REDES NEURAIS ARTIFICIAIS: ESTRUTURA, MODELAGEM MATEMÁTICA E EXEMPLO DE APLICAÇÃO
DOI:
https://doi.org/10.63330/aurumpub.005-002Palavras-chave:
Inteligência Artificial, Otimização, Redes Neurais Artificiais, Aprendizado de Máquina, Modelagem MatemáticaResumo
As Redes Neurais Artificiais (RNAs) são modelos computacionais inspirados no funcionamento do cérebro humano, utilizados para resolver problemas complexos por meio de aprendizado adaptativo. Este trabalho apresenta uma análise teórica sobre a estrutura e o funcionamento das RNAs, abordando sua modelagem matemática, principais arquiteturas e métodos de aprendizado. Além disso, são discutidas suas aplicações em otimização, regressão, previsão e classificação de dados, destacando a capacidade desses sistemas em lidar com interações não lineares e padrões complexos. O estudo inclui uma comparação entre diferentes topologias de redes, bem como a influência dos algoritmos de treinamento no desempenho da RNA. Por fim, é apresentado um exemplo prático de aplicação, evidenciando a eficácia desse método na solução de problemas de modelagem matemática.
Downloads
Referências
HAYKIN, S. Neural Networks and Learning Machines. 3rd ed. New York: Pearson, 2009.
HOPFIELD, J. J. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, v. 79, p. 2554-2558, 1982.
KOHONEN, T. Self-Organizing Maps. Springer Series in Information Sciences, v. 30. Berlin: Springer-Verlag, 1988.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, p. 436-444, 2015.
RUMELHART, D. E.; MCCLELLAND, J. L. Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Cambridge: MIT Press, 1986.
SUTTON, R. S.; BARTO, A. G. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998.
TURING, A. M. Computing machinery and intelligence. Mind, v. 59, n. 236, p. 433-460, 1950.
GERS, F. A.; SCHMIDHUBER, J. Long Short-Term Memory Learns Context Free and Context Sensitive Languages. In: Proceedings of the 2001 International Joint Conference on Neural Networks (IJCNN), 2001, Washington, DC, USA. p. 2207-2213. DOI: 10.1109/IJCNN.2001.938623.
BORGES, R. R.; IAROSZ, K. C.; BATISTA, A. M.; CALDAS, I. L.; BORGES, F. S.; LAMEU, E. L. Sincronização de disparos em redes neuronais com plasticidade sináptica. Revista Brasileira de Ensino de Física, São Paulo, v. 37, n. 2, p. 2310, jun. 2015. Disponível em: https://www.scielo.br/j/rbef/a/n4Q49fBXdH9NvKT4X9ZjcHD/?lang=pt. Acesso em: 22 nov. 2024.
SOARES, P.; SILVA, J. P. da. Aplicação de Redes Neurais Artificiais em Conjunto com o Método Vetorial da Propagação de Feixes na Análise de um Acoplador Direcional Baseado em Fibra Ótica. Revista Brasileira de Engenharia, São Paulo, v. 27, n. 3, p. 215-223, set. 2011. Disponível em: https://www.researchgate.net/publication/307834184_Aplicacao_de_Redes_Neurais_Artificiais_em_Conjunto_com_o_Metodo_Vetorial_da_Propagacao_de_Feixes_na_Analise_de_um_Acoplador_Direcional_Baseado_em_Fibra_Otica. Acesso em: 2 dez. 2024.
SILVA, Rafael Veiga Teixeira e. et. al. Inteligência artificial e o teste de Turing: uma análise do prêmio Loebner de 2017 e 2018. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 07, Ed. 03, Vol. 02, pp. 121-141. Março de 2022. ISSN: 2448-0959, Disponível em: https://www.nucleodoconhecimento.com.br/tecnologia/premio-loebner. Acesso em: 2 jan. 2025.
BARBOSA, Guilherme N. N.; BEZERRA, Govinda M. G.; MEDEIROS, Dianne S. V.; LOPEZ, Martin A.; MATTOS, Diogo M. F. Segurança em Redes 5G: Oportunidades e Desafios em Detecção de Anomalias e Predição de Tráfego Baseadas em Aprendizado de Máquina. In: Minicursos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais. 1. ed. São Paulo: Sociedade Brasileira de Computação, 2021. p. 145-189. Disponível em: https://www.researchgate.net/publication/355261609_Seguranca_em_Redes_5G_Oportunidades_e_Desafios_em_Deteccao_de_Anomalias_e_Predicao_de_Trafego_Baseadas_em_Aprendizado_de_Maquina. Acesso em: 2 jan. 2025.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Joelson Lopes da Paixão (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
