Redes neurais e Perceptron - Aula 9

Já chegamos no momento mais esperado do curso de interesse artificial para todos que é sobre redes neurais esse conjunto de técnicas mais avançadas e complexas da área de ar e também traz todo uma pegada Mística né porque de certa forma a gente quer ali mapear o cérebro humano em modelos matemáticos para que sejam capazes de processar informação Então essa série vai ser quebrada e diversas aulas e a gente vai desde o modelo mais simples Até modelos mais complexos para ficar bem didático para vocês mas não entende de começar não se esqueça de se inscrever no canal deixar seu like compartilhar o vídeo é muito importante e também seguir nas redes sociais tanto no Instagram como no Twitter coloco muito conteúdo relação a inteligência artificial sempre cognitivas neurociência e todos os aspectos da cultura digital que está mudando a nossa vida e eu quero manter uma conversação com você então começando a discutir o que é realmente restauração redes neurais acaba sendo uma subir a e da computação e consequentemente uma sub área da Inteligência Artificial que vai tentar então inspirado no cérebro humano criar modelos matemáticos para processar a informação me surge lá na década de 40 e 50 e quando a gente pensava né ma peau o neurônio como nós temos dentro Nossa cabeça no nosso cérebro biológico de uma forma matemática para ele processar informação um processando essa informação fosse capaz de reconhecer padrão e aprender de alguma forma então isso já tem aí mais de 60 anos de estrada e passou por momentos de muita Folia e Momentos Assim de Total abandono de Total desconfiança por parte da de toda a área acadêmica e aqui na aula de hoje a gente não vai começar com redes neurais né a gente vai começar com uma idade mais básica que é um neurônio para a gente em muitos horários dizendo que ele é bem o que é o neuro Então a gente vai começar hoje já entendendo como modelar um neurônio artificial trabalhando com um dos neurônios artificiais mais famosos na área acadêmica e que deu o start deu iniciou toda a trajetória dessa evolução que tá acontecendo nas redes neurais que é o percebe o que foi desenvolvido em 1958 ali pelo Frank rosenblatt que não eram sei disso da Computação mas era um psicólogo e é um neurônio e mais famoso discutido até hoje na área acadêmica porque ele realmente inaugura toda área da Inteligência Artificial mesmo ele não sendo o primeiro neurônio primeiro neurônio foi pensado como é que cura inpixi 1943 só que o percebe então acaba evoluindo generalizando o McQueen olympics e traz uma perspectiva maior para área de Inteligência Artificial bom e o que é um neurônio a gente pode e o nosso neurônio aqui vou desenhar para vocês como isso daqui como um modelo certo e a gente discutiu bastante isso nas outras aulas tão o modelo ele vai trabalhar com entradas ok bom e uma saída Então nesse caso aqui eu vou ter duas entradas nesse neurônio com uma saída e aqui a algum tipo de processamento nesse neurônio que vai então transformar essas entradas em saídas né então aqui eu tenho afternoon After 2 que a variável um EA variável dois né então aqui eu posso pensar vamos simular aqui um exemplo chover de um sistema de alocação de benefícios sociais vão pensar que seja isso E aí um dos dados que eu quero que a pessoa entre é se ela tá empregada ou desempregado Então essa seria variável ou a Fischer um lá então se for zero ela tá é empregada ok Se esse for um Ela tá desempregada em Ok e aqui na frente Os dois é a segunda vai água que pode ser por exemplo a quantidade de dependentes quantidade de dependentes o ok então é esse modelo aqui e protético tocando junto com vocês para ficar didático que vai dar um pegar esses dados e tentar fazer uma classificação se a pessoa deve ou não merecer o o nosso benefício social aqui só deixando para vocês esse é o peito e original de 1958 do fazendo a vocês podem pegar vocês podem fazer o download vocês podem Navegar nele ler fazer a leitura porque é bem interessante ver a origem mesmo muita gente não lê o texto original e pega as fontes secundárias e terciárias mas essa fonte original aqui é bastante interessante Então fica aí a dica para vocês então isso daqui é o modelo do perfeito certo agora que foi discutir bastante como a gente pode ver ele é um modelo e o modelo então tem as entradas Tem algum tipo de processamento e tem a saída vamos entender então a primeira parte aqui que são as entradas que é eu fiz um certo então é a variável um que por exemplo é se o beneficiário ele tá empregado ou desempregado e o x 2 que a quantidade de dependentes tá então aqui seria os dados de entrada dados entrada Ok e aqui já começa o meu neuro então o neurônio ele começa aqui com dois pesos então para cada entrada eu vou ter um peso associado a ele que eu chamei de w um certo então o X1 está associado ao peso W1 e o x 2 a variável x 2 está relacionado ao peso W2 certo é w porque ela aumenta altura mais comum usada na área de redes neurais que vende o leite é de peso do inglês bom legal então aqui o que que eu faço vamos entender agora o neurônio vamos expandir neurônio e e O que é o processamento que ele realmente faz então aqui eu tenho os dados de entrada x 1 x 2 o que acontece eu tenho um peso relacionado com ele então o que eu vou fazer é o seguinte eu vou multiplicar o X1 por w um certo e vou somar com a multiplicação de x 2 xw2 então eu sempre vou multiplicar a entrada pelo peso e somar com a multiplicação das outras entradas vezes os pesos dessas respectivas entradas Então é isso que a gente faz então a gente soma tudo aqui na Então essa somatória nada mais é do que X1 vezes W1 mais x-2x W2 então aqui eu tô somando todas as multiplicações das entradas vezes o seu respectivo peso e acabou aí o negão única coisa que ele faz é isso não aqui agora que a gente fez essa somatória né dos produtos do peso com o e com as entradas eu vou então passar para essa parte do neurônio aqui que tem uma função e o que é essa função essa função é a famosa função é de ativação tá e ela é muito importante na área de receber as porque ela vai digitar todo o comportamento do meu modelo a gente vai ver várias ao longo aqui nesse nosso curso mas hoje a gente vai começar com uma mais simples certo então basicamente é isso que o neurônio faz vindo daqui para lá né então Começando aqui eu vou ter as entradas que são os meus valores das minhas variáveis eu multiplico pelos pesos somo tudo e passa por uma função de ativação e essa função de ativação Então vai determinar a saída coloquei um exemplo aqui didático para vocês então vamos supor que isso aqui seja meu modelo de presépio eu tô trabalhando com aquele mesmo cenário de um sistema de aprovação de benefícios sociais certo então aqui eu tenho a variável o valor um né esse valor um corresponde a variável x 1 que pode ser por exemplo se a pessoa tá o desempregado então zero ela tá empregada um Ela tá desempregada e aqui dois é a quantidade de dependentes que é o x 2 Então nesse caso que eu tô processando aqui eu peguei um único vamos porque aqui esteja né é o meu conjunto de datas ex eu peguei um único data Point joguei para cá e esse único data Point ele vai ter dois dependência aqui no X2 certo e ele é do status um decisão quer dizer que ele tá então desempregado Ok e o meu modelo do percebe tão nesse estágio atual ele tem esses pesos aqui ó o w um que é o peso aqui de cima é 0. 55 e o W dois aqui embaixo ele tem 0. 1 tá E agora como que a gente começa o processamento eu vou pegar o x 1 x W1 mais o x2x um dois e é isso que eu tô fazendo aqui ó é a somatória das entradas versus o preço né então é isso que eu tenho que fazer w - 0 55 X1 mais 0.

1 x 2 como tá aqui que vai dar então - 035 Essa é a saída do Melhorou Ele não essa é a primeira parte de processamento do neurônio agora eu vou jogar esse valor para cá e vou passar por uma função de ativação Existem várias funções de ativação a gente vai começar com uma das mais simples que é a chamada a função degrau como vocês podem ver aqui embaixo ela é bem simples porque ela pega o valor e se for maior do que zero então ela dá como saída o valor um esse o valor de entrada for menor ou igual a zero o valor de saída será zero então seu entrar com menos dez e o valor de saída será zero Se eu entrar com 10 positivo a saída será um basicamente é isso que faz é uma função de você pode então até mesmo modificar isso tem algumas generalizações as tem modelos que a função degrau se for zero ele dá um lá então só abaixo de zero ele dá um nesse caso aqui se o valor de entrada for zero eu tô colocando como 10 Tá bom mas existem variações também E aí agora a gente pensa então nessa receita do percebe como que eu faço para treinar todo um neurônio artificial do Perfect e a gente começa então com um conjunto de dados supervisionado o que isso quer dizer que eu voltei então conjunto de atuações que tem ali uma etiqueta ou seja se eu te posso ter um conjunto de e-mail e em cada e-mail ter uma etiqueta é fraude não é fraude ou fraude Without essa etiqueta nada mais é do que um campo adicionar o ali classificando isso então eu preciso de um o conjunto de dados supervisionado tá virado supervisionados legal se eu tô com um conjunto de dados eu personagens o que que eu tenho que fazer a primeira etapa é fazer o que a gente chama de de Ford tá e o que é o fim de Ford é o pegar o elemento e realmente processar do meu neurônio artificial então pego as entradas multiplica pelos pesos são passa pela função de ativação e chego no resultado isso é fazer o fim de forte e aí eu tenho que fazer o que ver se o meu neurônio acertou ou errou seria acertou Ok se não eu tenho que voltar atualizando os pesos e ajustando a minha modelo como a gente já viu isso com regressão logística regressão linear Tá mas agora é um outro modelo e eu vou fazer isso para cada data porta vou pegar a cada da ponte vou processar do neurônio encontrar o erro e voltar ajustando ali cada um daqueles pezinhos para ele ter um comportamento melhor a repetir o passo 2 eu passo 3 para cada um dos da porta vamos porque eu tenho um datas certas com 50 1000 50. 000 data pão de seja 50 mil registro eu vou fazer 50 mil treinamentos né e cada um de extremamente acaba sendo uma época como vocês vão ver já já isso é que a gente chama do percebe Monroe tem outra forma de fazer isso mas utilizada né que a gente vai discutir isso com forma a gente vai avança e eu vou começar então agora com esse datacert aqui super simples em que eu tenho aqui 3 features né então eu tenho três features O que é o registro tá pode ser o nome do usuário por exemplo EA variável X1 e X2 tá bom E aqui eu tenho o meu tablet o meu target é o Label certo aquele meu último Campo lá atrás é etiquetas então eu tenho aprendizado supervisionado Então vamos supor aqui que seja um sistema de aprovação desses serviços esse benefício social então aqui nessas fitas Eu tenho um registro que pode ser o nome né E aí eu coloquei aqui Osório aos olhos e os olhos e mas se José Maria João enfim e aqui o x1s ele tá empregado ou desempregado E se ele tá conte se ele tem muitos aqui Como tem gente trabalhando com dados binários né então 01 eu vou colocar se ele tem ou não dependente tá e não a quantidade de dependentes Só se ele tem ou não dependente por exemplo bom é bem simples aqui só para vocês entender então eu tô com esse Data Set supervisionado ou seja ele tava outro lado e agora eu vou então fazer o treinamento Qual que é o treinamento agora que eu iniciei conhecer conjuntos usados pressionados eu vou fazer o que eu vou fazer o feed food certo vou deixar então o meu neurônio Inicial fazer petições E aí eu vou ajustando ele deve se comportar melhor em relação a esse meu Data Set E é isso que a gente vai fazer agora só alguns conceitos importantes principalmente o conceito de época como vocês podem ver porque épocas está bastante na área de Mach Lane foi funcionária de redes rurais que é o número de vezes que meu modelo passa pelo Data Set tudo pelo mandado 7 de treino porque para treinar o modelo às vezes não eu não vou passar somente uma vez o meu Data Set para ir treinando eu tenho que passar várias vezes sem vezes mil vezes às vezes um milhão de vezes né A gente vai ver como é que a gente consegue chegar em números como definir entender esses números Mas é porque toda vez que o meu é Data Set passa por todo o modelo dependendo das formas como a gente vai trabalhar a gente pode ter o conceito de Bert também que são lotes O que são horas eu vou pegar o meu Data Set e em vez de a cada data Point eu processar e calcular o erro eu posso pegar lotes então lote sei lá de sem data Point seu processo todos Ah tá Pontes somos erros e volta ajustando a então tem essas diferenças mas sentiu a ver com calma nas próximas aulas é importante é saber o que que é área tá bom e agora então a gente vai começar a fazer o nosso feed for deseja eu vou pegar aqui esse meu neurônio artificial e vou começar a fazer o processamento E aí como que eu faço isso bom eu tenho aqui os e agora é só o processar mas olha veja que interessante o w um e o W2 eles estão começando como 0 certo isso é muito importante os pesos mensais Eles começam de forma aleatória tá porque a gente não sabe qual que é a corrente gerada a gente tem que ajustando o meu modelo de acordo com os dados de Treinamento então de pode começar de uma forma aleatória aqui nesse exemplo eu tô começando com o zero somente para facilitar aqui nossas contas e os cálculos então aqui eu vou ter duas entradas que são as variáveis X1 e X2 vou ter dois pesos referentes a cada uma das entradas então W1 se conectando ao X1 e o peso W2 se conectando a variável x 2 eu faço a multiplicação e a soma passo pela função estepe e aí como saída lá no fim do neurônio eu tenho o meu Y chapéu e lembrando só Então essa nomenclatura que a gente já viu Y é sempre o valor real e y chapéu é o valor da predição a predição do meu modelo tá e em alguns papers vocês vão ver de uma forma aqui da de uma forma gráfica né que em cima mas aqui embaixo vocês podem ver de uma forma mais matemática então aqui acaba sendo a multiplicação das entradas pelos pesos e a soma que passa por uma função de ativação que aqui a gente tá usando a uma nomenclatura da função g e geralmente in paper se vocês vão encontrar também como função gente agora vamos começar propriamente dito nosso feed food então aqui olha a informação importante que eu deixei aqui para vocês época um O que quer dizer época um é a primeira vez que ele vai estar passando pela Mata sete dentro da época um qual que é amostra amostra um ou seja tô pegando o Primeiro Registro ali daquela época e qual que é o Primeiro Registro é esse daqui nada mais é do que esse registro aqui o usuário aqui né que eu só copiei e joguei para cá agora e eu vou pegar então x 1 x 2 desse registro e colocar aqui na entrada certo então aqui é o X1 aqui é o x 2 aqui é o W1 W2 certo eu vou fazer as multiplicações a sua então X1 que é um vezes wq0 1 x 0 da Zero mais x 2 vezes w2000 com mais velho é zero certo esse daqui é a parte do neurônio que faz então a somatória agora eu pego o resultado e joga aqui para função de ativação Qual a função de ativação que a gente tá usando a função estepe ou seja de 0 para baixo O resultado vai ser 0 de 0 ou acima de zero na verdade né O resultado vai ser um como deu 01 I do it é um chapéu é zero Então essa foi a primeira petição que aconteceu de acordo com pesos aleatórios que a gente começou a rede é óbvio que vai dar erro muitas vezes né porque eu comecei de uma forma aleatória agora o que que eu preciso fazer eu tenho que voltar calcular o erro que tem nesse meu perception e ir ajustando os pesos ali os pesos a causa dos meus parâmetros eu vou ajustando ele para aqui da próxima vez que entrar esse peso ele tente acertar então mais errar né E essa essa erro que a gente chama a gente já viu em outros vídeos que são aquilo Gradiente descendente é um custo tá quando a gente for entrar modelos mais compactos já fala o erro a gente fala o custa uma linguagem mais usá-lo na área de Mach Lane e é isso que eu vou fazer agora olha que interessante o tablet aqui ou seja o meu y o target aqui ó é um lá então o meu Y Vou apagar aqui que eu fiz errado o meu y era um mas o meu modelo fez a previsão de zero você já tem um erro aí E como que eu faço o cálculo desses meus erros tá aqui ó né então a a expressão aqui ó para enxergar no erro né é isso daqui ó a forma é erro é igual ao target que é o y menos o y chapéu White né então eu faço target menos a tradição E aí eu encontro o meu erro nesse caso o target era um aqui embaixo o um Y chapéu quero a previsão era zero e o erro então é o Então tem um erro aí agora eu preciso fazer o quê e ajustando o meu peso então eu tenho que agora que eu calculei o erro que eu tenho que fazer eu tenho que voltar e arrumar fazer umas pequenos ajustes ali no Meus pesos para que ele tem um comportamento melhor e como que a gente faz isso usando essa forma aqui tá eu coloquei a forma de duas maneiras aqui essa parte aqui de cima mais interativa e mais intuitiva na verdade né a palavra certa e aqui embaixo como vocês vão encontrar nos papers não é de uma maneira mais matemática colocasse então basicamente mas as duas coisas estão fazendo as duas formas para fazer a mesma coisa uma é só para você entender de uma forma mais didática aí embaixo como vocês vão encontrar nos papers tá então basicamente que eu vou fazer eu como calcular o novo peso e como que o cálculo novo peso eu faço o peso atual mais o lembrete os lembrete a gente já viu é uma espécie de definição do tamanho do Passo que eu vou dar entendeu eu aprendi que direção que eu tenho queria ter que mais pra cima com meu peso ou mais para baixo com meu peso e os Animais vai me dar sim eu dou um passo mais velho ou passo mais pequenininhos aqui eu vou descer um Henrique de 0. 5 como tá aqui tá lan e a gente vai ser o padrão de 0.

5 E aí eu multiplico vezes o erro atual que é um mais um input né que aí vai depender de qual entrada que eu tô fazendo então eu encontrar aqui ó e o valor novo DW uma eu vou fazer isso daqui ó é o peso atual Quanto que vale W1 atual 0 mas o leite que eu defini que é 0. 5 posso mudar isso depois a gente pode fazer umas brincadeiras à aumento do direito de me usar leite vai ver que o comportamento do treinamento muda vezes o erro qualquer o erro a gente calculou aqui em cima o erro de um vezes a entrada de Davi um que era X1 que aqui ó a gente olhar era um certo então eu faço esse cálculo aqui olha que o cálculo isso zero mais meio vezes um vezes um vai dar um resultado de meio como tá aqui certo e olha que interessante o número calculativo W2 para gente ver se ele vai alterar alguma coisa ainda dois olha W2 é a mesma coisa né então o valor do Peso W2 varia zero mais os olhos leite de meio vezes um que é o erro x 0 exe 0 aqui é o x né aqui é o x 2 é que eu X1 sente voltar aqui atrás Ó quanto que vale o x20 certo então a hora que eu faço o cálculo vai dar zero em Ok e olha aqui curioso ele teve um erro certo e o erro que ele deve é o seguinte como a gente pode ver o neurônio ele fez a predição do valor zero mas devia ser um Então o meu neurônio artificial ele tá classificando menor né de uma maneira melhor mais para baixo aí o valor então eu tenho que ajustar os pesos para ele jogar o valor mais para cima e qual que é o dos Qual foi o dos pesos que eu atualizei aqui foi o w um né porque eu atualizei o w porque entrou um no w então entrou 0 no no x 2 aqui né para conversar com o W2 então ele entende que não vai ter tanta influência assim mas ele então aumenta um pouquinho ali o w um que em vez de zero como era Inicial Agora vai fazer meio e talvez com esse ajuste talvez na próxima rodada ele já e classifique de forma correta e o erro Então seja minimizada vamos continuar agora então a gente viu só primeira mostra agora ainda dentro da época um Tá eu vou pegar agora amostra 2 ok essa mostra dois é o segundo da ponte do meu tá tá sete aqui que é o registro do usuário B que tem como X10 X2 é como Tales legal vou pegar e jogar eles para cá então para processar do melhorou aqui é o X1 aqui é o x 2 aqui é o w um aqui é o W2 lembrando multiplico certo e somo 10 x meio vai dar 0 + 0 x0 vai dar zero Ok legal jovem esse valor aqui a somatória né jogo esse valor para minha função degrau aqui a função de grau de zero nesse nosso caso tá para dar zero então opção chapéu é zero então a predição a predição Ah pois é e qual que era o valor real O valor é alto aqui em cima o tablet né também era zero então parece não existe e Gu Vamos só então processar aqui para ver se ele vai atualizar os pés para vocês entenderem se ele vai achar algum erro ou não é só substituir os valores aqui na fórmula né então o tablet é o y a flexão é o e-tron chapéu os dois eram 10 Então o meu erro é zero e aí eu vou calcular Então os novos pesos para dar viu uma e W2 né como a entrada acaba sendo como entrada a cabaceiro zero porque os dois Eram Zero aqui né não vai ter alteração porque o erro a zero a entrada é zero Então a hora que eu multiplicar o zero do erro ele não vai alterar então ele vai manter só aqui os valores atuais Otávio um como meio e o W2 como 10 não teve alteração nos pesos porque para esse registro acertou é levar aos e tal que nos ajustar nada é um acerto então ele não ajusta Ok vamos então passar para o próximo ainda na época um agora eu vou pegar a terceira mostra certo que é usuários e usuários Você tem o X1 como 0 e 1 x 2 comum e o target dele o valor real é um Vamos colocar aqui no nosso neurônio então aqui é o X1 aqui é x 2 né então X10 X2 é um faça o processamento 10 x meio amargo a zero mais uma vez a 0 4 a 0 0 + 0 Deus era aqui joga para mim a função estepe o step função de grau de zero nesse meu caso aqui vai dar zero então o y chapéu viu zero Ok mas aí então parece que tem um erro porque o meu Y aqui ó que é meu Y que é o valor real é um e o meu chapéu é zero Então tem um erro vamos calcular para ver se tem um erro e o que que ele vai ajudar vamos entender aqui um pulo aqui o meu erro então o target a gente sabe que é o y a tradição é y chapéu qualquer o meu target era um tá aqui qual que era minha pretensão Era Zero ou seja era para ser um o modelo fez a previsão de zero então o erro é de 11 - 00 volta aqui calculando os pesos de W1 e de w2w um né é o peso atual é meio mais os alimente que também é meio vezes um que é o meu erro vezes zero que foi a entrada que ele vai manter Então como meio certo não alterou o w um é um W2 agora a gente vai atualizar que é o peso dois ele vai ter como entrada o Zero Certo que é o peso atual então W2 agora vale zero mais lance reddick é meio vezes um que é o meu erro vezes um que a entrada que a x 2 nesse caso aqui teve uma alteração então o W2 agora não vale zero ele vale meio Então na hora que eu atualizo aqui eu posso ver que tanto W1 como W2 agora eles valem meio Vamos então ainda dentro da época um e pegar o último registro em cima das sete que a mostra quatro e processar aqui vão pegar o x 1 equivale 1 x 2 que vale um também tem um X1 e X2 e vou multiplicar um vezes meio vai dar meio mais um vezes meio que vai dar meio meio com meio deu um jogo aqui para minha função estepe aqui no caso é um né ah O resultado vai ser um então meu Y Chapéu a minha predição é um e o meu valor original o tablet o valor real também é um tão parece no terro vamos calcular agora para ver se não tem erro mesmo e para ver se ele vai alterar ou não alguma coisa aí dos meus pés então eu calcula que o meu erro né aqui é o y aquela questão chapéu ou menos uns vai dar zero o erro de zero e aqui eu vou então atualizar o peso da vi um vou utilizar o preso W1 colocando o valor atual que é meio mais Odair leite que é meio 10 que é o erro x era o que é a entrada que a X1 né quando tem usar aqui na multiplicação zeroto e Manteve igual a manter e-mail Ok vamos agora aprontar Bill 2 W2 começa com o meio que o valor atual mais meio que é o leite vezes zero que é o erro vezes o que é o input como tem 10 aqui na multiplicação eu mantenho igual certo então w e W2 é o meio e eu acabei então a minha época um na minha primeira época tá então esse errado eu treinei aqui com essa com todo o meu leva sete agora eu posso ir para segunda época como que começa o neurônio na segunda época cuidar w82 atualizados os dois valendo meio certo volto para a mostra um volto lá para o Primeiro Registro que é usuário o usuário a o X1 Vale 1 x 2 vale zero e o target chão coloco aqui x 1 né x 2 faço a multiplicação então um X meio vai dar meio mais 10 vezes meio várias 001 meio de um meio jogo para função degrau Oi e o resultado vai ser um então a predição agora é um lembra aqui para esse Data Set anteriormente Ele tava dando que o resultado do zero agora ele tá dando o resultado um porque os pesos foi foram auditados então o nosso o nosso neurônio artificial per iniciou de uma forma aleatória que eu coloquei 100 nos dois pesos e depois da primeira época de Treinamento os presos já tinham sido registados em meio no w um e-mail no W2 e agora para o primeiro data Point aqui ele já se comportou bebê então não tem erro nem vou fazer aquele procedimento de achar o erro de calcular que a gente viu que não tem alteração vou então agora para segunda Nossa que é o registro B né usuário Betis 1 a 0 x 2 a 0 então tá aqui ó X1 e X2 01 x meio vai dar 0 + 0 x-men a 0 no jogo aqui para função degrau zero e o valor previsto lá no final acaba sendo zero também e o valor real o y também era a zero então não tem erro Segue o jogo ainda na época dois pego amostra 3 amostra três aqui certo usuários cê X10 X2 vale um o target é o então agora quando precisar tem que dar um tá então x 1 x 2 então zero vezes meio de 10 mais um vezes meio deu meio Olha o resultado aqui meio jogo para mim a função degrau e o resultado vai ser um e o resultado real também era um não tem erro avanço Então por meu último datassette Bom vamos lá o meu última data 7:00 é usuário tá aqui na verdade é o de né é um e um só é um e um aqui que é o x1i X2 faço um X meio meio mais um vezes meio um na função estepe de um então a predição foi de um e o valor real também era um não tem erro então agora encerrei a minha segunda época porque a segunda época porque foi a segunda vez que eu rodei todo mas datacert no modelo para treiná-lo e eu errei aqui com uma curasse é de 100 porcento ou seja agora o meu modelo Tá acertando tudo para esse data 7:00 Ok não vou passar de real amplo e complexo não vai chegar no acurácia de 100 porcento tão fácil é que aqui é um problema bem específico da passagem que eu voltei que acaba sendo um j7 linearmente separado que a gente consegue chegar a uma solução a gente vai entender agora esses conceitos então está quieto da parte de treinamento do meu percebe se eu voltar voltar voltar e para vocês verem que eu não menti certo a gente começou com um conjunto de dados supervisionado fez o feed Food para cada um professor ou curou erro e voltou ajustando e a gente foi repetindo isso e a quantidade de épocas como a gente pode ver aqui pode ser 100 200 300 mil época se a gente vai discutir os conceitos de época em mais profundidade mais para frente aqui é importante que vocês absorvam toda a essência do que é um neurônio artificial Então esse daqui é um treinamento de um único neurônio agora a gente vai olhar para um outro conceito que é muito importante reitorais que é o conserto de baias tá ou você não vem falar de viesse que não tem a ver com a carinha do viés de ver as nos dados discriminação não isso aqui é só uma estratégia matemática para deixar os modelos mais flexíveis é mais adaptativos que ano como se fosse uma espécie de threshold e vai fazer sentido para vocês agora então o baias que que é o mais nada mais é do que um peso adicional no meu processo Então vamos supor assim que eu tenho um datas certas com duas variáveis de entrada então x 1 x 2 eu coloco um terceiro peso que é o meu país se eu tivesse três variáveis de entrada X1 X2 X3 o meu neurônio teria 4 pesos o quarto peso seria o meu bairro Então é isso que eu faço aqui Lembra daquela forma a lição que a gente viu aqui então agora na fórmula ali no finalzinho eu tô colocando o meu bebê que é o Buzz e ele vai trazer maior flexibilidade para o meu aqui eu consigo umas definições para vocês que numa rede neural complexa com mais de 100 orores 200 neurônios né 1 milhão de neurônios a gente pode chegar em redes com bilhões de neurônios e no eu não pode ter então um várias e esse baias ele pode ser fixo que não é o caso geralmente ou ele pode ser aprendido Então a gente vai atualizando o Bayern na mesmo processo de atualizar aqueles pesos ali de w e W2 Ok e o porquê que era importante primeiro porque ele vai meio que criar uma espécie de threshold Que tal trás sobre eu vou colocar um Limiar ali de disparo daquele né então você aquele neurônio deve ou não ser disparado e ele vai me ajudar a definir e isso e diferença alunos podem ter diferentes traficantes e com isso ele meu modelo resulta uma coisa mais flexível que eu consigo adaptar-me diferentes cenários eu vou mostrar a primeira parte para vocês entenderem o Bayern funcionando como um threshold e num segundo momento eu vou apresentar o Bahia trazendo uma maior flexibilidade eu vou trazer mais importar regressão linear que nós já vimos aqui duas vezes a segunda aula do curso e na aula de Gradiente descendente porque vai dar uma dinâmica bem interessante para o aprendizado de vocês estão aqui para deixar de idade que eu tô trabalhando com dois modelos de um neurônio artificial o primeiro neurônio ali de cima ele não tem não tem bike está Então olha só o w e W2 os pesos para andar nascente com duas variáveis aqui embaixo eu tô modificando esse neurônio e agora ele vai ter o baile lá então ele tem esse viés que vai ser um se a gente for tomar um Então olha a diferença ali das formas então ali em cima eu tenho e o meu Valor estimado né o meu Y chapéu vai ser wx-1 mas w2x dois dentro da função é de ativação que no caso é a função degrau função estepe aqui no neurônio de baixo eu mudo a fórmula e acrescento ali no finalzinho o bebezinho aqui de baias Então vai dar abrir um desses um mas W2 esses dois mais o bebê de baias que é isso daqui e o meu modelo vai se comportar diferente então vamos supor aqui os dois neurônios os dois neurônios eles têm as mesmas entradas e os mesmos pesos w e W2 são iguais e as entradas de x 1 x 2 também são iguais a diferença aqui no de baixo tem o baile a gente vai ver a diferença de comportamento então no de cima ali eu faço então processamento né o feed food pego um vezes menos 7 que vai dar - 07 e somos às vezes 2 que dá 0. 2 positivo que dá um resultado de menos meio certo menos meio eu jogo para mim a função de ativação criar função estepe e menos meio na função step é um negativo vai dar o valor de zero então Valor estimado Aqui é zero então zero entendo como um neurônio que não diz Para Ele não manda a informação para frente agora vamos agora processar esse neurônio aqui debaixo para entender isso agora eu vou fazer a multiplicação aqui usando também o bikes né usando essa fórmula ali que vocês vão encontrar então vamos lá 1 - 07 vai dar - 07 + 1 x 0 2 vai dar 02 então - 07 + 02 da 0.

5 mas eu tenho baias aqui que é um então de menos meio mais um vai para o meio e agora eu jogo na função degrau certo e o resultado não vai ser mais zero vai ser um e eu entrei no como neuronic disparo seja ele passa informação para frente ou seja os mesmos pesos o mesmo projeto de neurônio com a mesma estrutura que os resultados de entrada quando eu coloco by assim ter vai ter uma flexibilidade ali em cima naquele nome não tem jeito com esses dados com essa entrada e esses pesos ele não vai disparar agora número de baixo eu coloco baias eu posso então modificar que esse baias para trazer uma maior flexibilidade para o meu modelo e a gente vai entender isso olhando para regressão linear que a gente já viu que duas vezes né então a regressão linear a gente lembra até a equação da reta Opa é isso daqui né Y = MX + B né gente viu várias nomenclaturas ali várias definições O que é bom para as votações a gente viu que o NX aqui né Wayne é um coeficiente que é um coeficiente angular Ou seja é a inclinação da minha reta e o b a gente aprendeu também como intercepta Ou seja é aonde no eju Y sai a minha a minha reta Ok tranquilo bom o bebê aqui ele também é chamado em alguns artigos para alguns matemáticos de baias porque ele acaba sendo um baias que dá mais flexibilidade ao modelo e o exemplo que eu tenho aqui é de uma regressão sem de uma reta sem baias ou seja se não tem baias ele vai sempre surgir do ponto de partida né porque você não tem o baias baias não é o intercepto não é da onde do eixo Y parte a minha reta Então seu do meu modelo eu não tenho e sem vai partir do zero eu posso mudar a angulação Oi e a internação da minha reta Mas da onde ela sai eu não consigo então ó vamos supor que eu tenho Data Set assim eu posso para traçar uma né treinar um modelo de uma reta que vai ser y = x que vai dar essa reta aqui certo uma outra que é duas vezes que vai dar aqui uma que é menos x que vai dar para baixo mas nenhuma tá se comportando bem porque o melhor seria uma reta que saísse daqui e viesse para cá Só que eu não consigo uma reta que saia daqui porque eu não tenho o baile agora se no outro modelo eu adiciono baias o que acontece eu trago uma flexibilidade maior então aqui eu tenho uma uma reta né que tenha esse comportamento aqui então x + 2 fica esses dois é o baile então ele sai daqui de y = 2 e ele tá subindo porque aqui na sala é positiva ok Oi e essa reta aqui que tá melhor se ajustando aos dados é menos x mais 4 ou seja eu saio de quatro aqui ou parte quatro aqui e se sair de quatro eu saio eu saio do intercepta quatro que é na verdade o meu baias e eu vou descendo aqui a carta Tá certo então quando eu coloco o bairro você vê que eu tenho uma maior flexibilidade com o meu modelo E aí fica o Bahia o Bahia faz a gente vai começar a trabalhar bastante com base na próximas aulas bom gente conseguiu então treinar um modelo de presépio é que se ajustou sem por cento para os nossos dados Mas então quer dizer que é o melhor modelo que existe não na verdade o percebe não tem várias limitações ele consegue trabalhar com problemas bem específicas e a gente vai discutir isso agora que são os problemas que a gente chama de linearmente separáveis então problemas que são linearmente separáveis aqueles em que o próximo da ponte eu consigo passar uma uma linha não é uma reta separando as classes por exemplo que é fraude o que não é fraude e É nesse nosso caso por exemplo eu tava usando esse dá para sete aqui ó não é que na verdade ela tá da sete chamado o porque eu posso entender aqui ó como um como verdade verdadeiro zero como falso e o ou um dos dois tem que ser verdadeiro para ser verdadeira então 10 vai dar 100 4000 guardam um ou um vai dar um tham seu agora pronto aqui no gráfico eu vejo que todos os azuizinhos aqui ficaram aqui certo ficaram aqui e uma Argentina ficou aqui para baixo então eu consigo passar uma linha aqui que separe os meus atuações com classes diferentes e a mesma coisa que no Angel Não entendi é u. e.