PARADIGMA CONEXIONISTA

PARADIGMA CONEXIONISTA
O paradigma conexionista tem como premissa a suposição de que o comportamento inteligente esta relacionado com a dinâmica das conexões entre pequenos nós denominados neurônios onde tal dinâmica é capaz de representar o conhecimento
SISTEMA DE IA CONEXIONISTA
Uma vez definido um neurônio, é possível estudar as propriedades de redes de neurônios interconectados, as chamadas redes neuronais. O primeiro modelo de rede neuronal – chamado Perceptron – foi proposto por Rosenblatt, em 1957. Este consiste em uma rede de duas camadas (uma de entrada, utilizada apenas para redistribuição da informação de entrada, e outra de saída, onde o processamento é realmente realizado) formadas por neurônios binários. Desde então diversos modelos foram propostos.
As características que tornam a metodologia de redes neuronais interessante do ponto de vista da solução de problemas são as seguintes:
• Capacidade de “aprender” através de exemplos e de generalizar este aprendizado de maneira a reconhecer instâncias similares que nunca haviam sido apresentadas como exemplo.
• Bom desempenho em tarefas mal definidas, onde falta o conhecimento explícito sobre como encontrar uma solução.
• Não requer conhecimento a respeito de eventuais modelos matemáticos dos domínios de aplicação.
• Elevada imunidade ao ruído, isto é, o desempenho de uma rede neuronal não entra em colapso em presença de informações falsas ou ausentes, como é o caso nos programas convencionais, mas piora de maneira gradativa.
• Possibilidade de simulação de raciocínio “a priori” e impreciso, através da associação com a lógica nebulosa.
APLICAÇÕES
Reconhecimento de imagens
•Principais aplicações da IA Conexionista:
Aprendizagem a partir de exemplos
Aproximação de funções
Agrupamento
•Ferramentas da IA Conexionista:
Redes neurais artificiais
Redes MLP
Mapas Auto-organizáveis
Redes de Funções de Base Radial