O que são redes neurais artificiais? Para que servem? Por que usar redes neurais artificiais? Quais são as suas potencialidades de aplicações práticas? Quais tipos de problemas podem solucionar?
A partir da consideração de tais questionamentos, o livro foi então redigido com a preocupação primeira de atender aos diferentes perfis de leitores, que estejam interessados tanto na aquisição de conhecimentos sobre arquiteturas de redes neurais artificiais e suas potencialidades, como aqueles que estejam mais motivados pelas suas possibilidades de aplicação em problemas do mundo real.
A sua audiência com caráter multidisciplinar, conforme poderá ser atestada nos diversos exercícios e exemplos aqui tratados, estende-se para várias áreas do conhecimento, tais como engenharias, ciências de computação, matemática, física, economia, finanças, estatística e neurociências. Adicionalmente, espera-se ainda que o livro possa ser também interessante para diversas outras áreas, cujas aplicações têm sido também foco de redes neurais artificiais, como em medicina, psicologia, química, farmácia, biologia, ecologia, geologia, etc.
Para tais propósitos, as principais características diferenciais do livro estão nos seguintes aspectos:
 Contemplação de mais de 250 ilustrações, ricamente detalhadas, que auxiliam na compreensão dos fundamentos teóricos associados com as redes neurais artificiais, agregando-se ainda mais de 170 indicações bibliográficas atualizadas.
 Compilação de mais de 100 exercícios de fixação que estimulam o raciocínio e o entendimento frente aos temas abordados no decorrer de cada assunto.
 Exploração de diversos projetos práticos que exercitam a criatividade e que mostram como empregar as redes neurais artificiais em diferentes contextos aplicativos.
 Apresentação detalhada (passo a passo) de todos os algoritmos que são utilizados, tanto para as fases de treinamento das arquiteturas neurais como para as fases de operação (produção).
 Disponibilização de uma infinidade de materiais (via internet) que auxiliam no aprendizado e na divulgação dos conceitos envolvidos com as redes neurais artificiais. 
Em suma, buscou-se cuidadosamente redigir todo o texto usando uma linguagem acessível, com formato didático diferenciado, o qual pudesse ser apreciado por profissionais, estudantes e pesquisadores que estão motivados pelos assuntos envolvidos com as redes neurais artificiais.
 
Ivan Nunes da Silva
Professor (com livre-docência) da Universidade de São Paulo (USP). Graduou-se no Bacharelado em Ciência da Computação (1991) e em Engenharia Elétrica (1992), ambos pela Universidade Federal de Uberlândia (UFU). Fez mestrado (1995) e doutorado (1997) em temas envolvendo Redes Neurais Artificiais pela Universidade Estadual de Campinas (UNICAMP). Recebeu diversas premiações e menções honrosas no Brasil e no exterior. Já orientou dezenas de alunos de pós-graduação no tema focal deste livro, atuando também como revisor de artigos submetidos em diversos periódicos científicos nacionais e internacionais. Possui mais de 400 artigos publicados em fóruns técnico-científicos, incluindo mais de 10 capítulos em livros. É ministrante de disciplinas relacionadas com Sistemas Inteligentes (Redes Neurais Artificiais, Sistemas Fuzzy, Computação Evolutiva, Enxame de Partículas), tanto em cursos de graduação como de pós-graduação. Desenvolveu diversos projetos de pesquisas com resultados também voltados para o setor produtivo, incluindo otimização de sistemas, automação inteligente de processos, pesquisa operacional e séries temporais.
 
 
Danilo Hernane Spatti
Fez mestrado (2007) e doutorado pela Universidade de São Paulo (USP), ambos em temas correlacionados aos sistemas inteligentes. Graduou-se em Engenharia Elétrica (2005), com ênfase em Informática Industrial, pela Universidade Estadual Paulista (UNESP). Já publicou dezenas de artigos em fóruns técnico-científicos nacionais e internacionais. Atua como desenvolvedor de abordagens baseadas em arquiteturas inteligentes em temas relacionados com tecnologia da informação, protocolos computacionais, sistemas de apoio à decisão, automação inteligente de processos e otimização de sistemas.
 
 
Rogério Andrade Flauzino
Professor (com livre-docência) da Universidade de São Paulo (USP). Graduou-se em Engenharia Elétrica (2001) e obteve o mestrado (2004) em Engenharia Industrial, ambos pela Universidade Estadual Paulista (UNESP). Fez doutorado (2007) pela Universidade de São Paulo em temas associados com aplicações de sistemas inteligentes. Ministra diversas disciplinas no curso de Engenharia de Computação e Engenharia Elétrica, tendo também lecionado várias matérias relacionadas com Engenharia de Produção. Atua como revisor de artigos submetidos em diversos periódicos científicos nacionais e internacionais. Possui dezenas de artigos publicados em fóruns técnico-científicos, incluindo vários capítulos em livros. Desenvolveu ainda uma infinidade de projetos de pesquisas com resultados também voltados para o setor produtivo, incluindo sistemas de apoio à decisão, automação inteligente de processos, sistemas especialistas, otimização de sistemas e pesquisa operacional.
 
 
Sumário
 
Prefácio          13
Organização   15
Agradecimentos        17
 
Parte I – Arquiteturas de redes neurais artificiais e seus aspectos teóricos       19
 
Capítulo 1 – Introdução        21
1.1       Conceitos iniciais       24
1.1.1    Características principais      24
1.1.2    Resumo histórico      25
1.1.3    Potenciais áreas de aplicações         27
1.2       Neurônio biológico   29
1.3       Neurônio artificial     33
1.3.1    Funções de ativação parcialmente diferenciáveis  36
1.3.2    Funções de ativação totalmente diferenciáveis     38
1.4       Parâmetros de desempenho            42
1.5       Exercícios       43
 
Capítulo 2 – Arquiteturas de redes neurais artificiais e processos de treinamento            45
2.1       Introdução     45
2.2       Principais arquiteturas de redes neurais artificiais            46
2.2.1    Arquitetura feedforward de camada simples         46
2.2.2    Arquitetura feedforward de camadas múltiplas     47
2.2.3    Arquitetura recorrente ou realimentada    49
2.2.4    Arquitetura em estrutura reticulada           50
2.3       Processos de treinamento e aspectos de aprendizado     50
2.3.1    Treinamento supervisionado           51
2.3.2    Treinamento não-supervisionado   52
2.3.3    Treinamento com reforço     53
2.3.4    Aprendizagem usando lote de padrões (off-line)   53
2.3.5    Aprendizagem usando padrão-por-padrão (on-line)         54
2.4       Exercícios       54
 
Capítulo 3 – Rede Perceptron           57
3.1       Introdução     57
3.2       Princípio de funcionamento do Perceptron            59
3.3       Análise matemática do Perceptron  61
3.4       Processo de treinamento do Perceptron     63
3.5       Exercícios       68
3.6       Projeto prático          70
 
Capítulo 4 – Rede Adaline e regra Delta     73
4.1       Introdução     73
4.2       Princípio de funcionamento do Adaline      74
4.3       Processo de treinamento do Adaline          76
4.4       Comparação entre o processo de treinamento do Adaline e Perceptron            83
4.5       Exercícios       86
4.6       Projeto prático          87
 
Capítulo 5 – Redes Perceptron multicamadas        91
5.1       Introdução     91
5.2       Princípio de funcionamento do Perceptron multicamadas           92
5.3       Processo de treinamento do Perceptron multicamadas    94
5.3.1    Derivação do algoritmo backpropagation    95
5.3.2    Implementação do algoritmo backpropagation      108
5.3.3    Versões aperfeiçoadas do algoritmo backpropagation      111
5.4       Aplicabilidade das redes Perceptron multicamadas          120
5.4.1    Problemas envolvendo classificação de padrões   121
5.4.2    Problemas envolvendo aproximação funcional     132
5.4.3    Problemas envolvendo sistemas variantes no tempo       137
5.5       Aspectos de especificação topológica de redes PMC         146
5.5.1    Aspectos de métodos de validação cruzada           147
5.5.2    Aspectos de subconjuntos de treinamento e teste           151
5.5.3    Aspectos de situações de overfitting e underfitting           153
5.5.4    Aspectos de inclusão de parada antecipada          155
5.5.5    Aspectos de convergência para mínimos locais     157
5.6       Aspectos de implementação de redes Perceptron multicamadas 158
5.7       Exercícios       163
5.8       Projeto prático 1 (aproximação de funções)          164
5.9       Projeto prático 2 (classificação de padrões)           166
5.10     Projeto prático 3 (sistemas variantes no tempo)   169
 
Capítulo 6 – Redes de funções de base radial (RBF)          173
6.1       Introdução     173
6.2       Processo de treinamento de redes RBF      174
6.2.1    Ajuste dos neurônios da camada intermediária (estágio I)          174
6.2.2    Ajuste dos neurônios da camada de saída (estágio II)      181
6.3       Aplicabilidades das redes RBF         183
6.4       Exercícios       190
6.5       Projeto prático 1 (classificação de padrões)           191
6.6       Projeto prático 2 (aproximação de funções)          194
 
Capítulo 7 – Redes recorrentes de Hopfield           199
7.1       Introdução     199
7.2       Princípio de funcionamento da rede de Hopfield  201
7.3       Condições de estabilidade da rede de Hopfield    204
7.4       Memórias associativas          207
7.4.1    Método do produto externo           208
7.4.2    Método da matriz pseudo-inversa  210
7.4.3    Capacidade de armazenamento das memórias     211
7.5       Aspectos de projeto de redes de Hopfield 213
7.6       Aspectos de implementação em hardware 215
7.7       Exercícios       217
7.8       Projeto prático          218
 
Capítulo 8 – Redes auto-organizáveis de Kohonen           221
8.1       Introdução     221
8.2       Processo de aprendizado competitivo        222
8.3       Mapas auto-organizáveis de Kohonen (SOM)        229
8.4       Exercícios       237
8.5       Projeto prático          238
 
Capítulo 9 – Redes LVQ e counter-propagation       243
9.1       Introdução     243
9.2       Processo de quantização vetorial    244
9.3       Redes LVQ (learning vector quantization)    247
9.3.1    Algoritmo de treinamento LVQ-1     248
9.3.2    Algoritmo de treinamento LVQ-2     252
9.4       Redes counter-propagation   254
9.4.1    Aspectos da camada outstar            256
9.4.2    Algoritmo de treinamento da rede counter-propagation  257
9.5       Exercícios       259
9.6       Projeto prático          260
 
Capítulo 10 – Redes ART (adaptive resonance theory)     263
10.1     Introdução     263
10.2     Estrutura topológica da rede ART-1            265
10.3     Princípio da ressonância adaptativa           268
10.4     Aspectos de aprendizado da rede ART-1    269
10.5     Algoritmo de treinamento da rede ART-1  279
10.6     Aspectos da versão original da rede ART-1 281
10.7     Exercícios       284
10.8     Projeto prático          285
 
Parte II – Aplicações de redes neurais artificiais em problemas de
engenharia e ciências aplicadas       287
 
Capítulo 11 – Estimação da qualidade global de café utilizando o Perceptron
multicamadas            289
11.1     Introdução     289
11.2     Características da Rede PMC            290
11.3     Resultados computacionais 292
 
Capítulo 12 – Análise do tráfego de redes de computadores utilizando
protocolo SNMP e rede LVQ 295
12.1     Introdução     295
12.2     Características da rede LVQ  297
12.3     Resultados computacionais 299
 
Capítulo 13 – Previsão de tendências do mercado de ações utilizando
redes recorrentes      301
13.1     Introdução     301
13.2     Características da rede recorrente  303
13.3     Resultados computacionais 304
 
Capítulo 14 – Sistema para diagnóstico de doenças utilizando redes ART         309
14.1     Introdução     309
14.2     Características da Rede ART 311
14.3     Resultados computacionais 312
 
Capítulo 15 – Identificação de padrões de adulterantes em pó de café
usando mapas de Kohonen  315
15.1     Introdução     315
15.2     Características da rede de Kohonen            316
15.3     Resultados computacionais 319
 
Capítulo 16 – Reconhecimento de distúrbios relacionados à qualidade
da energia elétrica utilizando redes PMC   321
16.1     Introdução     321
16.2     Características da rede PMC 325
16.3     Resultados computacionais 326
 
Capítulo 17 – Controle de trajetória de robôs móveis usando sistemas
fuzzy e redes PMC     329
17.1     Introdução     329
17.2     Características da rede PMC 331
17.3     Resultados computacionais 334
 
Capítulo 18 – Método para classificação de tomates usando visão computacional
e redes PMC   339
18.1     Introdução     339
18.2     Características da rede neural         341
18.3     Resultados computacionais 345
 
Capítulo 19 – Análise de desempenho de redes RBF e PMC em
classificação de padrões       347
19.1     Introdução     347
19.2     Características das redes RBF e PMC           348
19.3     Resultados computacionais 349
 
Capítulo 20 – Resolução de problemas de otimização com restrições
por redes de Hopfield           355
20.1     Introdução     355
20.2     Características da rede de Hopfield 357
20.3     Mapeamento de problemas de otimização pela rede de Hopfield          359
20.4     Resultados computacionais 364
 
Capítulo 21 – Classificação de carne bovina utilizando ressonância magnética nuclear e redes neurais        371