Introdução à Inteligência Artificial_03

Prévia do material em texto

WBA0869_v1.0
Introdução a inteligência 
Artificial
Implementando a inteligência 
artificial
A aprendizagem indutiva
Bloco 1
Marcelo Henrique dos Santos
A aprendizagem indutiva
O Algoritmo de Aprendizagem Indutiva é um algoritmo de aprendizagem de máquina iterativo e indutivo 
usado para gerar um conjunto de uma regra de classificação, que produz regras da forma "IF-THEN", para 
um conjunto de exemplos, produzindo regras a cada iteração e anexando-as ao conjunto de regras.
Fonte: ValeryBrozhinsky/iStock.com. 
Figura 1 – Representação dos códigos binários que são 
gerados a partir da compilação do programa
A aprendizagem indutiva
Ideia básica:
• Existem basicamente dois 
métodos de extração de 
conhecimento: o de 
especialistas no domínio e com 
aprendizado de máquina.
• Para uma grande quantidade de 
dados, os especialistas de 
domínio não são muito úteis e 
confiáveis. Logo, neste tema, 
veremos a abordagem de 
aprendizado de máquina.
Figura 2 – Representação do 
processo de desenvolvimento
Fonte: Andrey Suslov/iStock.com. 
A aprendizagem indutiva
Ideia básica:
• Para usar o aprendizado de 
máquina, podemos usar o seguinte 
método: replicar a lógica dos 
especialistas na forma de 
algoritmos, no entanto, esse 
trabalho é muito tedioso, 
demorado e caro.
• Dessa forma, avançamos em 
direção aos algoritmos indutivos 
que por si só geram a estratégia 
para realizar uma tarefa e não 
precisam instruir separadamente 
em cada etapa.
Figura 3 – Representação do 
processo de desenvolvimento
Fonte: ThinkNeo/iStock.com.
A aprendizagem indutiva
Ideia básica:
• A aprendizagem indutiva utiliza o método de 
produção de um conjunto geral de regras em vez de 
árvores de decisão.
Requisitos gerais no início do algoritmo: 
• Liste os exemplos em uma tabela, em que cada linha 
corresponda a um exemplo e cada coluna contenha 
um valor de atributo.
• Crie um conjunto de exemplos de treinamento, cada 
exemplo deve ser composto de atributos com n 
decisões possíveis.
A aprendizagem indutiva
Etapas no algoritmo: 
• Etapa 1: divida a tabela ‘T’, 
contendo m exemplos, em n
subtabelas (t1, t2,… ..tn). 
Uma tabela para cada valor 
possível do atributo de classe. 
Em seguida, repita as etapas 
2 a 8 para cada subtabela.
• Etapa 2: inicialize a contagem 
de combinação de atributos 
‘j’ = 1.
Figura 4 – Representação 
da construção do 
fluxograma (algoritmo)
Fonte: pseudodaemon/iStock.com.
A aprendizagem indutiva
Etapas no algoritmo: 
• Etapa 3: para a subtabela na qual o trabalho está em 
andamento, divida a lista de atributos em combinações 
distintas, cada combinação com atributos distintos ‘j’.
• Etapa 4: para cada combinação de atributos, conte o 
número de ocorrências de valores de atributo que 
aparecem na mesma combinação de atributos em 
linhas não marcadas da subtabela em questão e, ao 
mesmo tempo, não aparece na mesma combinação de 
atributos de outra subtabela. A primeira combinação 
com o número máximo de ocorrências é chamada de 
combinação máxima ‘MAX’.
A aprendizagem indutiva
Etapas no algoritmo: 
• Etapa 5: se ‘MAX’ == nulo, aumente ‘j’ em 1 e vá para a Etapa 3.
• Etapa 6: na subtabela em que está trabalhando, marque todas as linhas nas quais os valores de 
‘MAX’ aparecem conforme classificado.
Figura 5 – Representação da construção do fluxograma (algoritmo)
Fonte: neyro2008/iStock.com.
A aprendizagem indutiva
Etapas no algoritmo: 
• Etapa 7: adicione uma regra 
(IF attribute = "XYZ" -> 
THEN decisão é SIM/NÃO) 
para R cujo lado esquerdo 
terá nomes de atributos de 
'MAX‘, com seus valores 
separados por AND, e seu 
lado direito contém o valor 
do atributo de decisão 
associado à subtabela.
Figura 6 – Representação da construção do fluxograma (algoritmo)
Fonte: ulimi/iStock.com. 
A aprendizagem indutiva
Etapas no algoritmo: 
• Etapa 8: se todas as linhas estiverem marcadas como classificadas, 
prossiga para processar outra subtabela e vá para a Etapa 2. Caso 
contrário, vá para a Etapa 4. Porém, se nenhuma subtabela estiver 
disponível, saia com o conjunto de regras obtido.
Fonte: omyos/iStock.com.
Figura 7 – Representação da construção do fluxograma (algoritmo)
A aprendizagem indutiva
Aprendizagem Indutiva ou Aprendizagem Supervisionada
Todo aprendizado pode ser considerado como o aprendizado da 
representação de uma função.
• Aprendizagem indutiva: o sistema tenta induzir uma "regra geral” 
de um conjunto de instâncias observadas.
• Aprendizagem supervisionada: ao algoritmo de aprendizagem é 
dado um valor correto da função para entradas particulares, 
mudando sua representação da função para tentar combinar as 
informações fornecidas pelo feedback.
Implementando a inteligência 
artificial
A aprendizagem estatística e a 
aprendizagem por reforço
Bloco 2
Marcelo Henrique dos Santos
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem estatística
• A aprendizagem estatística se refere a um vasto conjunto de ferramentas para a 
compreensão de dados. 
• Essas ferramentas podem ser classificadas como supervisionadas ou não supervisionadas. 
Figura 8 – Representação da aprendizagem estatística
Fonte: lucadp/iStock.com.
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem estatística
Em termos gerais, o aprendizado estatístico supervisionado envolve a construção de um 
modelo estatístico para prever ou estimar uma saída com base em uma ou mais entradas. 
Os problemas dessa natureza ocorrem em campos diversos, como nos negócios, na 
medicina, na astrofísica e nas políticas públicas. 
Figura 9 – Representação gráfica da aprendizagem estatística
Fonte: Vertigo3d/iStock.com. 
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem estatística
Como na aprendizagem estatística não supervisionada, há entradas mas nenhuma saída de 
supervisão; no entanto, podemos aprender sobre relacionamentos e estruturas a partir de tais dados. 
Figura 10 – Representação da aprendizagem estatística
Fonte: Vertigo3d/iStock.com.
A aprendizagem estatística e a aprendizagem por reforço
Uma breve histórico da aprendizagem estatística
Muitos dos conceitos que fundamentam a 
aprendizagem estatística foram desenvolvidos há muito 
tempo. No início do século XIX, Legendre e Gauss 
publicaram artigos sobre o método de mínimos 
quadrados, que implementou a forma mais antiga do 
que agora é conhecido como regressão linear. 
A aprendizagem estatística e a aprendizagem por reforço
Uma breve histórico da aprendizagem estatística
• A primeira vez que abordagem foi aplicada com sucesso 
foi em problemas de astronomia. Nesse contexto, a 
regressão linear é usada para prever valores quantitativos, 
como o salário de um indivíduo; para prever valores 
qualitativos, como se um paciente sobrevive ou morre; ou 
se o mercado de ações aumenta ou diminui.
• Na década de 1980, a tecnologia de computação 
finalmente melhorou e os métodos não lineares não eram 
mais proibitivos do ponto de vista computacional. 
A aprendizagem estatística e a aprendizagem por reforço
Uma breve histórico da aprendizagem estatística
• Em 1980, Breiman, Friedman, Olshen e Stone 
introduziram a classificação e os princípios de árvores de 
regressão, sendo os primeiros a demonstrar o poder de 
uma implementação prática detalhada de um método, 
incluindo a validação cruzada para a seleção de modelo. 
• Já em 1986, Hastie e Tibshirani cunharam o termo 
modelos aditivos generalizados para uma classe de 
extensões não lineares e, também, forneceram uma 
implementação prática de software.
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem por reforço
• O aprendizado por reforço envolve aprender o 
que fazer – como mapear situações para ações -
de modo a maximizar um sinal numérico de 
recompensa. 
• Nos casos mais interessantes e desafiadores, as 
ações podem afetar não apenas a recompensa 
imediata, mas, também, a próxima situação e, 
por meio dela, todas as recompensas 
subsequentes. 
A aprendizagemestatística e a aprendizagem por reforço
A aprendizagem por reforço
• Essas características – ser de circuito fechado 
de uma forma essencial, não ter instruções 
sobre quais ações tomar e quais as 
consequências das ações, incluindo sinais de 
recompensa, jogue por longos períodos de 
tempo – são as três características distintivas 
mais importantes dos problemas de 
aprendizagem por reforço.
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem por reforço
• Uma definição objetiva sobre os princípios da 
aprendizagem por reforço é, simplesmente, capturar 
os aspectos mais importantes do problema real que 
um agente de aprendizagem enfrenta ao interagir com 
seu ambiente para atingir um objetivo. 
• Claramente, o agente deve ser capaz de analisar o 
estado do meio ambiente até certo ponto e deve ser 
capaz de realizar as ações que afetem o estado. 
• O agente também deve ter uma ou várias metas 
relacionadas ao estado do meio ambiente. 
A aprendizagem estatística e a aprendizagem por reforço
A aprendizagem por reforço
• Um dos desafios que surgem apenas na 
aprendizagem por reforço é o trade-off. 
• Para obter a recompensa, um agente de 
aprendizagem por reforço deve preferir as ações 
que já tentou no passado e armazenou as 
informações que foram eficazes na produção 
dessa recompensa.
• O agente precisa explorar o que já sabe para 
obter a recompensa, mas, ele também precisa 
explorar outras possibilidades para localizar 
melhores seleções de ação no futuro.
Implementando a inteligência 
artificial
Redes neurais
Bloco 3
Marcelo Henrique dos Santos
Redes neurais
• Uma rede neural é um conjunto interconectado de elementos 
de processamento simples, unidades ou nós, cuja a 
funcionalidade é vagamente baseada no neurônio animal. 
• O cérebro humano consiste em cerca de 100 bilhões de 
células nervosas ou neurônios. Os neurônios se comunicam 
via sinais elétricos, que, por sua vez, são impulsos de curta 
duração ou "picos". As conexões são mediadas por 
eletroquímicos (chamadas sinapses) que estão localizados 
nos ramos da célula denominada dendritos. 
Redes neurais
• Os neurônios são integrados ou somados de alguma forma e, a grosso modo, se 
o sinal resultante exceder algum limite, o neurônio irá "disparar" ou gerar um 
impulso de voltagem em resposta. 
• Então, ele é transmitido a outros neurônios por meio de uma fibra ramificada 
conhecida como axônio.
Figura 11 – Representação do cérebro e as redes neurais
Fonte: wigglestick/iStock.com.
Redes neurais
• Ao determinar se um impulso deve ser produzido ou não, alguns sinais produzem um 
efeito inibitório e tendem a prevenir disparos. A capacidade de processamento distinta de 
cada neurônio deve residir no tipo - excitatório ou inibitório – e na força de suas conexões 
sinápticas com outros neurônios.
Figura 12 – Representação do cérebro
Fonte: Meeerkat/iStock.com.
Redes neurais
• É essa arquitetura e esse estilo de processamento que 
esperamos incorporar no sistema de redes neurais.
• Uma Rede Neural Artificial é composta por um grande 
número de elementos de processamento 
interconectados chamados neurônios.
• Ela é uma abordagem de aprendizado de máquina que 
modela o cérebro humano e consiste em vários 
neurônios artificiais.
• Os neurônios nessa abordagem tendem a ter menos 
conexões do que neurônios biológicos.
Redes neurais
• Cada neurônio recebe uma série de entradas.
• Uma função de ativação é aplicada a essas entradas, o que resulta na ativação do nível do neurônio 
(valor de saída do neurônio).
• O conhecimento sobre a tarefa de aprendizagem é fornecido na forma de exemplos, esses são 
chamados de exemplos de treinamento.
Figura 13 – Representação das redes neurais computacionais
Fonte: djvstock/iStock.com.
Redes neurais
Uma Rede Neural Artificial é 
especificada por:
• Modelo de neurônio: a unidade 
de processamento de 
informações.
• Uma arquitetura: um conjunto 
de neurônios e links que 
conectam neurônios. 
• Um algoritmo de aprendizagem: 
usado para treinar os neurônios, 
modificando os pesos na ordem 
e gerando a modelagem da 
tarefa de aprendizagem 
específica (de forma correta nos 
exemplos de treinamento).
Figura 14 – Representação do 
desenvolvimento de redes 
neurais computacionais
Fonte: dani3315/iStock.com.
Redes neurais
• Redes neurais artificiais são sistemas que coletam 
informações em amostras de neurônios artificiais 
trazidos juntos como os neurônios no cérebro humano; 
eles são capazes de tomar decisões usando o que eles 
aprendem quando encontram os problemas. 
• Resumidamente, elas são estruturas de rede criadas 
conectando neurônios artificiais por meio de várias 
geometrias de conexão. 
• Depois de formar as estruturas de rede, as entradas 
visuais são classificadas para chegar a uma conclusão.
Redes neurais
Características de redes neurais artificiais:
1) Não linear: as redes neurais artificiais emergem da 
combinação de células não lineares e essa característica 
está espalhada por toda a rede. As redes neurais 
artificiais são as mais significativas ferramentas para 
resolver problemas não lineares complexos.
2) Tolerância a falhas: em redes artificiais, a tolerância a 
falhas é bastante alta. A razão pela qual as redes neurais 
possuem tolerância a falhas é que as informações são 
espalhadas pelo sistema de forma regular.
Redes neurais
Características de redes neurais artificiais:
3) Treinamento: as redes neurais são ajustadas com uma 
finalidade para modificar seus próprios valores e são 
capazes de se adaptar para a solução exata do problema.
4) Aprendizagem: para obter os dados necessários, os 
algoritmos são identificados ajustando a carga das redes 
neurais artificiais. Esse processo em que a carga é 
ajustada é chamado de aprendizagem. O processo de 
aprendizagem é o processo que define a relação entre as 
entradas e as saídas do sistema. 
Redes neurais
Características de redes neurais artificiais:
5) Generalização: por meio da generalização, as redes 
neurais artificiais são capazes de criar a resposta desejada 
durante o processo de treinamento - em relação a 
amostras que nunca encontrou (depois de estudar e 
aprender sobre o problema).
6) Memória: em redes neurais artificiais, as cargas de 
conexão são os tipos de memória e a memória é 
distribuída pela criação de memórias locais. Os valores de 
carga das redes neurais artificiais representam as 
informações disponíveis na rede naquele momento.
Teoria em Prática
Bloco 4
Marcelo Henrique dos Santos
Reflita sobre a seguinte situação
As técnicas de aprendizado de máquina têm sido aplicadas 
com sucesso em vários problemas. A maioria desses 
aplicativos depende da aprendizagem baseada em atributos, 
exemplificada pela indução de árvores de decisão. Em termos 
gerais, a aprendizagem baseada em atributos também inclui 
tais abordagens de aprendizagem, como as redes neurais. 
Atualmente, grande parte da cultura de jogos exige mais 
realismo e maior credibilidade. Enquanto esses movimentos 
levaram os gráficos a serem muito mais realistas, também, 
precisamos ter em mente o comportamento de personagens 
de inteligência artificial no jogo. As Redes Neurais são 
estruturas de dados que mostraram potencial para aprender e 
interpretar o comportamento. 
Reflita sobre a seguinte situação
Você, coordenador de uma equipe que está trabalhando no desenvolvimento de um novo 
jogo que aborda sobre os princípios da inteligência artificial, verifica quais recursos podem 
ser aplicados nos jogos para promover uma maior imersão dos jogadores. Por exemplo, 
como adicionar um pouco de aleatoriedade ao comportamento dos personagens do jogo, a 
partir da integração das redes neurais, tornando os agentes menos previsíveis. 
Figura 15 – Representação do desenvolvimento de games
Fonte: Sladic/iStock.com.
Norte para a resolução...
• Os videogames não são apenas divertidos. 
• Eles fornecem uma plataforma para as redes 
neurais aprenderem a interagir com ambientesdinâmicos e resolver problemas complexos, assim 
como na vida real. 
• A partir do contexto dessa atividade, o seu objetivo 
é explorar o desempenho de vários algoritmos de 
aprendizado de máquina. 
• Para isso, você deverá observar as características 
comportamentais e sua adequação para diferentes 
tarefas de jogo.
Figura 16 – Representação do processo de produção de jogos
Fonte: Patrick Daxenbichler/iStock.com.
Norte para a resolução...
• Reconhecimento de voz, reconhecimento de escrita, 
reconhecimento de rosto são apenas algumas das 
muitas tarefas que nós, como humanos, somos 
capazes de resolver rapidamente, mas que 
representam um desafio cada vez maior para os 
programas de computador. 
• Assim, parece que somos capazes de realizar tarefas 
sem esforço que, em alguns casos, são impossíveis de 
resolver até mesmo por programas de computador 
sofisticados. 
Norte para a resolução...
• Então, surge a seguinte pergunta: "Qual é a diferença 
entre os computadores e nós?".
• Em suma, a estrutura biológica do cérebro 
humano forma uma enorme rede paralela de 
unidades de computação simples que foram 
treinadas para resolver esses problemas 
rapidamente. Essa rede, quando simulada em um 
computador, é chamada de rede neural artificial 
ou, abreviadamente, rede neural.
Norte para a resolução...
Redes Neurais para Computação
• No nível mais simples, um único neurônio 
produz uma saída para um determinado 
conjunto de entradas e a saída é sempre a 
mesma para esse conjunto de entradas. Em 
matemática, isso é conhecido como função ou 
mapeamento. Para esse neurônio, a relação 
exata entre entradas e saídas é dada pelos 
pesos que afetam as entradas e pela função de 
decisão particular usada pelo neurônio.
Figura 17 – Representação das Redes Neurais
Fonte: wigglestick/iStock.com.
Dica do(a) Professor(a)
Bloco 5
Marcelo Henrique dos Santos
Filme: AlphaGo (2017)
• Um dos maiores avanços no campo da inteligência 
artificial foi transformado em documentário, intitulado 
AlphaGo.
• Esse filme aborda sobre o desenvolvimento de um 
algoritmo que aprende como jogar o antigo jogo de 
tabuleiro chinês Go em um nível sobre-humano. O 
algoritmo é construído por uma equipe de 
pesquisadores em Londres que trabalha para um 
laboratório de IA chamado DeepMind, que, em 2014, 
foi adquirido pelo Google por £ 400 milhões.
Artigo: Utilização de Técnicas de Aprendizado de Máquina para 
Acompanhamento de Fóruns Educacionais
Os ambientes educacionais oferecem vários recursos que 
podem ser utilizados para auxiliar no processo ensino-
aprendizagem, sendo um desses recursos o fórum. No entanto, 
muitas vezes, o uso de fóruns de discussão em plataformas 
educacionais on-line requer o acompanhamento de centenas 
ou, até mesmo, milhares de usuários. 
Devido a grande quantidade de postagens, é difícil para o 
professor ou tutor acompanhar os alunos. Para tentar contornar 
esse problema, buscando um acompanhamento eficiente, 
busca-se disponibilizar ferramentas computacionais que 
auxiliem o professor.
Referências
COPPIN, B. Inteligência artificial. Rio de Janeiro: LTC, 
2015.
GEEKS FOR GEEKS. Inductive Learning Algorithm. 
Geeks for Geeks, 15 out. 2019. Disponível em: 
https://www.geeksforgeeks.org/inductive-learning-
algorithm/. Acesso em: 26 dez. 2020.
McKINNEY, W. Python para análise de dados. São 
Paulo: Novatec, 2018.
Referências
ROLIM, V.; FERREIRA, R.; COSTA, E. Utilização de Técnicas 
de aprendizado de máquina para acompanhamento de 
fóruns educacionais. Revista Brasileira de Informática 
na Educação, [s. l.], v. 25, n. 3, 2017. Disponível em: 
https://www.researchgate.net/publication/320743305_
Utilizacao_de_Tecnicas_de_Aprendizado_de_Maquina_
para_Acompanhamento_de_Foruns_Educacionais. 
Acesso em: 2 fev. 2021. 
RUSSEL, S.; NORVIG, P. Inteligência artificial. 3. ed. Rio 
de Janeiro: Campus, 2013.
Bons estudos!
	Introdução a inteligência Artificial
	Implementando a inteligência artificial
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	A aprendizagem indutiva
	Implementando a inteligência artificial
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	A aprendizagem estatística e a aprendizagem por reforço
	Implementando a inteligência artificial
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Redes neurais
	Teoria em Prática
	Reflita sobre a seguinte situação
	Reflita sobre a seguinte situação
	Norte para a resolução...
	Norte para a resolução...
	Norte para a resolução...
	Norte para a resolução...
	Dica do(a) Professor(a)
	Filme: AlphaGo (2017)
	Artigo: Utilização de Técnicas de Aprendizado de Máquina para Acompanhamento de Fóruns Educacionais
	Referências
	Referências
	Bons estudos!