exercicios

Prévia do material em texto

1 - Pesquisar e relatar exemplos de sistemas que tenham sido aprovados pelo teste Turing, em acordo com os critérios do prêmio Loebner. 
Anualmente desde 1990 o prêmio Loebner faz uma competição para avaliar inteligências artificiais aos moldes do teste de Turing. O prêmio foi criado por Hugh Loebner em parceria com o centro Cambridge para estudos do comportamento.
	O prêmio Loebner nunca teve nenhum campeão que passasse no teste de turing. Se destaca Bruce Wilcox que ganhou os prêmio de 2010, 2011, 2014 e 2015, também Steve Worswick que ganhou os prêmios de 2013, 2016, 2017, 2018 e 2019. 
	No ano de 2019 o prêmio sofreu mudanças nas regras, os juízes sabem que estão falando com um robô e apenas julgam se ele se saiu bem ou não.
 	NO ano de 2014, o software Eugene Goostman, que é um chat de um garoto ukraniano de 13 anos, enganou 33% dos jurados em um teste de Turing na sociedade real de Londres. Porem o teste foi criticado. Em comparação com o prêmio Loebner que possui 25 min de duração de teste, o prêmio da sociedade real teve apenas 5 min de conversação com o chat.
	Em 2014 O google apresentou o seu produto google duplex que faz parte do google assistente. Na apresentação a IA interage com restaurantes para fazer reservas de mesa. Na época foi discutido se ele havia ou não passado no teste, mas a falta de um ambiente de testes com um escopo mais amplo que fazer reservas de mesa desqualifica a IA do google.
	Atualmente não existe consenso se alguma IA realmente passou no teste de Turing.
2 - Exercícios do cap. 1: 1.1, 1.3, 1.6 e 1.7; 
1.1 Defina com suas próprias palavras: (a) inteligência, (b) inteligência artificial, (c) agente, (d) racionalidade, (e) raciocínio lógico.
Inteligência: Capacidade analisar um problema, pensando nas dimensões de seu escopo e por meio de acesso a informações relevantes fornecer uma solução adequada.
Inteligência artificial: Capacidade de resolver problemas, geralmente resolvido por humanos, que envolvem análise de escopo, aprendizagem e pesquisa.
Agente: Máquina que simula o comportamento humano de resolver problemas.
Racionalidade: Capacidade de transformar assuntos aprendidos e dados em outros dados e atribuir novos significados aos dados finais.
Raciocínio logico: capacidade de relacionar assuntos e inferir informações através dessa conexão.
1.3 As ações reflexas (como recuar de um fogão quente) são racionais? São inteligentes?
Sim, no sentido de que há processo de dados pelo cérebro e uma ação nos atuadores do corpo humano. Sim por se trata de um mecanismo que resolve o problema de não deixar o indivíduo se queimar, processa as informações do tato humano e gera uma resposta apropriada.
1.6 Como a introspecção — o exame que alguém faz de seus próprios pensamentos mais íntimos — poderia ser imprecisa? Eu poderia estar errado sobre aquilo em que estou pensando? Discuta.
Sim, por não ter acesso a informações suficientes para chegar a uma conclusão correta. Pode haver coisas que eu não sei, coisas que eu não acredito que me levam a ignorar outras coisas. Tudo isso pode prejudicar a corretude do meu raciocínio.
1.7 Até que ponto os sistemas seguintes são instâncias de inteligência artificial? 
entendi essa pergunta como descrever os aspectos inteligentes dos exemplos fornecidos.
Leitores de códigos de barras: conseguem relacionar dados de código de barras com outras informações de produtos.
Menus de voz de telefones: conseguem processar linguagem natural em formato de áudio.
Mecanismo de busca na web: conseguem processar linguagem natural em forma de texto.
Algoritmos de roteamento da internet que respondem dinamicamente ao estado da rede: conseguem se adaptar as mudanças no ambiente.
3. Exercícios 2.1 ao 2.6, cap. 2; 
2.1 Suponha que a medida de desempenho se preocupa apenas com os T primeiros passos de tempo do ambiente e ignora tudo a partir de então. Mostre que a ação de um agente racional depende não apenas do estado do ambiente, mas também do passo de tempo que ele alcançou.
Resposta - Se o agente está em um passo de tempo em que sua medida de desempenho deve ser considerada, suas ações vão tentar atingir esse objetivo. Assim a função do agente será de tal forma que os parâmetros para tomada de decisão são passo do tempo atual e estado do ambiente. 
2.2 Vamos examinar a racionalidade de várias funções do agente aspirador de pó.
a) Mostre que a função do agente aspirador de pó simples descrito na Figura 2.3 é realmente racional, conforme as suposições listadas na página 38.
Resposta – na tabela que implementa a função do agente, suas ações conseguem de forma satisfatória entender os estados do ambiente a sua volta e fornecer uma ação que maximize a sua função de agente. De acordo com a definição da pag. 38 isso é ser racional.
b) Descreva uma função de agente racional para o caso em que cada movimento custa um ponto. O programa de agente correspondente exige estado interno?
Resposta – Sim, se estado interno que dizer a quantidade de pontos acumulados.
c) Descreva possíveis projetos de agentes para os casos em que quadrados limpos podem ficar sujos e a geografia do ambiente é desconhecida. Faz sentido para o agente aprender a partir de sua experiência nessas situações? Em caso afirmativo, o que ele deve aprender? Se não, por quê?
Pode ser construído um agente baseado em modelo que armazene informações de onde estava ou do caminho que percorreu para mapear a geografia do local. Após um certo número de movimentos o agente poderia retornar aos espaços já conhecidos e fazer a limpeza considerando uma tabela.
Faz sentido que ele aprenda a geografia do local.
2.3 Para cada uma das seguintes afirmações, diga se é verdadeiro ou falso e justifique com exemplos a sua resposta ou com contraexemplos se for o caso.
a) Um agente que detecta apenas informações parciais sobre o estado não podem ser perfeitamente racional.
Falso, pois existem ambientes não determinísticos e não conhecidos onde pode-se usar de ferramentas de probabilidade e estatística para tomar decisões. Mesmo que não se tenha todas as informações sobre o ambiente uma amostra deste pode representá-lo. Os seres humanos sendo inteligentes se deparam também com situações em que possuem informações parciais do ambiente e nem por isso deixam de ser inteligentes.
b) Existem ambientes de tarefa nos quais nenhum agente reativo puro pode comportar-se racionalmente.
Verdadeiro, acredito que o fato de existirem tarefas extremamente complexas que tonaria impossível mapear em uma tabela todos os estados e ações possíveis. O agente em um desses ambientes não tomaria decisões racionais em dadas situações.
c) Existe um ambiente de tarefa em que todo agente é racional.
Sim, se por todo agente se quer dizer que pode ser construído um agente que se encaixe em uma das categorias, agente reativo simples, agente baseado em modelo etc. no caso de um ambiente de aspirador com apenas uma sala é possível construir diversos agentes com implementações diferentes em que todos vão agir de forma racional como na definição dada no livro:
“Para cada sequência de percepções possível, um agente racional deve selecionar uma ação que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela sequência de percepções e por qualquer conhecimento interno do agente.”
d) A entrada para o programa de agente é a mesma que a entrada para a função de agente.
 Sim, pois a função do agente e o programa do agente são diferentes maneiras de representar o que faz, mas em termos de entrada ambos, conceitualmente, recebem as mesmas.
e) Toda função de agente é implementável por uma combinação de programa/máquina.
Verdadeiro, a máquina representa os atuadores e sensores, o programa é o programa do agente a lógica para seu funcionamento.
f) Suponha que um agente selecione sua ação uniformemente ao acaso do conjunto de ações possíveis. Existe um ambiente de tarefa determinista em que esse agente é racional.
Verdadeiro, no caso de um sistema operacional que utiliza uma regra de aleatoriedade para enviar um processo para o processador.
g)É possível para um dado agente ser perfeitamente racional em dois ambientes de tarefa distintos
verdadeiro, se ambos os agentes resolvem problemas similares cujas entradas são parecidas. Como por exemplo um agente que calcula a melhor rota de gps para um taxi e um agente que calcula a melhor rota para um pacote chegar de uma rede a outra.
h) Todo agente é racional em um ambiente não observável.
Verdadeiro, desde que o agente se encaixe na definição de racionalidade:
“Para cada sequência de percepções possível, um agente racional deve selecionar uma ação que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela sequência de percepções e por qualquer conhecimento interno do agente.”
i) Um agente jogador de pôquer perfeitamente racional nunca perde.
Falso, por mais que a racionalidade seja importante para um jogo de poker há mais fatores envolvidos no processo de ganhar o jogo como a própria sorte.
2.4 Para cada uma das seguintes atividades, forneça uma descrição PEAS do ambiente da tarefa e caracterize-o em termos das propriedades listadas na Seção 2.3.2.
	
	Medida de desempenho
	Ambiente
	Atuadores
	Sensores
	propriedades
	Jogar futebol
	Vencer uma partida, fazer gols no adversário, defender gols do adversário, posse de bola e manter a bola longe da própria área de gol.
	Campo de futebol, outros jogadores.
	Pernas mecânicas
	Câmera, gps
	Parcialmente observável, pois possui variáveis que estão fora do controle do agente, como chuva, torcedor invadir o campo, estratégia e jogadas do outro time, entre outros fatores que podem influenciar a partida. 
Multiagente, pois o jogo de futebol precisa de vários jogadores e árbitros para ser jogado.
Estocástico, pois as ações do agente no ambiente são descritas em termos de probabilidade de que eventos ocorram, pois não se pode ter certeza dos eventos que ocorrem na partida.
Sequencial, pois as ações do passadas do agente na partida influenciam ações futuras.
Dinâmico, pois enquanto o agente delibera sua próxima ação o time adversário pode iniciar uma investida e mudar o ambiente.
Continuo, pois o tempo para o agente deve ser tratado de forma contínua, a posição da bola, do agente e outros jogadores muda de forma contínua com o passar do tempo e isso influencia na tomada de decisão do agente.
Desconhecido, o agente pode ter que aprender e se adaptar ao seu adversário visto que são infinitas as possibilidades de estratégias de um time ou de um próprio jogador
	Explorar os oceanos da superfície de titã
	Coletar dados corretos sobre o oceano.
	Oceano de metano e etano
	Hélices aquáticas, braços mecânicos
	Câmeras, sensores de temperatura, sonar
	Parcialmente Observável, por ser um trabalho de exploração a geografia do oceano de titã ainda não é completamente conhecida.
Agente único, pois o agente não terá que lidar com outros agentes no trabalho de exploração, apenas o ambiente.
Estocástico, pois não se pode conhecer todas as variações do ambiente.
Sequencial, pois composição do mar, força da corrente, pressão, entre outros fatores variam de forma contínua no ambiente.
Dinâmico, pois o ambiente muda enquanto o agente toma uma nova decisão.
Continuo, pois na exploração, em cada momento do tempo o ambiente muda de forma contínua.
Desconhecido, pois não se pode conhecer todas as variáveis do ambiente, a composição do oceano pode ser diferente do previsto.
	Comprar livros usados de ia na internet
	Encontrar livros com os melhores preços, encontrar os livros corretos
	Sites na internet
	Tela do computador
	Teclado e mouse
	Completamente observável, pois pode-se indexar tantas páginas de venda de livros quanto se queira, pois existe um número finito dessas.
Agente único, pois o agente não compete com outras forças para atingir seu objetivo de comprar o livro.
Determinístico, pois os preços dos livros são precisamente conhecidos.
Episódico, para simplificar a função do agente esse ambiente pode ser considerado episódico, ou seja, os livros não mudam o valor conforme o tempo passa.
Dinâmico, pode ser que enquanto o agente compara os dados de um conjunto de sites algum site mude o preço do livro e seja preciso considerar esse dinamismo.
Discreto, as ações do agente são de comparar preços, isso ocorre em episódios discretos, uma comparação termina e pode-se começar outra sem que haja nenhuma interferência da comparação anterior.
Conhecido, uma vez tendo os sites a forma como comparar os preços não muda.
	Jogar uma partida de Tênis
	Rebater a bola o máximo de vezes possível, pontuar
	Quadra de tênis, outro jogador, bola de tênis
	Braço mecânico, pernas mecânicas
	Câmeras
	Parcialmente observável, pois o ambiente pode mudar de forma drástica, como chuva, interferência de outros objetos que não seja a bola.
Multiagente, pois o agente compete com outro jogador para cumprir seu objetivo de ganhar a partida.
Estocástico, pois não se pode prever todas as jogadas do outro jogador.
Sequencial, pois dados como a velocidade da bola mudam de forma contínua.
Dinâmico, pois enquanto o agente delibera o ambiente muda, o jogador adversário muda sua posição e a bola sua trajetória.
Continuo, pois as ações do agente são deliberadas de forma contínua no tempo e as escolhas de ações anteriores influenciam nos seus estados futuros, como jogar a bola para a direita ou esquerda pode desencadear uma sequencia de eventos que leve a um deslocamento para a direita futuramente.
Desconhecido, por ser multiagente, o outro agente pode interagir com a bola com diferentes estratégias as quais o agente vai ter que se adaptar no momento.
	Praticar tênis contra uma parede
	Rebater a bola o máximo de vezes possível
	Parede, bola de tênis
	Braço mecânico e pernas mecânicas
	Câmeras
	Completamente observável, em sua tarefa de observar a bola sendo o único a influenciar em sua trajetória, pode-se conhecer a posição em a qualquer momento do tempo e calcular sua posição futura com as leis da física que descrevem o movimento dela.
Agente único, pois o agente é o único que influencia o ambiente.
Determinístico, os conhecimentos das leis da física tornam todas as informações de mudança da posição da bola possíveis de serem previstas.
Sequencial, pois as posições da bola mudam de forma contínua com o tempo.
Dinâmico, pois enquanto se delibera sobre a posição da raquete para rebater a bola a bola muda de posição.
Continuo, pois as decisões do agente em relação ao tempo são tomadas de forma contínua através da análise dos dados da bola que mudam de forma contínua.
Conhecido, as regras do jogo aliadas as leis da física tornam possíveis de se conhecer os estados futuros do ambiente com certa precisão. 
	Realizar um salto de altura
	Altura do salto
	Chão, campo gravitacional
	Pernas mecânicas
	Sensor de proximidade com o chão
	Completamente observável, pois pode-se calcular todas as variáveis de altura do salto e força necessária a partir das leis da física.
Agente único, pois o agente não compete com outro para realizar o seu salto.
determinístico, pois pode-se aferir os estados futuros com certa precisão, a partir das leis da física que descrevem impulso e queda do agente. 
Episódico, um salto não depende de outro para ser realizado com sucesso.
Continuo¸ os estados do agente mudas de forma contínua, posição, velocidade etc.
Conhecido, pois pode-se agir para todos os estados possíveis que o agente possa apresentar.
	Licitações de um item em um leilão
	levar o produto pelo melhor preço com o dinheiro disponível
	Produtos de leilão e seus preços, concorrentes tentando comprar o produto
	Tela, conta bancária com dinheiro disponível
	Teclado, câmera
	Completamente observável, pois se conhecem as regras do leilão e o valor de todas as variáveis.
Multiagente, pois outros podem ofertar lances no leilão em uma peça que o agente queira comprar o que interfere no desempenho do agente.
Estocástico, pois não se pode determinar o estado futuro do ambiente através do lance do agente, outros podem dar lances e cobrir a oferta o que gera um ambiente estocástico.
sequencial, pois o preço oferecidoem um determinado lance possui influência em suas ações futuras, como a quantidade de dinheiro disponível para o próximo lance.
Dinâmico, pois enquanto o agente delibera ele possui os dados das variáveis, preços já oferecidos e pessoas interessadas no produto, isso pode mudar enquanto ele calcula o preço do lance que vai oferecer.
Discreto, os lances podem ser tratados como episódios atômicos no tempo.
Conhecido, pois quando as regras de interação com o ambiente não vão mudar com o tempo.
2.5 Defina com suas próprias palavras os termos a seguir: agente, função de agente, programa de agente, racionalidade, autonomia, agente reativo, agente baseado em modelo, agente baseado em objetivos, agente baseado em utilidade, agente com aprendizagem
Agente: programa inteligente que resolve problemas em que a tomada de decisão envolva raciocínio lógico.
Função de agente: é o motivo de existência do agente, a descrição de como ele resolve o problema.
Racionalidade: capacidade de analisar um conjunto de estados e ponderar sobre ele para obter uma resposta que modifique o ambiente no sentido correto.
Autonomia: Não precisar de agentes externos para agir. Ser autossuficiente.
Agente reativo: Modelo de agente que implementa uma tabela com ações a serem tomadas para determinadas configurações de estados.
Agente baseado em modelo: Agente que possui em sua implementação um modelo que representa o ambiente e as mudanças que o ambiente sofre. Uma simulação física do mundo por exemplo, para ajudar a prever os estados futuros.
Agente baseado em objetivos: O agente utiliza um parâmetro de como seria a configuração ideal do ambiente e age ponderando suas ações e comparando com o objetivo proposto tentando alcançá-lo.
Agente baseado em utilidade: O agente busca alcançar os objetivos propostos e otimizar algum parâmetro de desempenho. Esse parâmetro é usado para dizer o quanto o agente está fazendo a sua função de forma correta. 
Agente baseado em aprendizagem: O agente busca entender o ambiente e constrói por si mesmo um modelo. Inicialmente o agente pode não saber nada sabre o ambiente, mas com exemplos de como seria a forma correta de agir ele vai se aperfeiçoando.
2.6 Este exercício explora as diferenças entre funções de agentes e programas de agentes
 a) Pode haver mais de um programa de agente que implemente uma dada função de agente? Dê um exemplo ou mostre por que não é possível.
Resposta – Sim, para ordenação de números por exemplo a função do agente é ordenar os números e ela pode ser implementada usando bubleSort, MergeSort etc.
b) Existem funções de agente que não podem ser implementadas por qualquer programa de agente?
Resposta – Sim, os limites do agente inteligente estão contidos pelos limites da computação, podem existir funções de agente cuja natureza do problema seja não computável.
c) Dada uma arquitetura de máquina fixa, cada programa de agente implementa exatamente uma função de agente?
Resposta – não, pois existem programas de agentes que resolvem funções de agente que podem se relacionar com outros problemas, como algoritmos de controle de fila de banco que também podem ser usados para controlar filas de processos em um SO.
d) Dada uma arquitetura com n bits de armazenamento, quantos programas de agentes distintos são possíveis nessa arquitetura?
Resposta – muitos, todos os programas que cabem nesses n bits podem ser implementados nessa arquitetura, podem existir milhares, centenas de milhares ou até infinitos problemas que atendam a esses requisitos de armazenamento.
e) Suponha manter fixo o programa de agente, mas aumentamos a velocidade da máquina por um fator de dois. Isso muda a função de agente?
Resposta – não, pois a função do agente e o programa de agente são representações da mesma coisa. Aumentar a velocidade da máquina só aumentaria a velocidade com que o agente executa sua função no ambiente.
4 Sobre árvores de decisão: construir uma árvore de decisão, cujo objetivo é decidir ir ou não ao Doha, diferente daquela apresentada em aula. 
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	Pouco
	Carro
	Sim
	Sim
	Não
	Sim
	Sim!
	Pouco
	Carona
	Não
	Não 
	Sim
	Sim
	Sim!
	Sim
	Carro 
	Não
	Sim 
	Sim 
	Sim
	Não
	Pouco
	Carona
	Não
	Não 
	Sim 
	Não
	Sim!
	Sim
	Outros
	Sim
	Sim 
	Sim 
	Não
	Não
	Pouco 
	Outros 
	Não
	Sim
	Não 
	Sim
	Não
	Pouco
	Carro
	Sim
	Não
	Sim
	Sim
	Sim!
	Pouco 
	Carona
	Não 
	Não 
	Não 
	Sim
	Não
	Sim 
	Carro
	Não
	Sim
	Sim
	Não
	Não
	 Não
	Outros 
	Sim
	Sim
	Sim
	Sim
	Sim!
	Não
	Carro
	Não
	Sim
	Sim
	Não
	Sim!
	Não
	Carona
	Não
	Sim 
	Sim
	Sim
	Sim!
Primeiro escolhemos a coluna ação e calculamos a probabilidade de sim e de não ocorrer:
Qtd sim = 7 		psim = 7/12
Qtd não = 5		pnão = 5/12
Total = 12
Depois calcular a entropia da coluna ação:
Eacao = - [) + )] = 0,979868756651
Coluna sono gera três ramos, um para cada variação da coluna. Calcular a entropia e o peso para cada variação:
Qtd pouco = 6 pouco sim na tabela pai = 4 	pouco não na tabela pai = 2 psim = 4/6 pnão = 2/6
Entropia pouco = - [) + )] = 0,918295834054
Peso pouco = = 
Qtd sim = 3	 sim sim na tabela pai = 0 	sim não na tabela pai = 3 psim = 0/3	pnão = 3/3
Entropia sim = - [) + )] = 0
Peso sim = = 
Qtd não= 3	 não sim na tabela pai = 3 	sim não na tabela pai = 0 psim = 3/3 pnão = 0/3
Entropia não = - [) + )] = 0
Peso pouco = = 
Calcular o ganho de informação para a coluna sono:
Ganho de informação sono = 0,979868756651 
Ganho informação sono = 0.520720839624
Fazendo o mesmo processo para as outras colunas
	
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	GI
	0,520720
	0,095437
	0,062907293
	0,062907293
	0,08170416
	0,03037733
	
A coluna com o maior GI será a raiz da arvore, no caso a coluna Sono.
Como sono gera três ramos dividir a base de dados para os três respectivos ramos:
Sono – Pouco
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	Pouco
	Carro
	Sim
	Sim
	Não
	Sim
	Sim!
	Pouco
	Carona
	Não
	Não 
	Sim
	Sim
	Sim!
	Pouco
	Carona
	Não
	Não 
	Sim 
	Não
	Sim!
	Pouco 
	Outros 
	Não
	Sim
	Não 
	Sim
	Não
	Pouco
	Carro
	Sim
	Não
	Sim
	Sim
	Sim!
	Pouco 
	Carona
	Não 
	Não 
	Não 
	Sim
	Não
Sono – Sim
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	Sim
	Carro 
	Não
	Sim 
	Sim 
	Sim
	Não
	Sim
	Outros
	Sim
	Sim 
	Sim 
	Não
	Não
	Sim 
	Carro
	Não
	Sim
	Sim
	Não
	Não
Sono – não
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	 Não
	Outros 
	Sim
	Sim
	Sim
	Sim
	Sim!
	Não
	Carro
	Não
	Sim
	Sim
	Não
	Sim!
	Não
	Carona
	Não
	Sim 
	Sim
	Sim
	Sim!
Se observarmos a entropia de Sono - sim e de Sono – não percebemos que ela é zero. Não tabelas que representam os ramos dessas variações observasse que independente do valor das outras colunas sempre que sono – sim não vou ao Doha e sempre que sono não vou ao doha.
Esses nos portanto geram folhas da arvore
Agora repetir o processo com a tabela de dados que não gerou uma folha ainda, Sono – Pouco.
Entropia da coluna ação = 0.91829583 
Ganhos de informação das colunas?
	Transporte
	Sim
	Não
	Peso
	Entropia
	Carro
	2
	0
	2/6
	0
	Carona
	2
	1
	3/6
	0.91829583
	Outros
	0
	1
	1/6
	0
Ganho de informação (transporte) = 0.54085208
	Puc
	Sim
	Não
	Peso
	Entropia
	Sim
	2
	0
	2/6
	0
	não
	2
	2
	4/6
	1
Ganho de informação (Puc) = 0.33333333
	Alcool
	Sim
	Não
	Peso
	Entropia
	Sim
	1
	1
	2/6
	1
	não
	3
	1
	4/6
	0.81127812
Ganho de informação (alcool) = 0.12581458
	Sair
	Sim
	Não
	Peso
	Entropia
	Sim
	3
	0
	3/6
	0
	não
	1
	2
	3/6
	0.91829583
Ganho de informação (Sair) = 0.54085208
	Fome
	Sim
	Não
	Peso
	Entropia
	Sim
	3
	2
	5/6
	0.97095059
	não
	1
	0
	1/6
	0
Ganho de informação (Fome) = 0.19087450
	
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	GI
	0.54085208
	0.33333333
	0.12581458
	0.54085208
	0.19087450
	
Como transporte e sair tem o mesmo GI, escolhemos o primeiro.
A arvore fica assim ate aqui:
Sono === sim ===> não
Sono === não ===> sim
Sono === pouco ===> transporte
--------------------------------------------------------------
Transporte ======= carro ========> sim
Transporte =======outros ========> não
Transporte ======= carona ========> ?
Fazer então uma nova rodada considerando a base de dados com a variação carona de transporte:
	Sono
	Transporte
	PUC
	Álcool 
	Sair
	Fome
	Ação
	Pouco
	Carona
	Não
	Não 
	Sim
	Sim
	Sim!
	Pouco
	Carona
	Não
	Não 
	Sim 
	Não
	Sim!
	Pouco 
	Carona
	Não 
	Não 
	Não 
	Sim
	Não
Entropia (ação) = 0.91829583
Calcular o ganho de informação de cada uma das outras colunas:
	Puc
	Sim
	Não
	Peso
	Entropia
	Sim
	0
	0
	0
	0
	não
	2
	1
	3/3
	0.91829583
Ganho de informação (Puc) = 0.08170417
	Alcool
	Sim
	Não
	Peso
	Entropia
	Sim
	0
	0
	0
	0
	não
	2
	1
	3/3
	0.91829583
Ganho de informação (alcool) = 0.08170417
	Sair
	Sim
	Não
	Peso
	Entropia
	Sim
	2
	0
	2/3
	0
	não
	0
	1
	1/3
	0
Ganho de informação (Sair) = 1
	Fome
	Sim
	Não
	Peso
	Entropia
	Sim
	1
	1
	2/3
	1
	não
	1
	0
	1/3
	0
Ganho de informação (Fome) = 0.33333333
	
	PUC
	Álcool 
	Sair
	Fome
	Ação
	GI
	0.08170417
	0.08170417
	1
	0.33333333
	
O maior ganho de informação esta na coluna sair, como a entropia para ambas variações é 0 os nos dessas variações são folhas da arvore, portanto a nossa arvore fica:
Sono === sim ===> não
Sono === não ===> sim
Sono === pouco ===> transporte
--------------------------------------------------------------
Transporte ======= carro ========> sim
Transporte ======= outros ========> não
Transporte ======= carona ========> sair
--------------------------------------------------------------
Sair ======= sim ========> sim
Sair ======= não =======> não
5) Construir uma árvore de decisão para recomendar ou não determinado filme. 
	Christopher Nolan
	Remake que ninguém pediu
	imdb
	recomenda
	Sim
	Sim
	<=4
	Sim
	Sim
	sim
	>4 e <=7
	Sim
	Sim
	Sim
	>7
	Sim
	Sim
	Não
	<=4
	Sim
	Sim
	Não
	>4 e <=7
	Sim
	Sim
	Não
	>7
	Sim
	Não
	Sim
	<=4
	Não
	Não
	Sim
	>4 e <=7
	Não
	Não
	Sim
	>7
	Sim
	Não
	Não
	<=4
	Não
	Não
	Não
	>4 e <=7
	Sim
	Não
	Não
	>7
	Sim
Entropia (recomenda) = 0.81127812
	Christopher Nolan
	Sim
	Não
	Peso
	Entropia
	Sim
	6
	0
	6/12
	0
	não
	3
	3
	6/12
	1
GI(Christopher Nolan) = 0.5
	Remake que ninguém pediu
	Sim
	Não
	Peso
	Entropia
	Sim
	4
	2
	6/12
	0.91829583
	não
	5
	1
	6/12
	0.65002242
GI(Remake que ninguém pediu) = 0.21584087
	imdb
	Sim
	Não
	Peso
	Entropia
	<=4
	2
	2
	4/12
	1
	>4 e <=7
	3
	1
	4/12
	0.81127812
	>7
	4
	0
	4/12
	0
GI(imdb) = 0.39624062
	
	Christopher Nolan
	Remake que ninguém pediu
	imdb
	recomenda
	GI
	0.5
	0.21584087
	0.39624062
	
Nova base de dados:
	Christopher Nolan
	Remake que ninguém pediu
	imdb
	recomenda
	Não
	Sim
	<=4
	Não
	Não
	Sim
	>4 e <=7
	Não
	Não
	Sim
	>7
	Sim
	Não
	Não
	<=4
	Não
	Não
	Não
	>4 e <=7
	Sim
	Não
	Não
	>7
	Sim
Entropia (recomenda) = 1
	Remake que ninguém pediu
	Sim
	Não
	Peso
	Entropia
	Sim
	1
	2
	3/6
	0.91829583
	não
	2
	1
	3/6
	0.91829583
GI(Remake que ninguém pediu) = 0.08170417
	imdb
	Sim
	Não
	Peso
	Entropia
	<=4
	0
	2
	2/6
	0
	>4 e <=7
	1
	1
	2/6
	1
	>7
	2
	0
	2/6
	0
GI(imdb) = 0.66666667
	
	Remake que ninguém pediu
	imdb
	recomenda
	GI
	0.08170417
	0.66666667
	
Nova base de dados:
	Christopher Nolan
	Remake que ninguém pediu
	imdb
	recomenda
	Não
	Sim
	>4 e <=7
	Não
	Não
	Não
	>4 e <=7
	Sim
	Remake que ninguém pediu
	Sim
	Não
	Peso
	Entropia
	Sim
	0
	1
	½
	0
	não
	1
	0
	½
	0
GI(Remake que ninguém pediu) = 1
Arvore:
Christopher Nolan === sim ===> sim
Chistopher nolan === não ===> imdb
Imdb === <= 4 ===> não
Imdb === > 7 ===> sim
Imdb === > 4 e <= 7 ===> Remake que ninguém pediu
Remake que ninguém pediu ==== sim ===> não
Remake que ninguém pediu ==== não ===> sim
6) Responder ao questionário sobre árvores de decisão. Para isso, verifique o arquivo ADQuestionario.zip. Nele estão contidos um texto para aprofundamento teórico e as questões relativas ao texto. 
1) Como podem ser classificados os atributos utilizados em árvores de decisão?
	Podem ser classificas em:
Contínuos: valores numéricos pertencentes aos conjuntos dos números reais. Ex (níveis de açúcar no sangue, variação do dólar etc).
Categóricos ordinais: conjuntos finitos de valores que podem ser ordenados, Ex (nível de satisfação do cliente que pode variar de 1 a 5).
Categóricos não ordinais: conjunto finito de valores que não podem ser ordenados. Ex (tempo que pode ser nublado, ensolarado ou chuvoso).
	A classificação dos atributos se assemelha as tipagens de variáveis na programação.
2) O que é uma classe?
	Classe é uma variável dependente a ser obtida pela relação entre os atributos. No exemplo do ir ao Doha, a coluna “devo ir” seria uma classe.
3) Qual o significado de modelagem descritiva e modelagem preditiva, por meio de árvores de decisão
	A modelagem descritiva vai descrever o conjunto de testes dado como por exemplo um conjunto de dados com informações sobre a fisionomia de um determinado grupo de pessoas e o modelo classifica quais conjuntos de características descrevem qual nacionalidade.
	A modelagem preditiva estabelece uma relação que classifica objetos que não estão classificados. Em sala de aula o exemplo de classificar um filme como bom ou ruim, após a construção da arvore se fornecemos um dado não classificado ele sabe dizer se o filme é bom ou ruim.
4) O que é indução manual (top-down) e o que é indução automática (botton-up), em árvores de decisão?
	Top-down: o modelo é construído de por meio de um especialista que descreve as regras. (Supervisionado)
	Bottom-up: o modelo é construído através de uma base de dados. (não supervisionado)
5) O que significa ganho de informação baseado em entropia?
	é o quanto de informação se pode extrair em um nó da arvore escolhendo uma determinada variável. Ele ser baseado em entropia significa que seu calculo considera como medida de impureza da variável o valor da entropia que mede a homogeneidade da variável.
6) O que significa razão do ganho?
	Como cada atributo de uma determinada variável pode ter mais ou menos influencia na representação da classe, a razão de ganho é uma forma de ponderar a influência de cada atributo de uma variável.
7) Para que serve o índice Gini? Como é utilizado na indução de árvores de decisão?
	É outro tipo de medidor de impureza, Em arvores de decisão a escolha do no se baseia no ganho de informação, este pode ser calculado pela diferença da entropia ou do índice gini.
8) Descreva as cinco alternativas apresentadas para a representação dos nós para atributos categóricos.
Criar um ramo para cada atributo: no caso de uma coluna com valores sim ou não, cada variação gera um novo no da arvore.
Solução de hunt: independente da quantidade de atributos são gerados apenas dois nos na arvore um para um dos atributos e outro para os atributos restantes.
Agrupamento de valores em dois conjuntos: caso haja mais que três valores pode-se tentar agrupar os valores em apenas dois conjuntos de atributos. Exemplo: no caso de uma variável que possui atributos de 0 a 10 pode-se tentar atribuir para o primeiro conjunto os valores {0,1,3,5,7,9} e para o segundo conjunto {2,4,6,8,10}.
Agrupamento de valores de vários conjuntos: agrupar atributos em vários conjuntos. No mesmo exemplo dos números pode-se agrupar em três conjuntos de atributos {0,1}, {2,3,4}, {5,6,7} e {8,9,10}.
Atributos categóricos ordinais: De três atributos que possuem ordem separa-se em maior e menor que a média desses valores gerando apenas dois ramos para a arvore. No exemplo da indicação de filme pode-se usar a média da nota do imdb para fazer essa separação
9) Qual a utilidade dos métodos de poda, em árvores de decisão?
Após construída alguns ramos podem ter resultados errados, para evitar esses erro são removidos da arvores, isso torna a arvore mais simples além de reduzir os erros.
10) Apresente as principais características dos algoritmos ID3, C4.5 e Cart.
ID3: implementação recursiva com busca gulosa.
Trabalha apenas com atributos categóricos não ordinais
Não trata lacunas de eventos desconhecidos
Não possui método de pôs-poda
Utiliza ganho de informação para selecionar a melhor divisão
C4.5 
Implementação gulosacom divisão e conquista
lida com atributos contínuos e categóricos.
Trata valores desconhecidos
Utiliza razão de ganho para achar a melhor divisão
Possui métodos de pôs poda
Cart
Alta capacidade de relacionar dados
Gera arvores mais simples
Produz arvores binarias
Utiliza agrupamento de valores em dois conjuntos
Possui método de pós poda
7) Das aulas de preleção sobre buscas não informadas, aplicar o algoritmo de busca de custo uniforme para achar o caminho mais curto entre Arad e Bucareste. 
Começa a rodar o algoritimo a partir de arad:
	Aberto
	Custo
	Fechado 
	Custo
	Arad 
	0
	
	
Verifica quais estão ao alcance de arad e coloca eles em aberto e mover arad para fechado:
	Abeto
	Custo
	Fechado 
	Custo
	timisoara
	118
	Arad
	0
	Zerind
	75
	
	
	sibiu
	140
	
	
O próximo passo é expandir o no com o custo mais baixo, no caso zerind, com o custo acumulado da rota:
	Abeto
	Custo
	Fechado 
	Custo
	timisoara
	118
	Arad
	0
	Oradea
	146
	Zerind
	75
	sibiu
	140
	
	
Expandindo o próximo menos, timissoara:
	Aberto
	Custo
	Fechado 
	Custo
	Lugo
	229
	Arad
	0
	Oradea
	146
	Zerind
	75
	sibiu
	140
	timisoara
	118
Expandindo sibiu que tem o menor custo:
	Aberto
	Custo
	Fechado 
	Custo
	Lugoj
	229
	Arad
	0
	Oradea
	146
	Zerind
	75
	Fagaras
	239
	timisoara
	118
	Rimncu
	220
	sibiu
	140
Expandindo sibiu que tem o menor custo:
Como oradea leva a um local que já foi descoberto, mantemos sibiu por arad e continuamos o algoritimo:
	Aberto
	Custo
	Fechado 
	Custo
	Lugoj
	229
	Arad
	0
	Fagaras
	239
	Zerind
	75
	Rimncu
	220
	timisoara
	118
	
	
	sibiu
	140
	
	
	Oradea
	146
Expandindo o próximo menor, rimnico:
	Aberto
	Custo
	Fechado 
	Custo
	Lugoj
	229
	Arad
	0
	Fagaras
	239
	Zerind
	75
	Craiova
	366
	timisoara
	118
	Pitesti
	317
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
Expandindo Lugoj:
	Aberto
	Custo
	Fechado 
	Custo
	Mehadia
	299
	Arad
	0
	Fagaras
	239
	Zerind
	75
	Craiova
	366
	timisoara
	118
	Pitesti
	317
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
Expandindo Fagaras:
	Aberto
	Custo
	Fechado 
	Custo
	Mehadia
	299
	Arad
	0
	Bucharest
	450
	Zerind
	75
	Craiova
	366
	timisoara
	118
	Pitesti
	317
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
	
	
	Fagaras
	239
Continuando a expansão por mehadia:
	Aberto
	Custo
	Fechado 
	Custo
	Dobreta
	374
	Arad
	0
	Bucharest
	450
	Zerind
	75
	Craiova
	366
	timisoara
	118
	Pitesti
	317
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
	
	
	Fagaras
	239
	
	
	Mehadia
	299
Expandindo Craiova:
	Aberto
	Custo
	Fechado 
	Custo
	Dobreta
	374
	Arad
	0
	Bucharest
	450
	Zerind
	75
	Pitesti
	317
	timisoara
	118
	
	
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
	
	
	Fagaras
	239
	
	
	Mehadia
	299
	
	
	Craiova
	366
Craiova expande Pitesti que já estava em aberto, comparamos e vemos se vale a pena substituir:
Pitesti por Rimnicu = 317
Pitesti por Craiova = 404
Mantem o custo por Rimnicu
Expandindo Pitesti que é o próximo menor custo:
Bucharest por Pitesti = 418
Bucharest por Fagaras = 450
Substitui o custo de Bucharest pelo menor
	Aberto
	Custo
	Fechado 
	Custo
	Dobreta
	374
	Arad
	0
	Bucharest
	418
	Zerind
	75
	
	
	timisoara
	118
	
	
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
	
	
	Fagaras
	239
	
	
	Mehadia
	299
	
	
	Craiova
	366
	
	
	Pitesti
	317
Expandindo Dobrera:
Somos levados a Craiova que já foi expandido, então nada muda.
	Aberto
	Custo
	Fechado 
	Custo
	Bucharest
	418
	Arad
	0
	
	
	Zerind
	75
	
	
	timisoara
	118
	
	
	sibiu
	140
	
	
	Oradea
	146
	
	
	Rimncu
	220
	
	
	Lugoj
	229
	
	
	Fagaras
	239
	
	
	Mehadia
	299
	
	
	Craiova
	366
	
	
	Pitesti
	317
	
	
	Dobreta
	374
O próximo menor é Bucharest que também é o destino ao mover esse no para fechado terminamos o algoritimo:
Temos o menor caminho que é Arad è Sibiu è Rimnicu Vilces è Bucharest, pelo custo de 418
8) Do arquivo “lista-de-revisão.pdf” faça os exercícios: 1, 2, 5, 6, 9 e 10. 
1) a figura a seguir representa um mapa enviado a um agente inteligente embutido num robô móvel. A função do agente em questão é descobrir o mapa (matriz de adjacência) e encontrar um caminho. Proponha uma medida de desempenho para a função de agente apresente no mínimo duas soluções para a implementação da função de agente e, ao final, responda a seguinte questão: qual das soluções propostas maximiza a medida de desempenho?
Medida de desempenho: complexidade de tempo
1° solução: busca primeiro em largura
2° solução busca primeiro em profundidade
A complexidade de tempo do BFS onde b é o fator de ramificação e d é a profundidade da primeira solução.
A complexidade de tempo de DFS onde m é a máxima profundidade da arvore.
Comparando os dois o BFS se sai melhor pois em nem todos os casos a arvores vai tem que ser percorrida ate a sua máxima profundidade.
2) sugira especificação para os agentes a serem utilizados nas seguintes aplicações:
a) controle de velocidade em veículos:
	implementar uma arvore de decisão que reduz e aumenta a velocidade considerando os as variáveis de velocidade máxima permitida, situação do asfaldo (molhado ou não), velocidade de outros veículos a frente para não bater etc.
b) controle de velocidade em veículos esportivos: 
construir uma arvore de decisão que possua mais parâmetros que o deixem competitivo como sempre tentar superar a velocidade do corredor a frente, condições da pista como angulação das curvas e velocidade máxima que ela pode ser feita etc.
c) elevador:
uma arvore de decisão que verifique o peso máximo permitido, tenha como variáveis os andares e como atributos se vai ter que parar no andar ou não. A arvore de decisão vai parar nos andares de forma ordenada. Abrir e fechar a porta quando chega no andar e considerar se tem algumas pessoas na porta por meio de um sensor.
 d) Bomba de infusão de medicamentos:
implementar uma arvore de decisão com as variáveis dos níveis de determinadas substâncias no corpo, o tempo que a dose deve ser aplicada e que decida quando aplicar e quanto aplicar para manter os noveis do medicamento estáveis no organismo.
e) Posicionamento de telescópio astronômico:
f) construir um agente que lê dados de um termômetro e aciona ventiladores de ar quente e ar frio conforme uma lei de física que descreva a mudança de calor no ambiente e mantenha a temperatura estável.
5) um avião não tripulado ou UAV (Unmanned Aerial Vehicle) foi construído para a patrulha de fronteira. Ele deve visitar cada uma das cidades de um conjunto de cidades e retornar à cidade de partida. O agente inteligente embutido no robô aéreo deve encontrar o caminho mais curto que permita que ele visite cada uma das cidades. Assim:
a) Defina um modelo para a representação do conhecimento necessário para que a função de a gente possa ser implementada. para isso, considere uma instancia particular do problema.
Para resolver o problema usamos o algoritmo do caixeiro viajante.
	Origem
	Destino
	Distância
	Goiania
	Senador canedo
	25
	Goiania
	Anapolis
	35
	Goiania
	Aparecida de goiania
	24
	Goiania 
	Trindade
	10
	Trindade 
	Senador Canedo
	28
	Trindade
	Anapolis
	13
	Trindade
	Aparecida de Goiania
	15
	Aparecida de Goiania
	Senador Canedo
	47
	Aparecida de Goiania
	Anapolis
	12
	Anapolis
	Senador canedo
	17
A arvore que representa os caminhos possíveis esta no arquivo “Arvore do exercício 5”: observando todos os caminhos possíveis é possível notar que a melhor rota é:
Goiania => Aparecida => anapolis => senador => goiania custo: 79 ou
Goiania => senador => anapolis => aparecida => trindade => goiania custo: 79 
b) para escolher o melhor caminho utilizando uma abordagem de força bruta deve-se visitar cada caminho possível e comparar o seu custo com os demais.
Começando por Goiânia são quatro opções de caminho disponíveis, escolhendo um sobram três, depois dois e depois um:
O total de caminhos possíveis é:
4x3x2x1 = 4! = 24
Mas como metade desses caminhos se repetem pelografo ser bidirecional:
Quantidade de caminhos = = 12
Assim para passar por todos os caminhos a quantidade sera:
Onde n é o número de cidades no grafo.
6) O que significa dizer que um método de busca é monotônico? Quão desejável é essa propriedade? Descreva um método de busca e aponte a monotonicidade desse método.
Ser monotônico significa dizer que ao se aproximar do resultado do objetivo utilizando essa heurística o custo diminui.
Muito desejável pois se a heurística é consistente ele garante um resultado ótimo.
No algoritmo de busca A* ao usar a heurística do caminho ter um custo de uma linha reta. Ela é consistente pois ao se aproximar do objetivo utilizando-a como parâmetro o custo é otimizado.
9) considere o problema do labirinto, ilustrado abaixo. Já sabemos que a resposta desejada para esse problema é o caminho que nos leva da entrada ate a saída.
a) Modele o espaço de estados por meio de um grafo, rotulando os nós.
 
b) Aplique os procedimentos de busca estudados em sala: largura, profundidade, custo uniforme, melhor escolha e A*.Para as buscas informadas, defina claramente a função de custo g(n) e a função heurística h(n), quando estas forem necessárias para a composição da função de avaliação f(n). Apresente os resultados por meio de grafos resultantes.
Busca em largura:
Busca em profundidade
Melhor escolha:
10) Algoritmos de busca que se preocupam em examinar todos os caminhos, como busca em largura, são métodos força bruta. Qual a implicação do uso desses algoritmos na implementação de uma função de agente?
Reposta: Possuem alto custo computacional o que torna inviável a sua aplicação. Em muitos casos levaria séculos para tais algoritmos forneceres um resultado.
Proponha uma heurística para o exercício 5: escolher o vizinho mais próximo para ser o visitado.
9) Estudar, executar e explicar um dos exemplos de AG, sugeridos pelo professor. 
No algoritmo em Java, um problema de distribuição é proposto. Nele há um conjunto de 11 clientes e são geradas aleatoriamente um conjunto de caminhos possíveis para a entrega ser feita, caminhos do tipo:
	1
	5
	7
	10
	9
	8
	2
	4
	3
	6
	11
 Desse conjunto são utilizadas técnicas de seleção para escolher aqueles que representam melhores caminhos, essa seleção é feita calculando o custo de passar pelo caminho. 
	Caminhos
	Custo
	1
	5
	7
	10
	9
	8
	2
	4
	3
	6
	11
	47
	3
	5
	7
	2
	6
	8
	10
	11
	1
	9
	4
	150
	No exemplo acima a primeira linha seria escolhida.
Desses escolhidos são feitas mutações para gerar novos conjuntos e em um processo interativo em que a resposta (caminho a ser percorrido), vai se refinando. No final é escolhido o melhor caminho da rodada. E seu custo é exibido no canto inferior esquerdo:
	O critério de parada para esse algoritmo é quando ele atinge 2000 rodadas: