Aplicação de Rede Neural Artificial na classificação de tipos de íris
Gravado no evento XV Encontro Nacional dos Estudantes de Engenharia Elétrica · 16 min de gravação
Trechos em vídeo

O que é uma rede neural artificial e seus tipos de aprendizado
Trecho de a da gravação

A analogia entre o neurônio biológico e o neurônio artificial
Trecho de a da gravação
Sobre o conteúdo
A apresentação introduz o artigo intitulado "Aplicação de Rede Neural Artificial na classificação de tipos de íris", desenvolvido por integrantes do Programa de Educação Tutorial (PET) de Engenharia Elétrica da Universidade Federal do Pará (UFPA) e divulgado no XV Encontro Nacional dos Estudantes de Engenharia Elétrica. O palestrante contextualiza o papel das redes neurais artificiais como ferramentas de inteligência computacional e aprendizado de máquina, explicando suas modalidades operacionais em aprendizado por reforço, previsão de séries temporais e classificação de padrões supervisionada ou não supervisionada. Estabelece também a correspondência estrutural e funcional entre a célula nervosa biológica e os componentes matemáticos do neurônio artificial, como dendritos, corpo celular (função soma), sinapses (pesos sinápticos) e axônio (função de ativação).
Em seguida, são exploradas as justificativas para a adoção da rede do tipo Multilayer Perceptron (MLP), destacando atributos como paralelismo, tolerância a ruídos e capacidade de generalização e de processamento de relações não lineares. A revisão de literatura traz comparações com estudos anteriores de Vyas e Upadhyay (2014), Swain et al. (2012) e Sarab (2020), que utilizaram diferentes topologias, quantidades de épocas e volumes de neurônios ocultos no problema clássico da base Iris de R. A. Fisher. O palestrante pontua a divisão dos 150 registros balanceados entre as espécies Iris setosa, Iris versicolor e Iris virginica, utilizando quatro variáveis morfométricas de entrada e a partição de 20% para treinamento e 80% para teste, implementada em linguagem Python no ambiente Google Colab.
Na etapa metodológica e de resultados, são detalhadas as equações de propagação direta (forward), a retropropagação do erro (backpropagation) para calibração dos pesos e a métrica de erro médio quadrático (EMQ). Após testar diversas combinações variando épocas (10, 50 e 100), taxas de aprendizagem (0,1 e 0,01) e funções de ativação (sigmoide e tangente hiperbólica) com cinco execuções cada, os resultados demonstraram que o modelo com apenas um neurônio na camada oculta e tangente hiperbólica atingiu 100% de acurácia com 50 épocas de treinamento. Ao final, ressalta-se a eficiência do modelo simplificado frente à literatura e propõem-se desdobramentos futuros com bases mais complexas e comparações com outros algoritmos de inteligência artificial.
O que é abordado
- Abertura e apresentação dos autores
- Sumário da apresentação
- Conceitos de Redes Neurais e o neurônio biológicoTrecho de 1 min 49 sTrecho de 1 min 48 s
- Aplicações e o modelo Multilayer Perceptron
- Trabalhos relacionados
- Metodologia: base Iris, forward e backpropagation
- Resultados e discussões das topologias testadas
- Conclusões e considerações finais
Dúvidas que o conteúdo responde
Qual foi a base de dados utilizada no estudo e como ela é estruturada?
Foi utilizada a base de dados Iris, criada por R. A. Fisher em 1936, contendo 150 amostras divididas igualmente (50 para cada) entre as espécies Iris setosa, Iris versicolor e Iris virginica, com quatro atributos de entrada: largura e comprimento de sépalas e pétalas.
Qual foi a divisão dos dados entre treinamento e teste adotada pelos autores?
Os autores adotaram uma partição de 20% das amostras para a fase de treinamento (30 dados) e 80% para a fase de teste (120 dados).
Quais ferramentas de software foram selecionadas para o desenvolvimento da RNA?
Optou-se pela linguagem Python executada na plataforma Google Colab, em virtude de sua licença aberta e ampla aplicação em aprendizado de máquina.
Qual configuração de rede alcançou 100% de acurácia com o menor custo de treinamento?
A topologia composta por apenas 1 neurônio na camada oculta, taxa de aprendizagem de 0,01 e função de ativação tangente hiperbólica alcançou 100% de acurácia em apenas 50 épocas.
Assuntos
Outros conteúdos deste evento
Gravados no evento XV Encontro Nacional dos Estudantes de Engenharia Elétrica
Projeto de Extensão: Segurança e Combate a Acidentes Elétricos
Gravado no evento XV Encontro Nacional dos Estudantes de Engenharia Elétrica
O vídeo apresenta o projeto de extensão Segurança e Combate a Acidentes Elétricos (SCAE), desenvolvido pelo Programa de Educação Tutorial em Engenharia Elétrica da UFPA, no XV…
Ver resumo e capítulosAplicativo de dimensionamento elétrico residencial em Visual Basic for Applications
Gravado no evento XV Encontro Nacional dos Estudantes de Engenharia Elétrica
O trabalho apresenta o desenvolvimento de um aplicativo em Visual Basic for Applications (VBA) no Microsoft Excel voltado ao dimensionamento elétrico residencial. A ferramenta…
Ver resumo e capítulosLaTeX
Gravado no evento XV Encontro Nacional dos Estudantes de Engenharia Elétrica
O vídeo consiste em um minicurso introdutório sobre o LaTeX, abordando sua história, conceitos fundamentais e vantagens frente a processadores de texto convencionais. A…
Ver resumo e capítulos

