Mini Projeto em Python
Enviado por
ScribdTranslationsMini Projeto em Python
Enviado por
ScribdTranslationsMINI-PROYECTO #1.
REDES NEURONALES ARTIFICIAIS
Wilfredo Alfonso M
DESIGNOFACLASSIFIERWITHARTIFICIALNEURALNETWORKSIN
PYTHON1
OBJETIVOS
1. Compreender o funcionamento das Redes Neurais Artificiais em Python utilizando a
biblioteca Keras no backend do TensorFlow.
2. Construir uma Rede Neural Artificial do tipo feedforward para a classificação de padrões.
3. Validar o funcionamento de uma Rede Neural Artificial em um problema de classificação de
padrões.
4. Compreender e colocar em funcionamento os diversos hiperparâmetros fornecidos pelo Keras
para o treinamento de uma rede neural do tipo feedforward.
ENUNCIADO:
Selecione um banco de dados do repositório da Universidade da Califórnia:
http://archive.ics.uci.edu/ml/index.php
Como se trata de trabalhar diretamente na parte de classificação, tenha em mente selecionar aquele que
indique dentro do tipo de atributos que seja "categórico".
1. Baixe o banco de dados do repositório.
2. Desenhe uma rede neural artificial feedforward. Para isso considere:
a. Geralmente para sistemas categóricos, utiliza-se uma camada de saída tipo
SoftmaxóSigmoide.
b. Na camada oculta, dois tipos de funções de ativação comuns para dar características
não lineares são ReLU e ótanh.
c. Tenha em mente que o uso de duas funções de ativação linear gerará uma saída
evidentemente linear, evite fazer relações desse tipo se o que quer é fornecer
características não lineares na resposta da rede neural.
3. A função de custo e o otimizador são alguns dos elementos mais importantes para melhorar
a qualidade da solução do seu sistema de classificação. Por isso, é solicitado que treine redes
neuronais usando diferentes funções de custo e pelo menos três otimizadores.
4. Dependendo da rede selecionada e da combinação inicial das funções de ativação
selecionadas, apresenta uma nova combinação das funções de ativação levando a cabo
as diferentes funções de custo e otimizadores do numeral anterior.
5. Apresente um notebook com os resultados obtidos. Tenha em mente apresentar os diferentes
gráficas dos processos de aprendizagem, as diferentes topologias (use pelo menos 4 delas–
neurônios na camada oculta). Seja organizado e descreva as observações de cada caso. Inclua
conclusões. Para melhorar a comparação, utilize uma semente comum e inicialize os pesos
das neurônios para cada combinação W = np.random.randn(shape)*0.01 e b = np.zeros(n1,1).
