Redes Neurais em Delphi

O livro Redes Neurais em Delphi de Luciano Frontino de Medeiros aborda de forma muito prática vários estudos de caso reais que podem ser aplicados no dia a dia, como segmentação de mercado utilizando algoritmos de agrupamento, previsão do perfil investidor de uma pessoa e também o reconhecimento óptico de caracteres. Uma grande vantagem é que o código fonte de todos os exemplos é disponibilizado para download, o que facilita muito caso precisemos fazer alguma adaptação nos exemplos ou então criar um novo projeto baseado no material do livro. Como o próprio nome indica, este livro aborda somente redes neurais para o desenvolvimento dos exemplos e utiliza uma biblioteca desenvolvida pelo próprio autor, ou seja, o foco é utilizar essa biblioteca aplicada nos exemplos propostos e não em desenvolver a codificação de uma rede neural do zero. No link abaixo você pode fazer o download dos exemplos!

[file_download style=”1″][download title=”C%C3%B3digo%20fonte%20do%20livro” icon=”style1-Zip-64×64.png” file=”https://iaexpert.academy/wp-content/uploads/2017/05/Redes-Neurais-Delphi-Livro.zip” package=”” level=”” new_window=””][/download][/file_download]

Os capítulos 1 e 2 tratam da teoria sobre as redes neurais (Perceptron); e de todo material que já li sobre esse tema, talvez esses capítulos sejam os mais didáticos e com explicações muito claras sobre o funcionamento das redes neurais. Levando em conta a grande variabilidade de algoritmos de aprendizagem de máquina, na minha opinião as redes neurais talvez sejam um dos mais difíceis de encontrar material didático e explicativo sobre seu funcionamento. E este livro cumpre muito bem o papel e apresenta esses conceitos de maneira muito clara e compreensível!

A partir do Capítulo 3 iniciam-se os exemplos de aplicações, e inicialmente é apresentado um pouco de teoria sobre as redes neurais multicamada (Multilayer Perceptron). Na minha opinião, uma falha no livro é que em muitos momentos são apresentados muitos detalhes sobre os componentes da biblioteca. Por exemplo, são usadas 3 páginas inteiras para explicar cada um dos métodos do componente TMLP, mesmo se eles não são utilizados no exemplo. Isso se repete por todo o livro, como se fosse um manual ou um arquivo de ajuda sobre os componentes e que acaba atrapalhando o ritmo da leitura.

Neste capítulo é mostrado o exemplo de uma rede neural para classificar pessoas com perfis de investidores, como: agressivo, arrojado, equilibrado, reservado e defensivo. Desta forma, por meio de características da pessoa como número de investimentos, idade, gênero, renda e escolaridade o objetivo é prever a qual perfil cada pessoa pertence. O segundo exemplo deste capítulo é ainda mais interessante, e mostra como classificar números manuscritos, ou seja: você escreve um número, submete esse número para a rede neural e ela retorna qual é o número que você escreveu! O terceiro exemplo do capítulo é um sistema para prever o volume de consultas/visitas em um site, de modo que com base no horário e no número de consultas a uma página, é possível prever o número de visitas em um dado tempo.

O Capítulo 4, por sua vez, trata da tarefa de agrupamento (clusterização) da mineração de dados. Essa técnica tem o objetivo de encontrar padrões nos dados de modo a formar grupos similares, e o exemplo clássico dessa técnica é a segmentação de mercado. O livro aborda esse exemplo e baseado nos atributos das pessoas (renda, idade, gênero, preferência em televisão, preferência em rádio, cônjuge, número de dependentes, dentre outros) o objetivo é encontrar grupos de pessoas parecidas para enviar propaganda direcionada. Os outros dois exemplos do capítulo são voltados para a área de processamento digital de imagens e mostram a clusterização de regiões 2D e 3D (é apresentada uma introdução ao OpenGL no Delphi).

Por fim, o Capítulo 5 é voltado aos mapas auto-organizáveis; que são técnicas de Inteligência Artificial utilizadas para organizar dados em grupos de forma dimensional, sendo utilizados principalmente em bases de dados nas quais os padrões são desconhecidos ou indeterminados. Os dois primeiros exemplos são voltados a mapeamento de grades 2D, enquanto que o terceiro mostra a contagem de elementos em região plana (mais voltados a computação gráfica). Por fim, o último exemplo é sobre o reconhecimento de tons DTMF (Dual Tone Multifrequency) que são tons padronizados utilizados em aparelhos de telefonia para identificar cada dígito discado por meio de pares de frequências fixas. Este exemplo é bem interessante e pode-se ter uma visão geral de como funcionam esses dispositivos nas ligações de telemarketing. Para isso, são apresentados vários conceitos de outras áreas, como por exemplo: sinais digitais, manipulação de arquivos de som, transformada de Fourier e sinais senoidais.

Como conclusão, apesar do livro apresentar alguns conceitos inicias bem didáticos sobre redes neurais; os exemplos não são explicados de maneira muito clara e são apresentados algumas teorias no decorrer do livro que não foi dada a definição em outros pontos do livro, o que prejudica o entendimento de algumas partes e até acaba deixando a leitura “chata”. O livro vale muito a pena pelos exemplos práticos que são construídos (e que podem ser acessados), porém, peca um pouco em explicações mais didáticas de como eles foram construídos. Existem listagens muito grandes de código que não são muito bem explicadas.

Segue abaixo os dados completos do livro:

Título: Redes Neurais em Delphi
Autor: Luciano Frontino de Medeiros
Editora: Visual Books
Ano: 2006
Páginas: 206