Redes neurais têm a capacidade de aprender através de exemplos, para ajustar os parâmetros de uma RNA é utilizado um algoritmo de aprendizado. Porém existem vários tipos diferentes de algoritmos de aprendizado e o que diferencia um do outro é a forma como cada um ajusta os pesos da RNA.
Podemos classificar num âmbito geral o treinamento como sendo supervisionado ou não supervisionado.
No aprendizado supervisionado a entrada e a saída são fornecidas por uma espécie de professor externo, que tem por objetivo ajustar os pesos da rede a fim de relacionar ao par entrada saída. A saída desejada é comparada com a saída efetiva da rede neural e é então calculada qual é a diferença entre elas, essa diferença é chamada de erro. Para medirmos o desempenho da RNA, ou seja, saber se a RNA é uma boa aluna ou não é usado a soma dos erros quadráticos de todas as saídas da rede.
Porém uma das desvantagens do aprendizado supervisionado é que na ausência do professor a rede se torna ineficiente no caso de aparecer exemplos que não estavam incluídas na fase de treinamento.
O exemplo mais famoso de algoritmo de aprendizado supervisionado é o algoritmo backpropagation que será estudado com mais detalhes futuramente.
O erro é matematicamente apresentado pela seguinte fórmula:
e(t) = d(t) - y(t),
Onde d(t) é a saída desejada e y(t) é a resposta calculada pela rede no instante de tempo t.
Em posse do e(t) que é o erro obtido, ele é usado para ajuste do peso da RNA da seguinte maneira:
wi(t + 1) = wi(t) +ne(t)xi(t)
Onde n é a taxa de aprendizado e xi(t) é a entrada para o neurônio i no tempo t.
Nenhum comentário:
Postar um comentário