Neurônios Artificiais – Uma Breve Introdução

Ao pensar em rede, sabemos que temos um conjunto de nós trabalhando juntos. Cada unidade ou nó da rede neural artificial, é o neurônio artificial.

Nesse texto, vamos tratar da unidade que compõe a rede neural. Será feita uma breve introdução do funcionamento do neurônio artificial. Uma vez que entendemos como foi concebido e como funciona o neurônio artificial, podemos começar a imaginar como a rede neural artificial funciona. Obviamente, temos outras características associadas às redes neurais. Aqui, vamos entender o neurônio artificial e mais adiante, em outros conteúdos complementares, falaremos de mais outras características.

A inspiração para o neurônio artificial é o neurônio biológico. Warren McCulloch e Walter Pitts tentaram entender como o neurônio biológico funciona no cérebro, e a partir daí, criar um modelo de inteligência artificial. Foi quando, em 1943, publicaram o primeiro conceito simplificado de uma célula cerebral. McCulltoch-Pitts (MCP) – “A Logical Calculus of the Ideas Immanent in Nervous Activity“. Os neurônios são células nervosas interconectadas, que processam e transmitem sinais químicos.

McCulloch e Pitts propuseram o neurônio artificial como uma espécie de portal binário. Múltiplos sinais chegam até os dendritos e são integrados no corpo da célula. Quando o acúmulo de sinais no corpo da célula exceder um certo limite, um sinal de saída é emitido, passando através do axônio.

Alguns anos depois, Frank Rosenblatt, publicou o trabalho “The Perceptron: A Perceiving and Recognizing Automation“. Foi a proposta de um algoritmo capaz de encontrar o melhor coeficiente de peso e depois multiplicado com a entrada, para decidir se o neurônio artificial transmitirá ou não o sinal de saída. Isso dentro de um contexto de aprendizado supervisionado, resultando na predição que nos diz se a entrada pertence ou não a uma determinada classe.

A seguir, vamos examinar brevemente a definição formal de um neurônio artificial. Podemos imaginar que a ideia da tarefa de um neurônio artificial é a de classificação binária. Considerando duas classes, temos 1 (classe positiva), e -1 (classe negativa). Uma parte importante do neurônio artificial é a função de decisão: ϕ(z).

A função de decisão faz uma combinação linear com os sinais de entrada, x, e o vetor de pesos correspondente, w, onde z é a entrada da rede:

A entrada de features e seus pesos associados, x e w, é a entrada da rede z. Após fazer a combinação linear ϕ(z), se o resultado for maior que o limiar ɵ , será predito a classe 1, caso contrário, a classe -1. No caso do algoritmo perceptron, a função de decisão terá um resultado para cada unidade da rede. Uma rede neural artificial, é composta por camadas com neurônios artificiais.

Vejamos uma ilustração de entrada e saída do neurônio artificial:

Em uma rede neural artificial, o número de neurônios artificias em cada da rede neural é variável, a depender do problema que estamos lidando. Quando a saída de um neurônio artificial é maior que zero, será disparado um sinal para a próxima camada da rede neural, caso contrário nenhum sinal será emitido.

Em particular, o modelo perceptron, só pode ser aplicado em funções lineares. A fim de ajustar o modelo, temos o conceito de bias. Podemos imaginar o bias como uma taxa de ajuste constante, que ajuda a manter a linearidade da função.

Estamos tratando de redes neurais com uma breve introdução ao neurônio artificial, que compõe a rede neural, portanto, trata-se de modelo de aprendizado supervisionado. Ao treinar nossa rede neural, teremos um conjunto de dados com as classes separadas e para o treinamento.

Agora que introduzimos o conceito de bias, podemos trazer o limiar para o lado esquerdo da equação, com o peso-zero como w_0= -θ e x_0=1. Dessa forma, vamos escrever a formalização matemática de maneira mais compacta.

Usamos a transposta de w, por ser apenas uma forma de escrever a multiplicação das matrizes. Para finalizar, veremos abaixo em um gráfico, como a entrada da rede z, é “esmagada” em uma saída binária (-1 ou 1) e como pode ser usada para identificar entre duas classes linearmente separadas.

Esse é o modelo perceptron. Não temos código por agora, pois precisamos compreender o modelo básico antes de avançar. Esse é o primeiro artigo de uma série que vai falar sobre rede neural. Fique ligado e nos acompanhe no Terça Tech para saber mais.

https://towardsdatascience.com/perceptron-learning-algorithm-d5db0deab975

https://towardsdatascience.com/the-perceptron-3af34c84838c

Python Machine Learning – 3dr Edition – Sebastian Raschka e Vahid Mirijalili