IA p2

Prévia do material em texto

1. Qual a finalidade da maquina de inferência em um sistema especialista? 
R: A maquina de inferência serve para gerar hipóteses para resolução do 
problema, usando para isso, a base de conhecimentos 
 
2. Explique a diferença entre o encadeamento direto e reverso, usado na maquina de 
inferência. 
R: O encadeamento direto vai do estado inicial ao estado final gerando 
perguntas ao usuário para confirmar as premissas, já o encadeamento 
reverso procura usar somente regras que são relevantes ao problema, supõe 
que uma conclusão é verdadeira e tenta provar a validade de suas premissas, 
se todas premissas forem comprovadas é confirmado a suposição, caso 
contrário a suposição é descartada. 
 
3. Uma imagem com tons de cinza é analisada usando um vetor de atributos com 6 
valores. Os primeiros 5 atributos são contínuos, enquanto que o sexto é categórico, 
com 4 niveis (baixos, médios, altos e muito altos). Considerando que o numero de 
classes possíveis é 3, faça o esboço de uma rede neural feed-forward, completamente 
conectada para classificar as imagens de acordo com seu conteúdo. 
 
Entradas = 6 ____ ___ 
Saidas = 3 6.3 = 18 = 4,24 aprox. 
4. Realize uma iteração completa para a rede neural da figura usando Back-Propagation. 
Os números indicam os valores dos pesos iniciais wi
0. 
 
Treine a rede com as entradas 2 e 3 e com as saídas 1 e 0. Use função de transferência 
-> f(x) = x/2 f’(x) = 0.5 em todos os neurônios e taxa de aprendizado = 0.4 
x y 
A = {1,4 ; 1,3} 
B = {0,9 ; 1,2} 
a b 
C = {0,5 ; 0,9} 
D = {0,8 ; 1,1} 
X = 2 Entradas 
Y = 3 
 
Out = X * xA + Y * yA Função de transf. f(x) = x/2 = resultado 
Aout = 2*1,4+3*1,3 = 6,7/2 = 3,35 
Bout = 2*0,9+3*1,2 = 5,4/2 = 2,7 
 
Out = resA * aC + resB * bC Função de transf. f(x) = x/2 = resultado 
Cout = 3.35*0.5+2.7*0.9 = 4,105/2 = 2,05 
Dout = 3.35*0.8+2.7*1.1 = 5,65/2 = 2,825 
 
 = (desejado – obtido) * f’(x) 
Ec = (1-2,05)*0,5 = -0,525 
Ed = (0-2,825)*0,5 = -1,412 
 
 = f’(x) * (Ec * aC + (Ed) * aD) 
Ea = 0,5*(-0,525*0,5+(-1,4125)*0,8) = -0,696 
 
 = f’(x) * (Ec * bC + (Ed) * bD) 
Eb = 0,5*(-0,525*0,9+(-1,4125)*1,1) = -1,013 
 
W = aC + txAprend * Ec * Aout 
Wac = 0,5+0,4*(-0,525)*3,35 = -0,2035 
Wbc = 0,9+0,4*(-0,525)*2,7 = 0,333 
Wad = 0,8+0,4*(-1,412)*3,35 = -1,092 
Wbd = 1,1+0,4*(-1,412)*2,7 = -0,424 
 
W = xA + txAprend * Ea * EntradaX 
Wxa = 1,4+0,4*(-0,696)*2 = 0,843 
Wya = 1,3+0,4*(-0,696)*3 = 0,464 
Wxb = 0,9+0,4*(-1,013)*2 = 0,089 
Wyb = 1,2+0,4*(-1,013)*3 = -0,015 
 
ER = ½ * (Ec)² + (Ed)² 
ER = ½*((-0,525)²+(-1,412)²) = -1,134 
 
 
5. Explique como funcionam os algoritmos genéticos, descrevendo cada um dos seus 
passos 
R: Os algoritmos genéticos seguem as seguintes etapas: 
1. Inicio da população - É gerada uma quantidade de individuos com 
caracteristicas aleatórias. 
2. Calculo da aptidão - É utilizada uma formula matématica para avaliar 
qual deles esta mais próximo da solução do problema 
3. Se a solução foi encontrada então encerra 
4. Caso contrario, ocorre a seleção - Determinados individuos são 
selecionados para o cruzamento 
5. Cruzamento - Ocorre a troca de material genetico entre os individuos 
selecionados e, um novo individuo é gerado 
6. Mutação - Pode ocorrer alteração no material genetico dos novo 
individuos gerados, de acordo com uma probabilidade de mutação 
7. Volte para a etapa 2 
6. Descreva em detalhes três métodos de seleção. 
R: Aleatório – Escolhe dois indivíduos ao acaso 
Torneio – Escolhe dois indivíduos ao acaso, e o melhor deles é 
selecionado 
Roleta – Seleciona os cromossomos com maior probabilidade de 
sobrevivência 
 
7. Dados as variáveis linguísticas como peso e estatura com os seus conjuntos Fuzzy 
Pesado e Média respectivamente, ilustrados nas figuras abaixo, calcule: 
a. umedio(1,72) -> u pesado(120) 
b. umedio(1,72 ) ᴜ u pesado(140) 
c. umedio(1,62) ∩ upesado(120) 
 
a) 
médio(1,72) = (2,1-1,72)/(2,1-1,7) = 0,38/0,4 = 0,95 
pesado(120) = (120-115)/(150-115) = 5/35 = 0,14 
1-0,95 + 0,14 = 0,19 
 
b) médio(1,72) = 0,95 
pesado(140) = (140-115) / (150-115) = 25 / 35 = 0,71 
Min(0,95 ; 0,71) = 0,71 
 
c) médio(1,62) = (1,62-1,5) / (1,7-1,5) = 0,12 / 0,2 = 0,6 
pesado(120) = 0,14 
Max(0,6 ; 0,14) = 0,6 
 
8. qual a finalidade da etapa de defuzificação? 
R: É o processo contrário à Fuzzificação, e transforma um resultado 
nebuloso em um valor real. 
 
9. Usando algoritmos genéticos, obtenha a nova geração de cromossomos que 
minimizam a função f(x) = (x-5)2 +5, usando como função de aptidão f2(x) = 100 – 
mínimo {|2x-10|,100}. 
População inicial: C1 = 8 C2 = 19 C3 = 3 C4 = 6 
Seleção – escolha os três cromossomos com maior probabilidade de sobrevivência 
Cruzamento – sempre aplique um ponto de cruzamento entre o terceiro e o quarto bit 
Primeiro cruzamento 1o lugar x 2o lugar 
Segundo cruzamento 1o lugar x 3o lugar 
Mutação – sempre ocorrendo no terceiro bit do primeiro filho.de cada cruzamento 
Fc1(8) = 100 – minimo {|2 * 8 – 10| , 100} = 100 – 6 = 94 
Fc2(19) =100 – minimo {|2*19 - 10|, 100} = 100 – 28 = 72 
Fc3(3) = 100 – minimo {|2*3 - 10|, 100} = 100 – 4 = 96 
Fc4(6) = 100 – minimo {|2*6 - 10|, 100} = 100 – 2 = 98 
 
Probabilidade 
Pc1 = 94 / (94 + 72 + 96 +98) = 94 / 360 = 0,261 = 26,1% 3º 
Pc2 = 72 / (94 + 72 + 96 +98) = 72 / 360 = 0,2 = 20% 
Pc3 = 96 / (94 + 72 + 96 +98) = 96 / 360 = 0,266 = 26,6% 2º 
Pc4 = 98 / (94 + 72 + 96 +98) = 98 / 360 = 0,272 = 27,2% 1º 
 
6 = 001|10 001|11 
3 = 000|11 000|10 
6 = 001|10 001|00 
8 = 010|00 010|10 
 
E após a mutação fica: 
00011 = 3 E 00000 = 0 
00010 = 2 01010 = 10 
10. Dados os cromossomos a1 = 011101010001 e a2 = 110000101101, realize o 
cruzamento entre eles usando dois cortes. O primeiro deles ocorrendo entre o quarto 
e quinto bit, e o segundo corte ocorrendo entre o oitavo e o nono bit. 
R: 0111|0101|0001 = 011100100001 
1100|0010|1101 = 110001011101 
11. Quais os problemas que geralmente ocorrem quando uma rede neural tem muitos ou 
poucos neurônios na camada oculta? 
Se a camada oculta possui poucos neurônios, fica incapaz de criar limites de decisão muito 
complexos. Com um numero excessivo, a rede perde a sua capacidade de generalização. 
12. Qual a vantagem de usar a logica nebulosa no lugar da logica clássica. 
A grande vantagem da logica fuzzy sobre a clássica é que esta permite representar valores de 
pertinência (grau de verdade) intermediários entre os valores de verdadeiro e falso da logica 
clássica. 
13. Explique qual é a finalidade de cada um dos componentes de um sistema especialista 
A base de conhecimento (bc) – componente responsável pelo armazenamento do 
conhecimento 
A interface de aquisição ( ia) – é o componente do SE que permite ao especialista definir e 
manipular as regras 
Interface de usuário – a forma de interação e a interface de comunicação com o usuário são 
responsáveis pelo grau de satisfação do usuário com o sistema. Deve ser eficiente e amigável 
ao usuário 
Maquina de inferência – a MI é o conjunto de procedimentos que atuam sobre a base de 
conhecimento em busca de resultados satisfeitos 
14. Qual a principal limitação do Perceptron? 
Tem a limitação de resolver apenas problemas de classificação aonde as classes são 
linearmente separáveis. Esta limitações decorre do fato da função de ativação (net) ser linear. 
15. O que significa a capacidade de generalização de uma rede neural? 
A capacidade de generalização significa que, para entradas similares, a rede produz saídas 
similares. 
16. Um conjunto de frutas de três espécies deverá ser classificado usando uma rede 
neural. Os atributos usados para esta tarefa são: peso, assumindo valores em gramas, 
largura, assumindo valores em centímetros; altura, assumindo valoresem 
centímetros; cor, assumindo os valores (verde, vermelho e amarelo). Faça o esboço de 
uma rede neural feed-forward, completamente conectada, com apenas uma capada 
oculta para classificar essas frutas. 
 
17. Supondo que a rede de Kohonen com três entradas e três saídas, indicada na figura 
baixo, já tenha sido treinada. Informe qual o neurônio de saída que sera ativado 
quando a rede receber a entrada(2,9 ; 4,4 ; 3,1) 
 
 
 
18. Qual o modelo de representação de conhecimento no sistema especialista Mycin? 
Representação por regras de produção (cerca de 500) 
19. Quais os problemas que geralmente ocorrem quando uma rede neural tem muitos ou 
poucos neurônios na camada oculta? 
Se a camada oculta possui poucos neurônios, fica incapaz de criar limites de decisão muitos 
complexos. Com um numero excessivo, a rede perde a sua capacidade de generalização. 
20. Defina sistemas de produção e indique 3 vantagens e 2 desvantagens de se usa-los na 
representação do conhecimento. 
Concebidos para modelar procedimentos computáveis. 
Ideia central: transformar o problema em um grafo de estados, com a especificação de estados 
inicial e finais. 
Vantagens: 
Modularidade: as regras podem ser consideradas peças independentes; 
Naturalidade: consiste numa forma natural de pensar a solução de problemas 
Uniformidade: as regras são escritas seguindo o mesmo padrão. 
21. Implemente um classificador linear com apenas um neurônio, para os três pontos abaixo 
(1,4) 
Realize uma etapa completa de treinamento e utilize no mínimo 3 números depois da vírgula. 
( 10, 0, 5)  classe 0 Sem entrada de viés 
(100, 50, 10 )  classe 0 Taxa de aprendizado 0.3 
( 0, 60, 50)  classe 1 Pesos iniciais têm o valor 1.2 
Função de transferência deve ser: 
contráriocaso
xse
xf
......
0....
0
1
)(





 
 
 
net = (x1 * w1 + x2 * w2 + x3 * w3) 
wn = erro * xn * tx 
 
x1 x2 x3 w1 w2 w3 net obt des erro ∆w1 ∆w2 ∆w3 
10 0 5 1,2 1,2 1,2 18 1 0 -1 -3 0 -1,5 
100 50 10 -1,8 1,2 -0,3 -123 0 0 0 0 0 0 
0 60 50 -1,8 1,2 -0,3 57 1 1 0 0 0 0