Exercícios de estudo e treino sugeridos pelo Prof. Emilio - atualizado em 24 de abril.
Ex 1) Construa com um um único nó neural com pesos sinápticos apropriadamente escolhidos por você uma porta lógica tipo AND de duas entradas, e com a função de não linearidade sendo o sign(.) / sinal(.) ou a tangente hiperbólica,o que preferir. Note que como a saída da função sign / sinal é do tipo + - e a saída da tgh é saturável em +1 e -1,pode ser conveniente usar a representação bipolar de um bit (+1 e -1) em lugar da tradicional unipolar (0 e 1)
Ex 1b) Estenda sua solução para ANDs de três entradas, quatro, cinco, e se possível generalize a solução para ANDs de N entradas.
Ex 2) Enunciado do Ex 1 mas trocando AND por OR
Ex 2b) Enunciado do Ex 1 mas trocando AND por NOR
Ex 3) Assista aos diversos tutoriais do MBP, aprenda o formato do arquivo de treino e a forma de se definir uma rede neural nesse ambiente, entenda as ilustrações apresentadas para regressão e reconhecimento de padrões, e desenvolva um ensaio e tutorial seu similar ao exemplo de regressão feito para estimação do sinx/x, mas focando em uma função escolhida por você e distinta dessa.
Ex 3b) Use agora o MBP para treinar uma rede a realizar alguma das operações lógicas mencionadas nos Exs 1 e 2.
Ex 4) Defina dois problemas de regressão multivariada (y(X) é analógico) no contexto de sistemas eletrônicos, um deles em imagens e outro não (explicite disciplinas da EC3 em E&S às quais o seu problema se conecta; não vale PSI3471 ; -) ) que possa se beneficiar de aprendizado de máquina e de treinamento de uma rede neural. Defina claramente as variáveis de entrada, de saída, suas unidades e significados, explique porque o regressor é algo útil, porque precisamos do aprendizado de máquina na modelagem, e defina como coletará os pares epíricos (X,y).
Ex 4b) Ensaie ao menos um desses dois problemas no MBP.
Ex 5) Defina dois problemas de detecção de padrões (y(X) é binário) no contexto de sistemas eletrônicos, um deles em imagens e outro não (explicite disciplina/s da EC3 em E&S às quais o seu problema se conecta; não vale PSI3471 ; -) ) que possa se beneficiar de aprendizado de máquina e de treinamento de uma rede neural. Defina claramente as variáveis de entrada, de saída, suas unidades e significados, explique porque o regressor é algo útil, porque precisamos do aprendizado de máquina na modelagem, e defina como coletará os pares epíricos (X,y).
Ex 5b) Ensaie ao menos um desses dois problemas no MBP.
Ex 6) Para um MLP de 2 camadas com topologia 2-3-1 (três entradas, 3 neurônios intermediários e 1 neurônio de saída), deduza a fórmula da derivada parcial do Eqm com relação a um peso de primeira camada (um peso que liga uma das entradas da rede a um dos 3 neurônios da primeira camada) e a fórmula da derivada parcial do Eqm com relação a um viés de neurônio da primeira camada.
Ex 6b) Deduza agora a fórmula da derivada de Eqm com relação a um peso que interliga a primeira camada de neurônios com a segunda. Deduza também a fórmula da derivada de Eqm com relação a um viés do neurônio de saída.
Ex 6c) Escreva agora com base nos seus resultados em 6 e 6b todas as 13 fórmulas de derivadas parciais do Eqm com relação aos 13 pesos sinápticos da rede (isto inclui os 4 pesos de viés).
Ex 6d) Como o item 6c pode ser usado por você para escrever um código de programa de aprendizado de pesos de uma rede neural? Além de explicar como, esboce o pseudo-código.