Inteligência Artificial: Embora não seja uma regra clara, o mercado de automóveis costuma classificar os veículos por categorias. Aspectos como formato da carroceria, distância livre do solo, distância entre eixos, largura e altura são alguns dos dados que são levados em consideração para essa classificação. Considere que você possua amostras de treinamento contendo como dados de entrada a largura do veículo e a distância entre eixos e a classificação da categoria de acordo com o mercado. Entrada 1 da RNA (Largura (m)) e Entrada 2 da RNA (Distância entre eixos (m)) e Saída da RNA (Categoria): - 1,726; 2,521; Sedan compacto - 1,730; 2,550; Sedan compacto - 1,780; 2,701; Sedan médio - 1,807; 2,688; Sedan médio Treine uma RNA do tipo Perceptron de camada simples, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Considere o valor esperado da saída da rede como sendo 1 para sedan compacto e “-1” para sedan médio. Utilize como pesos sinápticos iniciais v = [– 0,07 0,26] e v0 = 0,01. As grandezas estão em escalas diferentes e o recomendável é a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. Os vetores de pesos sinápticos após o término do terceiro ciclo são iguais a:
Embora não seja uma regra clara, o mercado de automóveis costuma classificar os veículos por categorias. Aspectos como formato da carroceria, distância livre do solo, distância entre eixos, largura e altura são alguns dos dados que são levados em consideração para essa classificação. Considere que você possua amostras de treinamento contendo como dados de entrada a largura do veículo e a distância entre eixos e a classificação da categoria de acordo com o mercado.
Entrada 1 da RNA (Largura (m)) e Entrada 2 da RNA (Distância entre eixos (m)) e Saída da RNA (Categoria):
- 1,726; 2,521; Sedan compacto
- 1,730; 2,550; Sedan compacto
- 1,780; 2,701; Sedan médio
- 1,807; 2,688; Sedan médio
Treine uma RNA do tipo Perceptron de camada simples, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Considere o valor esperado da saída da rede como sendo 1 para sedan compacto e “-1” para sedan médio. Utilize como pesos sinápticos iniciais v = [– 0,07 0,26] e v0 = 0,01. As grandezas estão em escalas diferentes e o recomendável é a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. Os vetores de pesos sinápticos após o término do terceiro ciclo são iguais a:
a) v = [– 0,4476 – 0,3522] e v0 = –0,19
b) v = [– 0,4260 – 0,2802] e v0 = – 0,19
c) v = [– 0,4692 – 0,4242] e v0 = – 0,19
d) v = [– 0,4368 – 0,3162] e v0 = – 0,19
e) v = [– 0,4584 – 0,3882] e v0 = – 0,19
Desbloqueie explicações detalhadas
Assine o plano Premium e tenha acesso a explicações completas e análises aprofundadas de cada questão.