Sinapses são o ponto de ligação entre axónios e neurónios.
Complete a frase:
O valor da sinapse determina o _______ do sinal a entrar no neurónio: _______, ______ ou ______.
- peso
- excitativo
- inibidor
- nulo
Verdadeiro ou falso?
A aprendizagem da RNA é estática, a variação do tempo não apresenta qualquer influencia.
Falso. A variação do tempo determina a aprendizagem da RNA.
Complete as frases sobre o conceito de Ativação:
- O valor da ativação é representado por _______.
- O valor da ativação ______ com o tempo.
- A gama de valores _____ com o modelo adotado.
- um único valor
- varia
- varia (Nota: normalmente está dependente das entradas e de algum efeito de memória)
Complete a frase sobre o conceito de Transferência:
O valor de transferência de um neurónio determina ________ que é colocado na _____.
- o valor
- saída
Que arquiteturas (topologias) de organização dos neurónios existem?
- Arquitetura Feed Foward, de uma só camada (Perceptron)
- Arquitetura Feed Forward, multi-camada (Multi-Layer Perceptron)
- Arquitetura recorrente
Quais os tipos de aprendizagem (treino) dos RNA que existem?
Com e sem supervisão
O treino de uma RNA corresponde à aplicação de regras de aprendizagem, por forma a fazer variar os pesos das ligações (sinapses). Quais as regras de aprendizagem mais comuns?
- Hebbian Learning Rule
- Perceptron Learning Rule
- Widrow-Hoff Learning Rule
- Competitive Learning Rule
(- Correlation Learning Rule)
(- Outstar Learning Rule)
Descreva a Hebbian Learning Rule.
Se dois neurónios adjacentes sofrem variações no mesmo sentido, o peso da ligação deve aumentar. Por sua vez, se as variações acontecem em sentido oposto, o peso da ligação deve diminuir.
Descreva a Perceptron Learning Rule.
Desenvolvida para aprendizagem supervisionada, os pesos iniciais são atribuídos aleatoriamente. Os inputs são processados pela rede e comparados com o output desejado
Descreva a Widrow-Hoff Learning Rule (em comparação com Peceptron Learning).
A principal diferença para Peceptron Learning é a de que é usado um sinal linear e não binário para cálculo do erro e consequente atualização dos pesos.
Descreva o Competitive Learning Rule.
Em Competitive Learning, os neurónios de output competem entre si para representarem o padrão de input. O neurónio com maior output para um dado input é declarado vencedor, sendo o único a alterar os pesos.
