Highlander e Redes Neurais de Kohonen
Glauco Reis
LinkedIn Top Voice 2024 | Mestre em IA?? | Qiskit Certified Developer ?? | Qiskit Advocate?? | Palestrante??| IBMEr?? | Evangelista?? | Escritor??? | Modernization Expert ???? | Java Dev ?? | Quantum Ambassador at ??
Este filme, Highlander, marcou uma época por vários motivos. Primeiro porque foi um dos primeiros que provavelmente nos mostrou que viver para sempre é algo ruim, porque perderíamos nossos entes queridos. Aquela cena onde ele cuida da esposa, já velhinha, com ele continuando jovem, embalado pela música "who wants to live forever?" do Queen, é provavelmente uma das cenas mais bonitas do filme. E me convenceu ao menos que viver para sempre é algo ruim. E a música tinha algo especial também, porque Fred Mercure estava falando sobre ele mesmo, já bem próximo da fase terminal. Enfim, um filme que tem uma sensibilidade incrível. Mas o que nos interessa para este artigo é a história central. Eles s?o um cl? de guerreiros, onde somente um deles pode sobreviver. Como prêmio por ser o vencedor final, terá o direito de envelhecer como todos, poderá ter filhos e uma vida normal. Mas somente um deles pode ser o vencedor. Mas o que este filme tem a ver com um tipo muito particular de rede Neural?
Redes neurais de Kohonen
Em um antigo anterior exploramos neur?nios isolados, também exploramos redes neurais de múltiplas camadas, e explorei como uma rede pode guardar lembran?as (Hopfield). Todos os artigos est?o neste índice aqui, e tem alguns destaques no final do artigo. Mas em todos estes artigos, para que o treinamento seja feito, precisamos de dados classificados. Ou seja, precisamos saber que resultado deve ser gerado na saída, para que possamos saber se ajustes devem ser feitos nos pesos ou n?o. Muitas vezes n?o é possível obtermos dados classificados, ou mesmo n?o é possível classificá-los, porque s?o muitos e levaria um tempo imenso para classificar.
Mas, e se tivermos dados que n?o s?o classificados, e que n?o sabemos se est?o corretos ou errados? Existe um tipo especial de rede neural explorado por Teuvo Kohonen, entre 1982 e 1984, e que utiliza uma abordagem diferente, e que n?o exige classifica??o. Ela utiliza uma estratégia diferente, que n?o necessita saber o resultado esperado para que possa ser ajustada. Mas, se n?o sabemos o que esperamos obter, como ajustamos os pesos? Uma rede do tipo kohonem utiliza uma estratégia parecida com o filme Highlander, onde um único vencedor leva tudo. Para isto, todos os neur?nios est?o conectados entre si. Como em outras redes neurais, pesos estatísticos aleatórios s?o atribuídos às entradas. N?o importa muito o valor, eles ser?o ajustados no processo de treinamento.
Sabemos que cada entrada de cada neur?nio tem um peso. Quanto maior o peso, mais importante aquele resultado será para a saída. Um peso com valor 0.8 indica que aquela entrada terá mais relevancia na soma do que um peso 0.2. O que fazemos ent?o é uma conta esperta! Pegamos cada valor da entrada, para um conjunto que desejamos analisar, e subtraímos do peso. Para fazer com que valores positivos ou negativos sejam desconsiderados, costumamos utilizar algo chamado "distancia euclidiana". é algo assim :
Fazemos esta conta que no fundo é simples: elevamos ao quadrado a soma para desconsiderar o sinal, somamos tudo, e calculamos a raiz quadrada, meio que para anular o efeito do quadrado. O que ela faz afinal? Se a entrada for alta e o peso for alto, na hora em que subtrairmos o valor será baixo. O mesmo n?o acontece se uma entrada for alta e um peso baixo, ou uma entrada baixa e um peso alto.
O valor da subtra??o será t?o menor quanto mais próximos estiverem os valores do peso e da entrada, e t?o maior quanto mais diferentes. Por isto chamamos de "distancia".
Fazemos o mesmo com cada uma das entradas. Aquele neur?nio que gerar a distancia entre as entradas e os pesos mais baixa será o vencedor, e como o Highlander, leva o direito de ser reajustado, para que a saída fique ainda menor.
Pense da seguinte forma, para que tudo fa?a sentido: Cada entrada corresponde a um parametro. Se for uma rede para classificar animais, por exemplo, uma das entradas pode ser o tamanho do rabo, e a outra poderia ser o tamanho das orelhas, e outra ainda poderia ser o número de patas, e o mesmo com as outras características. O que acaba acontecendo em uma rede de Kohonen é que, conforme vamos aplicando valores na entrada, os neur?nios que tem pesos mais "fortes" para as características de um animal em particular, tendem a ter o menor valor na subtra??o (distancia entre os pesos e o valor de entrada), e portanto ter?o seus pesos refor?ados, para diminuir ainda mais a soma, para uma próxima entrada. Imagine, para ficar mais claro, apenas duas entradas. Uma para o tamanho das orelhas e outra para o tamanho do rabo.
Esta rede simples aqui :
领英推荐
Ela tem dois neur?nios, um deles tem peso "alto" (0.7) para tamanho das orelhas e um peso baixo (0.3) para o tamanho do rabo. E outro neur?nio que tem um peso baixo para o tamanho das orelhas (0,3) e um peso alto para tamanho do rabo (0.7). Perceba que, somente por quest?es de didática, consideramos alto e baixo o mesmo valor. Em uma rede real normalmente n?o acontece desta forma. Também conectamos os dois neur?nios, para que entre eles os pesos possam favorecer o vencedor. Bom, com este cenário montado, vamos testar valores na entrada. Vamos inserir um animal que tem orelhas grandes (valor 2) e rabo relativamente pequeno (1). Para este animal, a subtra??o das entradas e pesos irá gerar uma saída MENOR para N1 (o que tem o peso maior para orelhas e menor para o rabo). Portanto ele terá os pesos ajustados para que este neur?nio acentue ainda mais estas características.
Uma rede do tipo kohonem atua como um "classificador de coisas", e se olharmos para dentro de uma rede com mais entradas, e colocando cores para facilitar a visualiza??o, ela teria uma aparência mais ou menos assim :
Perceba que ao longo dos vários ajustes, cada uma das cores acontece agrupada (clusterizada) em um mesmo local. Podemos utilizar redes deste tipo para identificar objetos por características. Talvez o próprio cérebro humano tenha classificadores como os proporcionados por redes do tipo Kohonem. E a estratégia de apenas um vencedor recebe ajustes, é algo que fazemos normalmente no cérebro humano. Um elefante n?o pode ser um cachorro, nem um cachorro pode ser um gato. Excluir respostas para favorecer outras é algo que fazemos com frequência.
E aí, gostou ? Veja que existem diversos tipos de redes neurais, e cada uma delas tem mais assertividade em determinados casos. A IA n?o é apenas sobre dados. Claro que eles tem um papel fundamental, mas eu tenho a impress?o de que a IA irá evoluir muito quando conseguirmos criar mecanismos que tornem estas escolhas mais automáticas. E estes estudos se concentram nos códigos que processam as entradas.
Olha, se você gosta deste tema, tem mais artigos relacionados a redes neurais e inteligência artificial. Vou colocar o link aqui, para que fique mais fácil o acesso.
Obrigado, e até o próximo artigo !!!!