Em seguimento do poste sobre Redes Neuronais (http://infptavares.blogspot.pt/2013/02/redes-neuronais-c.html) em que foi explicada parte da teoria das redes neuronais segue este pequeno poste para dar a conhecer quais as arquiteturas existentes.

No poste sobre redes neuronais acima referido foi falado das redes MLP e também das redes com um só neurónio, visto que todo o código fonte disponibilizado no poste anterior é apenas para este último, um neurónio.

Assim sendo, as arquiteturas são nada mais nada menos que a maneira de como interligamos os neurónios e os fazemos comunicar entre si. De facto, os investigadores tentam encontrar novas arquitecturas que podem ser usadas para muitas finalidades. Eu vou falar sobre algumas arquiteturas aqui.

 The dictomizer

 Este é constituído por um único neurónio, e consegue classificar dois conjuntos diferentes (solução binária). Nada sofisticado, apenas um neurónio único faz o trabalho. A “aprendizagem” é simples de implementar. Não há “feedback” , ou seja a sua saída dele não é “reciclada”.

Multicategory Classifier

Vamos supor  que temos mais de duas classes, por exemplo, “humano”, “animal” ou “nenhum dos anteriores”. Usam-se múltiplos neurónios cada um correspondendo a uma linha fronteira, que separa os humanos, dois animais ou nenhuns deles.. Mais uma vez, a entrada não é reciclada. A aprendizagem, neste caso, é muito simples e bastante semelhante à do caso anterior.

Multilayer feedforward networks

Neste tipo de rede os neurónios são organizados em várias “camadas”. A saída de uma camada é a entrada para a próxima. A aprendizagem para estas redes não é tão evidente quanto as redes anteriores. Na verdade, a formação destas redes tornou-se possível apenas há umas décadas atrás usando o algoritmo de back-propagation.



Hopfield networks

Esta rede é um exemplo de uma rede de realimentação de camada única. Isto é, a saída de um neurónio é reciclado como entrada para outros neurónios. Trata-se de uma “única camada” de neurónios.Interligar duas redes de Hopfield é demasiado complexo.

Associative memories

Estas são semelhantes à rede Hopfield, excepto que elas imitam memórias humanas. É possível com uma parte da memória, lembrar e chegar à memória completa sobre determinado assunto na vertente humana. Este é mais ou menos o conceito aqui introduzido.

Hamming & MAXNET

Estas redes ajudam na classificação (assim como o classificador dictomizer / multicategory), mas utilizando uma outra técnica.. Esta rede pode ser usada como não super visionada e supervisionada.

Unsupervised learning

Todas as redes anteriores requerem aprendizagem supervisionada. Ou seja, temos de dar à rede uma entrada, e saída esperada. A rede, em seguida, vai se adaptar em conformidade. Nesta rede, nenhum resultado esperado é necessário. A rede “aprende” sobre si mesmo.