COMPARAÇÃO ENTRE AS REDES NEURAIS ADALINE E PERCEPTRON UTILIZANDO O CONJUNTO DE DADOS IRIS
Palavras-chave:
Adaline, Perceptron, Redes NeuraisResumo
Inicialmente as redes neurais foram desenvolvidas com o objetivo de criar um sistema computacional que modela-se o funcionamento do cérebro humano, porém as mesmas passaram a ser utilizadas para resolver tarefas específicas. Adaline e Perceptron são duas redes neurais que calculam uma função de entrada utilizando um conjunto de pesos adaptativos e um bias, apesar de suas similaridades, é conhecido que a rede neural Adaline converge para um resultado mais rapidamente que a rede neural Perceptron. Este trabalho foi elaborado como um exercício didático, afim de apresentar como se obtém tais conclusões, utilizando como dados para classificação e treinamento o conjunto de dados IRIS. Ao longo do trabalho utilizou-se a linguagem de programação Processing para elaboração das redes neurais e a linguagem de programação Python para apresentação visual dos resultados. Os resultados encontrados evidenciam as classes do conjunto de dados que podem ser separadas linearmente e as que não podem, a conclusão para o melhor desempenho entre as redes neurais é definida pela porcentagem de acertos nas classificações dos dados.
Downloads
Referências
Autor (2020). Redes Neurais. Disponível em: <https://github.com/AllanaCampos/Redes-Neurais> Acesso em: 19 Agosto 2020.
Data Science Academy (2019). Deep Learning Book. Disponível em: <http://www.deeplearningbook.com.br/>. Acesso: 02 Julho 2020.
Dua, D. e Graff, C. (2019). UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science. Disponível em: <http://archive.ics.uci.edu/ml>. Acesso: 02 Julho 2020.
Hunter, John. Et al (2020). Matplotlib: Visualization with Python. Disponível em: <https://matplotlib.org>. Acesso: 02 Julho 2020.
Matos, Mateus de. Et al. Implementação de redes neurais perceptron e adaline em ambiente labview. Disponível em: <http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/10215/1/PG_COELE_2018_1_04.pdf>. Acesso: 02 Julho 2020.
Moreira, Sandro (2018). Rede Neural Perceptron Adaline. Disponível em: <https://medium.com/ensina-ai/rede-neural-perceptron-adaline-8f69dc419d4e> Acesso: 17 Julho 2020.
Python (2020). Pandas. Disponível em: <https://pypi.org/project/pandas/> Consultado em Acesso: 17 Julho 2020.
R. A. Fisher (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics. 7 (2): 179–188. Disponível em: <http://www.comp.tmu.ac.jp/morbier/R/Fisher-1936-Ann._Eugen.pdf>. Acesso: 25 Julho 2020.
Sharma, Rajesh (2020). SIGGRAPH Now | Hands-on Workshop: Machine Learning and Neural Networks – Lecture 3. Disponível em: <https://www.youtube.com/watch?v=anASnKYImSI&t=1670s>. Acesso: 02 Julho 2020.
Silva, IN da, Danilo Hernane Spatti, e Rogério Andrade Flauzino (2010). Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber.
Waskom, Michael (2020). Seaborn. Disponível em: <https://seaborn.pydata.org>. Consultado em Acesso: 17 Julho 2020.