Redes Neurais

Redes Neurais

• 1.
  Redes Neurais Artificiais Aplicação:Cidades Inteligentes Bianka Passos
• 2.
  Agenda ● Introdução ● Aplicações ●Redes Neurais vs Cidades Inteligentes ● Exemplos ● Referências ● Perguntas
• 3.
  Introdução ● Redes NeuraisArtificiais (RNAs) ○ Abstração da biologia trazida para a computação ○ Modelos computacionais ○ Inspirados pelo SNC (sistema nervoso central) ○ Capazes de efetuar ■ Aprendizado de máquina (machine learning) ■ Reconhecimento de padrões (pattern recognition) ○ Apresentadas como: rede de neurônios ■ Podem computar valores de entrada
• 4.
  Aplicações ● Redes neuraistêm sido usadas para resolver uma grande variedade de tarefas ○ Difíceis de resolver utilizando programação baseada em regras comuns ○ Incluindo ■ Visão computacional ■ Reconhecimento de voz ● Reconhecimento de escrita manual ○ Definida por um conjunto de neurônios de entrada ○ Ativados pelos pixels de uma imagem de entrada ○ Os dados adquiridos pela ativação dos neurônios ■ Repassados​​, ponderados e transformados por uma função ■ O processo é repetido até que, finalmente, um neurônio de saída é ativado ● Determina que caractere foi lido
• 5.
  Aplicações ● Luzes derua conectadas inteligentes ○ Podem incluir câmeras de vigilância e pontos de WiFi ○ Proporcionam aos moradores um ambiente mais seguro, ○ Diminuem as luzes durante períodos de inatividade ou baixo tráfego ○ Ajudando os municípios a reduzir os custos de energia de iluminação ● Outras aplicações: ○ Reconhecimento Automático de Alvos; ○ Reconhecimento de Caracteres; ○ Robótica; ○ Diagnóstico Médico; ○ Sensoriamento Remoto; ○ Processamento de Voz; ○ Biometria; ○ Análise de dados (Data Mining) ○ Reconhecimento de Objetos; ○ Reconhecimento de Fala; ○ Buscas na Web; ○ Tradução e ○ Carros autônomos
• 6.
  Redes Neurais vsCidades Inteligentes ● Funcionam analisando dados coletados ○ Treinamento ● Fornece aos computadores a capacidade de identificação de padrões básicos de dados brutos ○ Formas, sequências, frequências, cores, ordem e muito mais ○ Ao empilhar camadas sobre camadas de padrões em um modelo de rede neural, eles são capazes de identificar com precisão padrões de maior complexidade ● Proporciona às cidades ○ Melhoria do gerenciamento do tráfego ○ Redução do desperdício de água e eletricidade ○ Melhoria da segurança pública no ambiente urbano ■ Identificando e prevendo as tendências do crime, e autorizando as autoridades a alocar recursos para as áreas certas
• 7.
  Exemplos
• 8.
  Demanda de Passageirosno Transporte Público ● Aspecto fundamental do planejamento operacional de um sistema de transporte coletivo ● Advento de Sistemas Inteligentes de Transporte ● Aquisição de quantidades massivas de dados ● Técnicas de análise tradicionais não se mostram suficientes ● Alternativa: técnicas provenientes do Aprendizado de Máquina e da Mineração de Dados ● Redes Neurais Artificiais (RNAs) ● Previsão de demanda de passageiros por dia em uma linha específica do transporte público por ônibus da cidade de Joinville - SC
• 9.
  ● Santander, Espanha ○Vista como um modelo para o desenvolvimento de cidades inteligentes ● Projeto ○ Usar sensores: coleta de dados ■ Reduzir o tempo desperdiçado por motoristas que procuram vagas de estacionamento disponíveis ■ Diminuição da poluição do ar resultante ● Redes neurais artificiais ○ Usadas para prever a disponibilidade de um estacionamento ○ No futuro: gratuito Vagas de Estacionamento
• 10.
  “We use atotally different approach. We apply a single neural network to the full image. This network divides the image into regions and predicts bounding boxes and probabilities for each region. These bounding boxes are weighted by the predicted probabilities.” Reconhecimento de Objetos
• 11.
  Controle de Trânsito
• 12.
  Referências Artificial neural networks– the future of smart cities , acesso em 17 out 2018. Smart Cities and Image Recognition, acesso em 17 out 2018. Uma aplicação de redes neurais artificiais para previsão da demanda de passageiros no transporte público da cidade de Joinville, acesso em 17 out 2018. YOLO: Real-Time Object Detection, acesso em 17 out 2018.