Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Os melhores documentos à venda: Trabalhos de alunos formados
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Comunidade
Peça ajuda à comunidade e tire suas dúvidas relacionadas ao estudo
Descubra as melhores universidades em seu país de acordo com os usuários da Docsity
Guias grátis
Baixe gratuitamente nossos guias de estudo, métodos para diminuir a ansiedade, dicas de TCC preparadas pelos professores da Docsity
Aplicação de uma rede neural para a execução do teste de personalidade MBTI
Tipologia: Trabalhos
1 / 25
Esta página não é visível na pré-visualização
Não perca as partes importantes!
Relatório apresentado à Associação Educacional Dom Bosco, Faculdade de Engenharia de Resende, como elemento de avaliação da disciplina de Sistemas Inteligentes de Controle, do 5° ano do curso de Engenharia Elétrica com ênfase em Eletrônica.
Orientador: Prof.MsC.Ramon Alves dos Santos
Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios. O sistema nervoso é formado por um conjunto extremamente complexo de células, os neurônios. Eles têm um papel essencial na determinação do funcionamento e comportamento do corpo humano e do raciocínio. Os neurônios são formados pelos dendritos, que são um conjunto de terminais de entrada, pelo corpo central, e pelos axônios que são longos terminais de saída. Os neurônios se comunicam através de sinapses. Sinapse é a região onde dois neurônios entram em contato e através da qual os impulsos nervosos são transmitidos entre eles. Os impulsos recebidos por um neurônio A, em um determinado momento, são processados, e atingindo um dado limiar de ação, o neurônio A dispara, produzindo uma substância neurotransmissora que flui do corpo celular para o axônio, que pode estar conectado a um dendrito de um outro neurônio B. O neurotransmissor pode diminuir ou aumentar a polaridade da membrana pós-sináptica, inibindo ou excitando a geração dos pulsos no neurônio B. Este processo depende de vários fatores, como a geometria da sinapse e o tipo de neurotransmissor. Em média, cada neurônio forma entre mil e dez mil sinapses. O cérebro humano possui cerca de 10 E11 neurônios, e o número de sinapses é de mais de 10 E14, possibilitando a formação de redes muito complexa. Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede. A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser resumida da seguinte maneira:
Sinais são apresentados à entrada; Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade; É feita a soma ponderada dos sinais que produz um nível de atividade; Se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída.
Figura 1 - Esquema de uma rede neural. Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1, w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1) e pesos valores reais. Neste modelo, o nível de atividade a é dado por: a = w1X1 + w2X2 + ... + wpXp A saída y é dada po y = 1, se a >= t ou y = 0, se a < t. A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em outras palavras, elas aprendem através de exemplos. Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior. Usualmente as camadas são classificadas em três grupos: Camada de Entrada : onde os padrões são apresentados à rede; Camadas Intermediárias ou Escondidas : onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características; Camada de Saída : onde o resultado final é concluído e apresentado.
O teste de personalidade de Myers-Briggs é um dos instrumentos mais conhecidos de avaliação de personalidade e um dos mais utilizados. Trata-se de um inventário com base em um autorelato, ou seja, a partir de um teste simples, é possível descobrir qual é o nosso estilo de personalidade de acordo com o padrão desenvolvido por Katherine Briggs e sua filha, Isabel Briggs Myers, em 1942. Ao desenvolver o Indicador de Tipo Myers-Briggs, o objetivo era tornar a teoria dos tipos psicológicos descrita por CG Jung compreensível e útil na vida das pessoas. A essência da teoria é que muita variação aparentemente aleatória no comportamento é realmente bastante ordenada e consistente, devido a diferenças básicas nas maneiras pelas quais os indivíduos preferem usar sua percepção e julgamento. Quando Isabel Myers e sua mãe Katherine conheceram a teoria dos tipos psicológicos de Jung, ficaram fascinadas. Um de seus objetivos era, portanto, aplicar essa teoria de maneira prática para entender melhor as diferenças individuais, aprofundar o conhecimento da personalidade humana e, por sua vez, facilitar a abordagem do nosso potencial e limitações. Foi durante a Segunda Guerra Mundial que elas começaram a desenvolver esse indicador. Assim, quando o teste de personalidade de Myers-Briggs foi apresentado pela primeira vez, foi realizado com a ideia de facilitar os processos de seleção de mão de obra. O objetivo era ajudar as pessoas a escolher os empregos que poderiam potencializar a sua felicidade e realização pessoal. O objetivo do MBTI, portanto, é facilitar a autodescoberta, saber qual é a nossa maneira de processar o mundo, de nos comportarmos, de nos relacionarmos, e quais são os nossos pontos fortes para optar por diferentes preferências profissionais, ou até para entender a nossa compatibilidade com outras pessoas.
Este teste de personalidade é construído em quatro escalas. São as seguintes: Extroversão (E) – Introversão (I) : Podemos dizer que todos nós temos características de extroversão e introversão. No entanto, sempre temos uma tendência maior a uma dimensão exclusiva. Detecção (S) – Intuição (N) : Essa dimensão refere-se a duas maneiras de interagir com o que nos rodeia. Assim, as pessoas que preferem a detecção
tendem a prestar muita atenção à realidade e o fazem através de seus sentidos. Por outro lado, o intuitivo é levado por fatores mais abstratos, pelas emoções, padrões e impressões. Além disso, eles também são mais imaginativos e pensativos. Pensamento (T) – Sentimento (F): Essa dimensão nos oferece informações sobre como tomamos as nossas decisões. Alguns são mais lógicos e objetivos (razão e pensamento) e outros são mais emocionais. Julgar (J) – Perceber (P): A escala final nos informa a respeito de como interpretamos o nosso ambiente e como tomamos decisões. Alguns fazem uso dos julgamentos e sempre optam por tomar decisões firmes. No lado oposto, há quem seja mais flexível, perceptivo, sensível e adaptável. Finalmente, de acordo com os resultados obtidos em cada uma dessas quatro dimensões, modelaremos um código, uma série de letras que definirão o nosso estilo de personalidade. São as seguintes: ISTJ - O gestor: caracterizado pela responsabilidade e comprometimento; ISTP – O virtuoso: mestre em diversas ferramentas e experimentador; ISFJ – O defensor: protetor dedicado e acolhedor com senso de empatia; ISFP – O aventureiro: visto como um artista flexível e ousado; INFJ – O protetor: idealista e reservado, porém inspirador; INFP – O mediador: uma pessoa poética, bondosa e altruísta; INTJ – O cientista: conhecido pelo pensamento criativo e estratégico; INTP – O racional: com sede insaciável por conhecimento e inovação; ESTP – O empresário: marcado pela curiosidade e perspicácia; ESTJ – O executivo: administrador nato com talento para gerência; ESFP – O animador: sempre entusiasmado, enérgico e espontâneo; ESFJ – O cuidador: sempre atencioso, sociável e solícito; ENFP – O inspirador: com espírito livre e criativo, além de muito sociável; ENFJ – O altruísta: um líder carismático que hipnotiza as massas; ENTP – O inovador: marcado pela curiosidade e perspicácia; ENTJ – O comandante: especialista em resolver desafios com ousadia.
Primeiramente, buscou-se um dataset, para que fosse utilizado como fonte dos dados para treinamento da Rede Neural. Foi encontrado os dados de uma pesquisa feita online, onde os participantes deveriam inserir um número de 0 a 10 para indicar com qual das características se identificavam mais. Os dados foram encontrados como mostrado na Figura 3, a seguir, com 5 colunas e 8676 linhas.
Figura 3 - Dataset utilizado como referência Este dataset foi alterado, para que fosse possível utilizá-lo como dataset no MATLAB, ficando conforme a Figura 4:
Figura 4 - Dataset utilizado no MATLAB Este dataset foi, então, importado para o MATLAB, de forma que as quatro primeiras colunas foram utilizadas como entradas e a última coluna foi utilizado saída. Vale destacar, que ao ser importado para o MATLAB, o dataset foi convertido como Matriz Numérica, sendo que os dados foram transpostos, ou seja, os dados que estavam em colunas, passaram a ser linhas, e vice-versa. Desta forma os dados ficaram como mostra a Figura 5:
Figura 5 - Dados importados para o MATLAB Com os dados já importados, foi criado um código para a criação e treinamento da rede, além de fazer uma avaliação dos resultados da rede, para que ela estivesse com uma boa confiabilidade. O código completo de treinamento e criação da Rede Neural está presente no Anexo1.
Figura 7 - Fluxograma de funcionamento do código de treinamento da RN Utilizando este código, foi identificado que com 40 neurônios, a saída da rede forneceu, para os 1302 valores de teste de entrada, 100% de precisão para os valores esperados. Desta forma, foi definido que esta seria a rede que seria utilizada, conforme mostrada na Figura 8.
Figura 8 - Diagrama da Rede Neural Os resultados do treinamento da rede foram os mostrados nas Figuras 9, 10 e 11:
Figura 9 - Evolução do treinamento da Rede Neural Artificial
Figura 10 - Comparação das saídas do treinamento com as saídas esperadas Definido a estrutura da RN, foi criado um código que, a partir de valores fornecidos por um usuário, seria fornecido o Resultado do teste de personalidade de Myers-Briggs. Este código está presente no Anexo 2.
A partir do código gerado, presente no Anexo 2, foi criada uma interface que fosse mais amigável ao usuário. Desta forma, foram criadas janelas, para que o usuário insira a
Figura 14 - Janela do teste Então, o usuário deve clicar em "OK" para que seja fornecido o resultado, na janela de resultado, da Figura 15:
Figura 15 - Janela de resultado O usuário então basta clicar em "OK" novamente para encerrar o teste.
Atualmente as Redes Neurais Artificiais são utilizadas em diversas aplicações. A realidade é que as pesquisas sobre o assunto continuam a todo vapor, fazendo com que a tecnologia esteja se desenvolvendo cada vez mais. Desta forma, seja pelas promissoras características apresentadas pelos modelos de redes neurais propostos, seja pelas condições tecnológicas atuais de implementação que permitem desenvolver arrojadas implementações de arquiteturas neurais paralelas em hardwares dedicado, obtendo assim ótimas performances destes sistemas. De acordo com o explorado nos capítulos deste relatório, é possível concluir que os resultados encontrados na criação da rede neural podem ser considerados satisfatórios, uma vez que os objetivos foram alcançados.
aproximacao_saida(1,n)=0.44; elseif (nn2_saida_teste(1,n)>=0.47)&(nn2_saida_teste(1,n)<0.53) aproximacao_saida(1,n)=0.50; elseif (nn2_saida_teste(1,n)>=0.53)&(nn2_saida_teste(1,n)<0.59) aproximacao_saida(1,n)=0.56; elseif (nn2_saida_teste(1,n)>=0.59)&(nn2_saida_teste(1,n)<0.65) aproximacao_saida(1,n)=0.62; elseif (nn2_saida_teste(1,n)>=0.65)&(nn2_saida_teste(1,n)<0.72) aproximacao_saida(1,n)=0.69; elseif (nn2_saida_teste(1,n)>=0.72)&(nn2_saida_teste(1,n)<0.78) aproximacao_saida(1,n)=0.75; elseif (nn2_saida_teste(1,n)>=0.78)&(nn2_saida_teste(1,n)<0.84) aproximacao_saida(1,n)=0.81; elseif (nn2_saida_teste(1,n)>=0.84)&(nn2_saida_teste(1,n)<0.91) aproximacao_saida(1,n)=0.88; elseif (nn2_saida_teste(1,n)>=0.91)&(nn2_saida_teste(1,n)<0.97) aproximacao_saida(1,n)=0.94; else aproximacao_saida(1,n)=1; end end ok=0; n=1; for n=1: %Comparação dos valores aproximados de saída com os valores de saída reservados para teste ifaproximacao_saida(1,n)==teste_saida(1,n) ok=ok+1; end end %Avaliação da Rede Neural confiabilidade=ok/1302*100; if confiabilidade>=Mconf Mconf=confiabilidade;
Mlayer=layer; end layer=layer+15; end
