Leia o trecho: O modelo Adaline (*Adaptive Linear Neuron*) é uma variação do Perceptron que utiliza...

Alternativa C - antes da função de ativação; a soma dos erros quadráticos.

Introdução

A questão aborda o modelo Adaline (Adaptive Linear Neuron), uma importante variação do Perceptron no campo das redes neurais artificiais. Ela se concentra em duas características fundamentais do Adaline: a forma como o erro é calculado e a função de custo que o algoritmo de aprendizagem busca minimizar. Compreender essas particularidades é essencial para diferenciar o Adaline de outros modelos e entender seu funcionamento.

Desenvolvimento

O Adaline é um modelo de neurônio artificial de camada única, semelhante ao Perceptron, mas com diferenças cruciais na função de ativação e na regra de aprendizagem.

1. Função de Ativação: Diferente do Perceptron, que tipicamente utiliza uma função de ativação degrau (binária) para produzir sua saída, o Adaline emprega uma função de ativação linear (identidade). Isso significa que a saída do neurônio Adaline é diretamente o somatório ponderado das entradas, sem uma transformação não linear adicional para binarização no momento do cálculo do erro.

2. Cálculo do Erro: No Adaline, o erro é definido como a diferença entre a saída linear do neurônio (o somatório ponderado das entradas, $y$) e o valor desejado ($d$). Ou seja, o erro é $e = d - y$. Esta saída linear é produzida antes de qualquer aplicação de uma função de limiar ou degrau que transformaria o resultado em uma decisão binária (como é feito no Perceptron). Esta característica permite que o Adaline trabalhe com valores contínuos de erro, o que é fundamental para a aplicação de algoritmos baseados em gradiente.

3. Regra de Aprendizagem: O Adaline utiliza a regra de aprendizagem de Widrow-Hoff, também conhecida como LMS (Least Mean Squares) ou gradiente descendente. O objetivo desta regra é ajustar os pesos sinápticos de forma a minimizar uma função de custo específica.

4. Função de Custo: A função de custo minimizada pelo algoritmo LMS é a Soma dos Erros Quadráticos (SSE) ou o Erro Quadrático Médio (MSE). Essa função penaliza erros maiores de forma mais significativa do que erros menores, e sua superfície de erro é quadrática e convexa, garantindo que o gradiente descendente possa encontrar um mínimo global (se a taxa de aprendizado for adequada). Matematicamente, para um conjunto de $P$ amostras de treinamento, a função de custo $J$ é dada por: $J(\mathbf{w}) = \frac{1}{2} \sum_{k=1}^P (d_k - y_k)^2$ onde $\mathbf{w}$ é o vetor de pesos, $d_k$ é a saída desejada para a amostra $k$, e $y_k$ é a saída linear do Adaline para a amostra $k$ ($y_k = \sum_{i=0}^n w_i x_{ki}$).

Análise

Vamos analisar as alternativas com base nas características do Adaline:

| Característica | Ponto 1 (Cálculo do Erro) | Ponto 2 (Função de Custo) | | :--------------------- | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Adaline | O erro é a diferença entre a saída linear (somatório ponderado) e o valor desejado. Isso ocorre antes de uma eventual binarização que uma função de ativação degrau faria (como no Perceptron). | A função de custo a ser minimizada é a Soma dos Erros Quadráticos (SSE) ou o Erro Quadrático Médio (MSE). | | (A) 1 - antes do sinal de entrada; 2 - os erros médios. | Incorreta. O erro é calculado após o processamento das entradas pelo neurônio, não antes. "Erros médios" é ambíguo e não especifica a quadratura. | | (B) 1 - considerando-se o aprendizado não supervisionado; 2 - os erros absolutos. | Incorreta. O Adaline é um modelo de aprendizado supervisionado, pois requer os valores desejados ($d_k$) para o treinamento. "Erros absolutos" não é a função de custo do Adaline. | | (C) 1 - antes da função de ativação; 2 - a soma dos erros quadráticos. | Correta. "Antes da função de ativação" refere-se ao cálculo do erro com base na saída linear, antes de uma possível função de ativação não linear (como a degrau) que faria uma decisão binária. "A soma dos erros quadráticos" é a função de custo principal do Adaline (LMS). | | (D) 1 - considerando-se o aprendizado não supervisionado; 2 - a soma da média dos erros. | Incorreta. Adaline é supervisionado. "A soma da média dos erros" é uma formulação confusa e incorreta para a função de custo. | | (E) 1 - considerando-se o aprendizado supervisionado; 2 - a derivada da função da energia do erro. | Incorreta na segunda parte. Embora o Adaline seja supervisionado (primeira parte correta), o algoritmo minimiza a função de custo (energia do erro), não a sua derivada. A derivada é usada para calcular o gradiente e atualizar os pesos, mas não é a função que está sendo minimizada diretamente. |

Conclusão

O Adaline se distingue do Perceptron principalmente pela utilização de uma função de ativação linear e por sua regra de aprendizagem baseada na minimização da soma dos erros quadráticos. O erro é calculado com base na saída linear do neurônio, o que permite um ajuste de pesos mais refinado via gradiente descendente. Esta abordagem possibilita que o Adaline encontre a melhor aproximação linear para os dados de entrada, mesmo que não sejam linearmente separáveis, algo que o Perceptron não consegue garantir em todos os casos.

Alternativa C.