Aula 2 - Semana 5: Rede Som

Modelo Som: Self Organizing Map, usado em aprendizado não supervisionado.
Aprendizado Competitivo: Neurônios competem para representar padrões de entrada sem supervisão externa.
Redundância nos Dados: Necessária para extração de características e padrões estatísticos.
Famílias de Redes Neurais:
- Aprendizado competitivo: Ex. Rede Som, Rede GNG.
- Aprendizado hebiano: Ex. Rede Hopfield, PCA.
Fases do Treinamento da Rede Som:
1. Competição: Neurônios competem, o que resulta na seleção do BMU (Best Matching Unit).
2. Cooperação: Neurônio vencedor colabora com sua vizinhança, ajustando seus pesos e os dos vizinhos.
3. Adaptação Sináptica: Ajuste dos pesos dos neurônios baseado em distância ao padrão de entrada.
Fórmulas Importantes:
- Distância Euclidiana para encontrar o BMU.
- Atualização de pesos: $w<em>{j}^{t+1} = w</em>{j}^{t} + \beta imes h(j, i) imes (x - w_{j}^{t})$
- Taxa de aprendizado e vizinhança decaem ao longo das épocas.
Células de Voronoi: Cada neurônio representa uma região que é mais próxima dos padrões que ele corresponde.
Erros de Avaliação do Mapa:
- Erro de Quantização: Distância entre os padrões e seus respectivos neurônios vencedores.
- Erro Topográfico: Representa a qualidade da organização topológica do mapa.
- U-Matrix: Visualização que ajuda a encontrar fronteiras entre clusters.
Vizinhança: Pode ser hexagonal ou quadrada, cada uma com suas implementações específicas.
Treinamento: Fases de ordenação topológica e ajuste fino, utilizando reduções em sigma e eta.
Próxima Aula: Exemplos práticos no ambiente Collab utilizando o pacote MiniSom.