Inicialmente as redes neurais foram desenvolvidas com o objetivo de criar um sistema computacional que modele o funcionamento do cérebro humano, porém as mesmas passaram a ser utilizadas para resolver tarefas específicas. Adaline e Perceptron são duas redes neurais que calculam uma função de entrada utilizando um conjunto de pesos adaptativos e um bias e, apesar de suas similaridades, é conhecido que o Adaline converge para um resultado mais rapidamente que o Perceptron. Este trabalho foi elaborado como um exercício didático, afim de apresentar como se obtém tais conclusões, utilizando como dados para classificação e treinamento o conjunto de dados IRIS. Ao longo do trabalho utilizou-se as linguagens de programação Processing, para elaboração das redes neurais, e Python para apresentação visual dos resultados. Os resultados encontrados apresentam o desempenho superior da rede neural Adaline sobre o Perceptron, evidenciando as classes do conjunto de dados que podem ser separadas linearmente e as que não podem, a métrica utilizada para avaliar o desempenho entre as redes neurais é definida pela porcentagem de acertos nas classificações dos dados. O Adaline apresentou melhor desempenho na classificação para comprimento e largura da pétala entre as classes Iris-setosa e Iris-virginica dentre todas as demais classificações.
Initially, neural networks were developed with the objective of creating a computational system that models the functioning of the human brain, however they started to be used to solve specific tasks. Adaline and Perceptron are two neural networks that calculate an input function using a set of adaptive weights and a bias, despite their similarities, it is known that the Adaline neural network converges to a result more quickly than the Perceptron neural network. This work was designed as a didactic exercise, in order to present how such conclusions are obtained, using the IRIS database as data for classification and training. Throughout the work, the programming languages Processing, was used to develop neural networks, and Python for visual presentation of results. The results found show the high performance of the Adaline neural network over the Perceptron, showing the database classes that can be linearly separated and those that cannot, the metric used to evaluate the performance between the neural networks is defined by the percentage of correct answers in the data classifications. Adaline showed the best performance in the classification for length and width of the petal between the Iris-setosa and Iris-virginica classes among all the other classifications.
