Este projeto apresenta um neurônio de Rosenblatt (Perceptron de camada única) implementado e treinado inteiramente em uma planilha, com visualização e ajustes dinâmicos. O objetivo é demonstrar, de forma didática, os fundamentos do Perceptron, incluindo o cálculo dos pesos, bias e função de ativação.
A planilha contém duas abas principais:
- Neurônio: Interface visual onde o RU (limiar) pode ser alterado para observar o comportamento da ativação do neurônio.
- Treinamento: Cálculo manual do ajuste de pesos com base em acertos e erros, incluindo a regra de atualização do Perceptron.
y' = 1, se soma_ponderada + bias >= RU
y' = 0, caso contrário
Onde:
x_i= entradasw_i= pesosb= bias- RU = valor de limiar dinâmico (controlado na planilha)
w_i = w_i + η * (y - y') * x_i
b = b + η * (y - y')
η= taxa de aprendizado (learning rate)y= valor esperadoy'= valor previsto
Na aba Neurônio, é possível alterar o valor do RU dinamicamente. Ele atua como o limiar de ativação:
- Se a soma ponderada for maior ou igual ao RU, o neurônio é ativado (retorna 1).
- Se for menor, o neurônio permanece inativo (retorna 0).
O comportamento visual da célula muda conforme o RU:
- ✅ Neurônio ativado: verde
- ❌ Neurônio inativo: vermelho
| Entrada x1 | Entrada x2 | Pesos w1/w2 | Bias | RU | Ativação |
|---|---|---|---|---|---|
| 1 | 1 | 0.4 / 0.6 | 0.2 | 1 | ✅ |
| 0 | 1 | 0.4 / 0.6 | 0.2 | 1 | ❌ |
📄 Final - Atividade Pratica.xlsx
├── 🧠 Neurônio → Interface com limiar (RU)
└── 📈 Treinamento → Ajuste dos pesos e bias
Veja o neurônio em ação na planilha:
📥 Clique na imagem acima para baixar o vídeo diretamente.
Rodrigo Ribeiro Carvalho
GitHub: Rodrigo-RRC
LinkedIn: linkedin.com/in/rodrigo-ribeiro-datascience
Este projeto faz parte do meu portfólio de aprendizado prático em ciência de dados e redes neurais.