Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGENCIA ARTIFICIAL EINTELIGENCIA ARTIFICIAL E APRENDIZADO DE MÁQUINAAPRENDIZADO DE MÁQUINA LÓGICA PROPOSICIONAL ELÓGICA PROPOSICIONAL E NEBULOSANEBULOSA Autor: Me. Jackson Luis Schirigatti Revisor : Rene Marcel ino Abr i t ta Te ixe ira IN IC IAR introdução Introdução Caro(a) estudante, a lógica é parte essencial do estudo da inteligência arti�cial, e é por meio dela que podemos modelar o raciocínio humano através da linguagem simbólica (lógica e matemática). Compreenderemos, inicialmente, sobre a lógica proposicional clássica ou cálculo sentencial mediante conceitos de sistema dicotômicos (chaves e circuitos abertos e fechados) e das proposições contidas em nossa linguagem natural. Em um segundo momento, compreenderemos que a linguagem natural pode ser também representada pela lógica proposicional de primeira ordem e pela lógica fuzzy , novas linguagens para a representação simbólica do pensamento humano. Para a compreensão do estudo da lógica proposicional de primeira ordem, é necessário compreendermos o conceito de sistemas dicotômicos, que são circuitos formados por um conjunto de interruptores. Os primeiros computadores trabalhavam de maneira muito visível com chaves ou interruptores, constituindo a comunicação binária das máquinas e que, até hoje, internamente a constituem. Conceituações Os computadores utilizam, internamente, o conceito mais básico de comunicação existente, chaves elétricas abertas e fechadas ou ligado e desligado, em que cada um desses estados possui um signi�cado. Este conceito é denominado de sistemas dicotômicos ou interruptores. Veremos, agora, os conceitos de sistemas dicotômicos. Sistemas Dicotômicos Lógica ProposicionalLógica Proposicional O estudo dos sistemas dicotômicos é devido ao conceito elétrico de dispositivos denominados de chaves ou interruptores (abertos ou fechados) como mostra o exemplo a seguir: A Figura 2.1 apresenta um diagrama sobre o princípio lógico de entendimento e base para a linguagem binária dos computadores. Os interruptores, em um sistema dicotômico, possuem dois estados: aberto (falso) ou fechado (verdadeiro). O estado verdadeiro corresponde a uma chave fechada, em que passa uma corrente elétrica de uma extremidade do �o até a outra extremidade (A-B). O contrário corresponde a uma negação, em que a passagem da corrente é interrompida pelo interruptor aberto. A partir deste conceito de chave aberta e fechada vem o princípio lógico de ‘verdadeiro’ e ‘falso’, que corresponde aos bits 1 e 0. Para a máquina compreender a linguagem natural, ou seja, o que desejamos que ela execute, é necessário entendermos a linguagem da máquina ou também chamada de linguagem de baixo nível. No entanto, a linguagem da máquina é binária, no qual há um esforço grandioso para realizarmos solicitações e execuções de operações ao nível da máquina. Com o tempo, foram criados os montadores (interpretadores) e compiladores, convertendo códigos de alto nível e de montagem em linguagem de máquina em códigos executáveis, facilitando, assim, a comunicação entre homem e a máquina. Lima e Gonzalez (2015) comentam que o sistema binário é um sistema de numeração posicional que utiliza base Figura 2.1 - Diagrama de interruptores aberto e fechado - sistema dicotômico Fonte: Elaborada pelo autor. 2 e é composto dos dígitos zero e um. O sistema binário é a base para a álgebra booleana (vem da lógica de George Boole, números binários, 0 e 1, verdadeiro e falso), permitindo realizar operações lógicas e aritméticas com apenas dois estados 0, 1, verdadeiro, falso, ligado e desligado. Portanto, o princípio lógico por meio do conceito dos circuitos dicotômicos é a base para a linguagem binária e, assim, base também para as linguagens montadoras, ligadoras, compiladoras e todas as linguagens de programação para o desenvolvimento de aplicativos e softwares. Compreendendo os sistemas dicotômicos, veremos os conceitos de interruptores e proposições, parte do estudo da lógica booleana e proposicional. O interruptor é um conceito básico dos circuitos eletrônicos e da lógica booleana, já as proposições são uma lógica diária dos humanos, constituída de sentenças ou expressões declarativas. Podemos, agora, passar de uma visualização de circuitos de interruptores abertos e fechados, paralelos e seriais, e de uma representação algébrica das chaves lógicas para uma forma proposicional. As áreas da lógica matemática que estuda as proposições são denominadas de álgebra proposicional e lógica proposicional. As proposições são sentenças a�rmativas formadas por um conjunto de palavras e são representadas por letras minúsculas, como mostra o Exemplo 1: No Exemplo 1, uma fase completa como a proposição ‘q: está calor’ exprime um pensamento de sentido completo e é uma declarativa a�rmativa. Vimos que as proposições e os sistemas dicotômicos são compostos por componentes que exprimem situações representadas por pensamentos (a�rmações) e estados (aberto ou fechado). Veremos, agora, como estes estados e pensamentos estão relacionados à lógica da linguagem natural, as proposições. Lógica Proposicional A lógica proposicional é a lógica da linguagem do cotidiano. É aquela na qual conversamos, dialogamos entre pessoas, interlocutores. Contudo, é necessário compreender que ela é composta de sentenças somente a�rmativas. Veremos, agora, como são especi�camente estas sentenças. A lógica proposicional é uma linguagem formal natural que segue a de�nição de um alfabeto e regras gramaticais que são utilizadas na construção de proposições a partir do alfabeto de�nido (SOUZA, 2015). A Figura 2.2 mostra pessoas conversando de maneira natural; mas cuidado! Nem toda sentença é uma preposição. Figura 2.2 - A lógica proposicional como linguagem natural formal declarativa nas conversas e narrativas entre as pessoas Fonte: Yupiramos / 123RF. Leite e Castanheira (2017, p. 21) comentam que não são proposições: Quando fazemos declarações, é possível apresentar provas que apoiam o que está sendo dito. É a lógica proposicional que dará suporte à apresentação desta prova. Vejamos, a seguir, que as proposições ou enunciados verbais podem provar o que está sendo dito, isto é, realizado por meio de valores lógicos destes enunciados. as sentenças interrogativas. O Valor Lógico de uma Proposição Os diálogos, narrativas a�rmativas que utilizamos em nossa linguagem natural, são compostos por valores lógicos, como “verdadeiro” ou “falso”. Veremos, agora, como estas proposições contêm determinados valores. As proposições possuem valores lógicos booleanos, ou seja, ela pode ser verdadeira ou falsa. Pegamos do exemplo anterior à proposição q: está calor. Esta proposição pode ter dois valores lógicos. Pode ser que seja verdade que está calor (valor 1) ou pode ser seja uma falsidade que esteja calor (valor zero). Veja, por exemplo, que a proposição: s: ‘a terra é quadrada’ é uma a�rmativa falsa. E se a proposição ‘s’ fosse ‘ a terra é redonda’ esta seria uma proposição verdadeira. Portanto, as sentenças a�rmativas a qual conversamos no cotidiano são lógicas e podem ser verdadeiras ou falsas. No tópico seguinte, iremos compreender como estas sentenças a�rmativas são classi�cadas. Proposições Simples e Compostas A classi�cação das proposições ou sentenças a�rmativas, que no seu dia a dia são comuns em diálogos e narrativas, é feita em simples e compostas. As proposições simples são formadas por uma sentença e representadas pelas letras minúsculas (representada de forma única, única sentença declarativa): As proposições compostas são formadas por duas ou mais proposições relacionadas por conectivos, como: “e”, “ou”, “se...então” e outros, por exemplo, as proposições compostas representadas pelas letras maiúsculas: Observe, no Exemplo 3, que a proposição composta P é composta pelas proposições simples ‘Hoje é segunda’ e ‘está nublado’, unida pelo conectivo ‘e’. Já a proposição ‘Paris é capital da França’e a proposição 4 + 2 = 6 são interligadas pelo conectivo ‘ou’. Veremos, a seguir, esses e outros conectivos na forma simbólica e como eles atuam nas operações lógicas. Conectivos e Operadores Lógicos na Forma Simbólica Veremos, agora, como realizar as ligações das proposições ou sentenças a�rmativas por meio dos conectivos lógicos. Segundo Leite e Castanheira (2017, p. 22) “os conectivos são termos usados para formar novas proposições a partir das proposições existentes”. Essas proposições novas são as proposições compostas. No Exemplo 4, a proposição composta P é constituída das proposições simples p e q, que são ligadas pelo conectivo ‘e’, de forma natural (constituídas de expressões ou sentenças declarativas). No caso do conectivo, ‘e’ é a representação da linguagem natural da lógica de conjunção ou ‘soma’, em conjuntos. Os conectivos na forma natural da lógica são denominados de operadores lógicos na linguagem natural. Já a forma simbólica é representada por símbolos lógicos, no caso da conjunção ‘e’ da linguagem natural, é representado pelo símbolo (+) ou (·) na linguagem simbólica. Veremos, a seguir, quais são os principais conectivos ou operadores lógicos utilizados nas ligações das proposições compostas na linguagem natural e simbólica. Conectivos Como vimos, os conectivos são conectores que ligam proposições simples e aparecem nas expressões da forma da linguagem natural por meio de conjunções. Esses conectores também podem ser representados por meio de símbolos ou sinais especí�cos de lógica na linguagem simbólica. O Quadro 2.1, a seguir, ilustra os possíveis conectivos, sua representação na forma natural, simbólica e sua descrição da resultante (verdadeira ou falsa) das proposições compostas. Conectivo na forma natural Representação por símbolos Descrição do formalismo lógico e resultante lógica Descrição Não (negação) ~ ou ` Uma proposição resultante será verdadeira se p for falsa. E (conjunção) ·(ponto) A proposição resultante será verdadeira somente se ambas as proposições forem verdadeiras. Ou (disjunção) + A proposição resultante será falsa somente se ambas as proposições forem falsas. Será verdadeira nos demais casos. Se...então (condicional) → A proposição resultante será falsa somente se a primeira proposição for verdadeira e a segunda for falsa. Será verdadeira nos demais casos. Se e somente se (bicondicional) ↔ A proposição resultante será verdadeira somente se o valor lógico de ambas as proposições forem iguais. Será falsa nos demais casos. Quadro 2.1 - Conectivos Fonte: Adaptado de Souza (2015). Os conectivos apresentados no Quadro 2.1 estão na primeira coluna na forma natural, que são utilizados com as sentenças declarativas. Na segunda coluna, estão na forma simbólica, ou seja, representadas por símbolos lógicos, utilizados com a álgebra proposicional. A terceira coluna apresenta uma descrição da resultante verdadeira ou falsa, realizada a partir das operações entre proposições. Então, vejamos agora como são efetuadas estas operações na forma simbólica e, na sequência, a modelagem de um cenário na forma lógica simbólica. A proposição composta P é constituída das proposições simples p e q, que são ligadas pelo conectivo ‘ou’ de forma natural (constituídas de expressões ou sentenças declarativas). Modelagem de um Cenário A lógica proposicional realiza a modelagem do raciocínio humano por meio de entidades matemáticas (forma simbólica ou formal). Essas entidades matemáticas podem ser conjuntos, funções, grafos, relações e outras. Para realizarmos a modelagem de cenários, é necessário compreendermos como as operações lógicas são representadas e efetuadas na sua forma simbólica. Esse processo se chama formalização. Operadores Lógicos na Forma Simbólica As operações entre as proposições são realizadas por meio das operações lógicas de conjunção, disjunção, condicional e bicondicional, entre outras. Vejamos exemplos das principais operações lógicas na forma natural e simbólica. O Exemplo 5 usa o conectivo de conjunção ‘e’ ligando a proposição ‘p’ e ‘q’, sendo ela uma proposição composta P: Temos, algebricamente (forma simbólica), que V(p) = V e V(q) = F, sendo que V(P) = V(p,q) = p · q = (V · F) = F, ou seja, a resultante da conjunção (ou lógico) entre as proposições p e q é falsa, pois ambas as proposições não são verdadeiras. A resultante (conclusão) só será verdadeira se ambas as proposições forem verdadeiras. O Exemplo 6 usa o conectivo de disjunção ‘ou’ ligando a proposição ‘p’ e ‘q’, sendo ela uma proposição composta P: Temos, algebricamente (na forma simbólica), que V(p) = V e V(q) = F, sendo que V(P) = V(p,q) = p + q = (V + F) = V, ou seja, a resultante da disjunção (e lógico) entre as proposições p e q é verdadeira, pois somente será falsa se ambas as proposições forem falsa. O Exemplo 7 usa o conectivo condicional ‘se...então’ ligando a proposição ‘p’ e ‘q’, sendo ela uma proposição composta P: Temos, algebricamente (na forma simbólica), que V(p) = V e V(q) = F, sendo que V(P) = V(p,q) = p → q = (V → F) = F, ou seja, a resultante da condicional (se então) entre as proposições p e q é falsa, pois se a primeira proposição for verdadeira e a segunda proposição for falsa, a resultante será falsa. O Exemplo 8 usa o conectivo bicondicional ‘se e somente se’ ligando a proposição ‘p’ e ‘q’, sendo ela uma proposição composta P: Temos, algebricamente (na forma simbólica), que V(p) = V e V(q) = F, sendo que V(P) = V(p,q) = p ↔ q = (V ↔ F) = F, ou seja, a resultante da bicondicional (se somente se) entre as proposições p e q é falsa, pois se ambas as proposições forem iguais, a resultante (conclusão) será verdadeira. Nesse caso, os valores lógicos de ambas as proposições p e q são diferentes. Temos, algebricamente (na forma simbólica), que V(p) = V e V(~q) = V, sendo que V(P) = V(p,~q) = p ↔ q = (V ↔ V) = V, ou seja, a resultante da bicondicional entre as proposições p e ~q é verdadeira, já que a proposição ~q resulta, agora, em verdadeiro e ambas as proposições (p e ~q) são iguais, sendo, então, resultante verdadeira. Vimos exemplos de como realizar as principais operações lógicas entre proposições na forma natural e na forma simbólica. Vejamos, agora, como essas mesmas operações podem ser expressas logicamente e algebricamente. Expressões Lógicas com Proposições Agora, chegamos à modelagem propriamente dita, ou seja, a representação do raciocínio humano (forma natural) na forma matemática e lógica (forma simbólica ou formal) por meio de expressões algébricas e lógicas. As expressões contêm um conjunto de operadores lógicos e relacionais. Iniciamos com o exemplo 10 que apresenta a aplicação do operador ‘se somente se’ (↔) efetuando a operação entre duas proposições. Nesse caso V(P) = F, pois ambas as proposições não são iguais (conforme o Quadro 2.1). Portanto, é possível combinar operadores como mostra o Exemplo 11: Aplicando: (~p + q · p), observe que essa é uma expressão lógica algébrica que combina várias operações, como negação, disjunção e conjunção. Antes de resolver esta expressão, é necessário conhecer as precedências dos operadores lógicos, que seria a ordem de precedência: 1. Negação (~) 2. Conjunção ( · ) e disjunção ( + ) 3. Condicional ( → ) 4. Bicondicional ( ↔ ) Portanto, a expressão: (~p + q · p) ocorre na ordem: 1. V(~p) = F 2. V(~p + q) = (F + F) = F, a resultante será falsa se ambas forem falsas. 3. V (~p + q · p) = (F · V) = F, a resultante será verdadeira somente se ambas forem verdadeiras. Nesse caso, falsa. Podemos, portanto, observar a modelagem da linguagem formal (proposições) dos exemplos 10 e 11 em linguagem simbólica por meio das expressões lógicas algébricas que se utilizam dos operadores e operações lógicas. praticar Vamos Praticar Modele o seguinte cenário da forma natural para a forma simbólica: em um refeitório, foi relatada as seguintes proposições de um diálogo entre duas pessoas,onde cada uma comenta um proposição, uma p e outra q : p: o almoço é diversi�cado. q: o almoço está frio. Sendo que foi contatado que o almoço se torna frio se, somente se, ele for diversi�cado. Sendo que V(p) = V e V(q) = V. Escreva sua resposta aqui... Vimos que a lógica proposicional clássica representa fatos e frases (sentenças) de uma linguagem natural do mundo real. De fato, devido à insu�ciência de recursos do cálculo sentencial, uma nova linguagem lógica simbólica é introduzida a lógica de primeira ordem, onde encontramos a representação formal de objetos do mundo real (pessoas, carros, casas, animais, plantas, eletrodomésticos etc.) e suas relações. Para Hegenberg (2012, p. 187) “estes objetos têm qualidades e mantêm uns com os outros relações, [e] pode-se dizer, por exemplo, que são belos ou assustadores, que são grandes ou pequenos, úteis ou inúteis”. Portanto, pode-se dizer que esses objetos podem ser maiores ou menores entre eles, estar entre algo ou alguém, possuir um parentesco, etc., ou seja, podem formar relações entre dois ou mais objetos. Assim, formam-se sentenças como, por exemplo, “todos os felinos são mamíferos”, “os edifícios das cidades são enormes”, “alguns homens são calvos” etc. Termo e Predicado Lógica Proposicional deLógica Proposicional de Primeira OrdemPrimeira Ordem Para compreendermos a lógica proposicional de primeira ordem (LPO), é necessário compreender a sua sintaxe. Os primeiros elementos básicos da LPO se referem ao conceito de termo e predicado. Para Bispo, Castanheira e Souza Filho (2011, p. 71) “dada uma proposição simples pode-se destacar dela dois entes: o termo e o predicado . O termo pode ser entendido como o sujeito da sentença declarativa, e o predicado o que se declara a respeito do termo”. Vejamos um exemplo: A representação do predicado e do termo, do Exemplo 12, em forma simbólica de proposições, também chamada de simbolização, é dada por letras maiúsculas e minúsculas, respectivamente, como segue: 1. Ap, onde A (Antônio) e p (é um ótimo pro�ssional) Observe que as letras são sugestivas referentes à inicial do nome e do atributo. Contudo, na bibliogra�a, esta forma varia conforme autores. Por exemplo, Hegenberg (2012, p. 192) simboliza os sujeitos (objetos, pessoas) representando-os por letras minúsculas, e o predicado ou atributos por letras maiúsculas. Variáveis Uma variável cujo próprio nome se refere a um conteúdo inde�nido é utilizada para aludir um objeto não especi�cado ou desconhecido do universo. No Exemplo 13, o termo “ Ele ” é trocado por uma variável “ x ”: Quanti�icadores Outro importante objeto básico da LPO são os quanti�cadores. Eles são operadores lógicos que podem ser do tipo universal ou existencial. Segundo Hegenberg (2012, p. 195), o quanti�cador universal é representado pelo símbolo ᗊ, que signi�ca “para todo”, “tudo”, “todos”. No caso ᗊx, signi�ca “para todo x” ou “para qualquer que seja x”. Já o quanti�cador existencial é representado pelo símbolo Ǝ, que signi�ca “existe um x tal que”, “algo”, “alguma coisa”, “Alguns”. O Exemplo 14 ilustra uma sentença (1) simbolizada em uma decomposição utilizando-se o quanti�cador existencial. Um exemplo do quanti�cador universal onde a proposição (1) e (2) é: Relações do Mundo Real Além dos conceitos de termos, predicados, variáveis e quanti�cadores, outro elemento básico da LPO são as relações com os sujeitos. A simbolização das relações entre os objetos de um universo é dada pelos conectivos. O ponto ( . ) ou o símbolo (⋀) representa uma relação de conjunção. No Exemplo 16, podemos observar a sentença (1) simbolizada em uma decomposição de relação. Outras relações da lógica booleana, além do Quadro 2.1, também podem ser representadas pelos símbolos (conectivos) no Quadro 2.2. Você poderá encontrar estes conectivos nas duas formas. conectivo símbolo negação (não) ¬ conjunção (e) ⋀ disjunção (ou) ⋁ implicação (condicional) → dupla implicação (bicondicional) ↔ Quadro 2.2 - Conectivos Fonte: Elaborado pelo autor. Podemos, portanto, representar algumas sentenças com mais alguns conectivos do Quadro 2.2, além da conjunção que observamos no Exemplo 4. Veja o exemplo 17 adaptado de Nicoletti (2017), utilizando o conectivo de disjunção na sentença (1): No Exemplo 18, adaptado de Nicoletti (2017), podemos observar o uso de mais de um conectivo. Vimos como realizar a simbolização de pequenas proposições ou decomposições na LPO. Vamos, a partir de agora, realizar uma simbolização de um conjunto de proposições, também denominada de modelagem e implementação de pequenos problemas. Laboratório: Modelagem e Implementação de um Problema Em nosso laboratório, iremos modelar e implementar um problema por meio da lógica proposicional de primeira ordem. Vejamos o seguinte problema: feita uma pesquisa, em um bairro da cidade de Curitiba, sobre seus moradores e animais, foi identi�cado que neste bairro possui muitos cães, sendo que alguns latem e outros não latem. Também existem pessoas no bairro que são comerciantes, no entanto, nem todas as pessoas do bairro são comerciantes. Que existem pessoas desempregadas e empregadas. Ao �nal da pesquisa, foi solicitada uma modelagem lógica da pesquisa por meio da Linguagem de Proposicional de primeira Ordem, a qual melhor representa os objetos do mundo real. O propósito da modelagem simbólica é para, posteriormente, gerar uma base de conhecimento dos moradores e animais dos bairros da cidade. Diante da pesquisa realizada, foram obtidas as seguintes proposições: 1. (Ǝ x lx) ⋀ ( Ǝ x ¬ lx), alguns cães do bairro latem, e outro não latem. Veja que a letra l é o predicado de late e o “x” são os cães do bairro. 2. (Ǝ y cy) ⋀ ¬ (ᗊ y cy), existem pessoas comerciamente no bairro, no entando nem todas as pessoas são comerciantes no bairro. Veja que à letra “c” é o predicado “comerciantes do bairro” e “y” são as pessoas do bairro. Os quanti�cadores existencial e universal ajudam a representar os habitantes existentes do bairro. Veja que é possível realizar uma modelagem simbólica por meio da LPO da pesquisa no bairro representando as qualidades e as relações entre as pessoas e relações entre os cães. Vimos que a lógica de predicados de primeira ordem pode modelar, por meio da simbolização lógica, uma série de sentenças da vida real, gerando conhecimento formal. Contudo essas sentenças ainda estão sobre o aspecto lógico booleano, ou seja, verdadeiro ou falso, conceitos dicotômicos. Entretanto, existe uma lógica que não se reduz a um conjunto binários {0, 1}, essa lógica, denominada lógica polivalente, lógica difusa, fuzzy ou, ainda, lógica nebulosa, trabalha com vários valores de verdades entre 0 e 1. Vamos compreender, agora, como funciona essa lógica. praticar Vamos Praticar Modele o seguinte cenário da forma natural para a forma simbólica em LPO, identi�cando os objetos, em termos, predicados, seus quanti�cadores e relações. Em uma escola, foi solicitado aos pedagogos realizarem uma modelagem simbólica para uma base de conhecimentos, em uma turma do nível médio, sobre os alunos (variável x), professores (variável y) e quanto os alunos estudam, fazem reforço e são aprovados. Foram identi�cadas as seguintes informações: i. Alguns alunos estudam e nem todos os alunos estudam. ii. Alguns alunos fazem reforços e todos os professores aplicam reforço. iii. Nem todos os alunos que fazem reforço são aprovados. Escreva sua resposta aqui... A lógica Nebulosa, também denominada lógica fuzzy , segundo Machado e da Cunha (2008, p. 78) [...] foi estruturada em 1965 por Lofti A. Zadeh, da Universidade da Califórnia, à lógica fuzzy permite representar valores lógicos intermediários entre Verdadeiro e Falso, possibilitando o tratamento de valores imprecisos, como altura (alto, baixo, médio), velocidade (rápido, lento, normal), tamanho (pequeno, médio, grande, extra-grande), quantidade (muito, razoável, pouco, etc.). Ela combina lógica polivalente,teoria das probabilidades, inteligência arti�cial e redes neurais, visando representar o modo humano de pensar e de se expressar. Um dos objetivos da lógica nebulosa, devido a sua própria natureza de metodologia linguística de “valores verdade” (perto, mais longe, quente etc.), e mais próxima do pensamento humano, é de simpli�car a complexidade dos problemas, proporcionando um rápido protótipo dos sistemas e uma rápida aquisição do conhecimento (SAMPAIO; OLIVEIRA; IGNACIO, 2007). Lógica NebulosaLógica Nebulosa A lógica fuzzy possui os modi�cadores de predicados lógicos (muito, mais perto, pouco, bastante) e quanti�cadores (poucos, vários, em torno etc.), além de expressões de probabilidade (provável, improvável etc.), que são representadas por números fuzzy e calculadas aritmeticamente. A Figura 2.3 ilustra um termômetro. Como sensor de temperatura, ele pode medir se um ambiente está quente ou frio ou, ainda, muito quente ou muito frio, de maneira muito precisa. Para uma pessoa, o ambiente pode estar muito quente; para outra, a mesma temperatura pode estar agradável, e para outra pode estar apenas quente. Na lógica fuzzy , essas expressões duvidosas ou incertas são representadas por quanti�cadores fuzzy . Nessas situações em que, na Linguagem Natural, o predicado não é um valor exato, verdadeiro ou falso, a lógica fuzzy atende esse intervalo, denominado conjunto nebuloso. Vejamos melhor o que seria esse conjunto nebuloso e demais conceitos sobre a lógica nebulosa ou fuzzy . Aplicações e Conceitos Empregados Um dos principais conceitos relacionados à lógica nebulosa ou fuzzy é dos conjuntos nebulosos. Segundo Sampaio, Oliveira e Ignacio (2007, p. 3) “na teoria dos conjuntos nebulosos existe um grau de pertinência de cada Figura 2.3 - Termômetro, valores de temperatura Fonte: Apicore / 123RF. elemento à um determinado conjunto”. Um conjunto nebuloso é um conjunto preciso, denominado crisp , e de um conjunto impreciso, denominado nebuloso . A Figura 2.4 ilustra dois grá�cos: o primeiro, à esquerda, apresenta valores exatos (crisp), de pessoas que medem 1,75 m de altura; o segundo grá�co, à direita, apresenta valores na faixa de 1,60 a 1,75 m de altura. O eixo y representa o nível de verdade. No conjunto crisp, o conjunto verdade é 0 ou 1. No conjunto nebuloso, o conjunto verdade é o intervalo de valores entre 0 e 1, onde 0 (zero) é falsidade absoluta e 1 (um) é à verdade absoluta. O segundo grá�co é o que mais re�ete a realidade de um conjunto de alturas de pessoas. Figura 2.4 - Exemplo de conjuntos nebulosos Fonte: Sampaio, Oliveira e Ignacio (2007, p. 3). Ainda é possível observar, na Figura 2.4, que a curva entre os valores nebulosos é denominada de função de pertinência, a qual mostra os vários níveis de verdades para uma variável altura (valores fracionários dentro do intervalo entre 0 e 1). Outro conceito de lógica nebulosa ou, ainda, chamada de teoria das possibilidades, dada por Simões e Shaw (2007, p. 1) “é a de representar uma forma inovadora de manuseio de informações imprecisas, de forma muito distinta da teoria das probabilidades, como um método de traduzir expressões verbais, vagas, imprecisas e qualitativas, comuns na comunicação humana, em valores numéricos”. A lógica fuzzy ou lógica nebulosa trabalha com níveis de verdades além dos valores 0 e 1, verdadeiro ou falso. Seria equivalente a um modelo do pensamento humano, tipo um sistema de controle (controlador nebuloso). A aplicabilidade da nova lógica é se aproximar do raciocínio humano dedutivo, ou seja, equivalente a um processo em que as pessoas inferem conclusões. Simões e Shaw (2007) comentam que o advento da lógica fuzzy foi causado pela necessidade de se obter um modelo capaz de expressar uma maneira sistemática de quantidades imprecisas, vagas, mal de�nidas. Esse modelo lógico pode ser utilizado na substituição de operadores humanos, como os controladores inteligentes em fábricas automatizadas. Outras aplicações da lógica fuzzy , segundo Simões e Shaw (2007, p. 8), estão relacionados “em tarefas de tomada de decisões, onde as variáveis individuais não são de�nidas em termos exatos. Por exemplo, no sequenciamento de tarefas de uma linha de produção industrial, ou na aplicação em logística e planejamento e manutenção”. Além da aplicação na indústria, a lógica fuzzy é utilizada em tecnologias inovadoras de automação e controle, por exemplo, em máquinas colheitadeiras automatizadas e drones de campo, que capturam informações e tomam decisões humanas, como mostra a Figura 2.5: As aplicações de lógica fuzzy em automação e controle só são possíveis a partir de um procedimento de inferência, que transforma o dado quantitativo Figura 2.5 - Uso da lógica fuzzy na automação e controle do campo Fonte: Macrovector / 123RF. em qualitativo e gerando regras. Esse processo é denominado processo nebuloso. Vejamos, agora, com funciona esse processo. Inferência Nebulosa Com a ajuda dos sensores em máquinas automatizadas, como no caso dos drones e das colheitadeiras automatizadas, é possível obter dados (crisp, ou seja, valores exatos, binários, 0 e 1) e criar um conjunto nebuloso, transformando-os de informação quantitativa em qualitativa. Essa etapa do processo nebuloso é denominada fuzi�cação ou generalização. Nessa etapa, os valores exatos numéricos são transformados em valores linguísticos ou grau de pertinência. Uma segunda etapa do processo nebuloso é a criação de regras que de�nem as relações entre as variáveis do conjunto nebuloso, gerando, assim, uma base de regras. A forma dessas regras seria do tipo implicações: se peso >=50 então doente; se peso > 50 e sexo = M então doente; se peso < 50 e sexo = F então saudável. Em uma terceira etapa do processo nebuloso, é realizada a Inferência , ou seja, uma veri�cação da relevância das regras de controle, criadas na segunda etapa. Essa etapa também é denominada processo de indução por hipóteses (classi�cação de um novo dado). Uma técnica de inferência muito utiliza é a de Mamdani, usada para sistemas nebulosos. A inferência de Mamdani permite a um sistema ter valores de entrada de um conjunto nítido (a partir de um conjunto de sensores ou entradas a partir de um operador humano, por exemplo) e aplicar um conjunto de regras nebulosas a estes valores, a �m de derivar um único valor nítido de saída ou uma recomendação para uma ação (COPPIN, 2013, p. 443). Em uma quarta etapa, a partir de inferências nas regras criadas, são realizadas técnicas para a obtenção de um conjunto nebuloso de saída, denominada de agregação. A última etapa do processo é denominada defuzi�cação, em que realiza a conversão da informação qualitativa em valores crisp. Vimos que, para a aplicação da lógica nebulosa, é preciso realizar um processo de extração de dados, conversão de valores exatos (crisp) em nebulosos (imprecisos), criação de regras, aplicação da inferência e a conversão novamente de valores qualitativos para quantitativos (crisp). Veremos, agora, quais ferramentas são utilizadas para aplicação do processo fuzzy . Como exemplo do processo nebuloso (fuzi�cação, inferência e desfuzi�cação), seria a construção de bases de conhecimento para sistemas especialistas, como o input de conhecimentos médicos, cientí�cos, de engenharias, e outras especialidades. Para () em um processo nebuloso aplicado à construção de um sistema especialista médico para recomendação de dose que quinino (medicamento para o tratamento da malária) para um paciente com possibilidade de pegar malária, os passos seriam: 1. A fuzi�cação das informações seria, por exemplo, a obtenção de informações de mais de um especialista médico em malária. 2. De�nição de conjuntos nebulosos com relação ao destino do paciente: temperatura média, umidade média, proximidade média de grande massas de água e áreas de industrialização. 3. Criação de regras como: a. Regra 1: se “a temperatura for alta” e “a umidade for alta” e “a proximidadeda água for perto” e “a industrialização for baixa” então “a dose de quinino será alta”. b. Regra 2: se “a industrialização for alta” e “a dose quinino será baixa”. E assim por diante. 4. Realizar observações com os conjuntos nebulosos, por exemplo, o exame de cinco indivíduos que irão realizar viagem para uma região de risco de malária: a. temperatura = {80,40,30,90,85} b. umidade = {10,90,40,80,75} c. proximidade da água = {15,45,20,5,45} d. industrialização = {90,10,15,20,10} e. Esses valores de cada pessoa devem ser convertidos para valores nebulosos de pertinência, ou seja, funções nebulosas de pertinência relevantes, por exemplo: pertinência para os valores de temperatura alta. pertinência para os valores de temperatura baixa. f) Substituir os valores de todos os conjuntos nebulosos nas funções de pertinência para todos os viajantes, como exemplo a função de temperatura para viajante A: e 5. Aplicar os valores resultantes no item (f) para todas as regras criadas no item (3), como exemplo a aplicação para a primeira pessoa: a. Digamos que os demais fatores para a primeira pessoa seriam: (umidade alta), (proximidade de água perto), (industrialização baixa), dose de quinino for alta = 0. b. Substituir nas regras, por exemplo, do item (3a): regra 1: se (0,733) e (0,1) e (0,833) e (0), então (0), e assim em todas as regras criadas. c. Com isto, é possível obter conjuntos de doses para cada regra dos cinco viajantes: regra 1 (dose alta) {0;0;0,067;0,0}, Regra 2 (dose baixa) {1;0;0;5;1;0}, e assim para as demais regras. 6. Finalmente, realiza-se a desnebulização ou desfuzi�cação: é necessário desfuzi�car as saídas para obter recomendações da dosagem do quinino. Essa saída é realizada por meio do cálculo do centro de gravidade entre os resultados do item (5c) (dose alta, dose baixa etc.) para cada viajante para saber a dosagem ideal. Vimos que a aplicação do processo nebuloso para os sistemas especialistas são estáveis, ou seja, as regras de�nidas por especialistas não mudam, (x) = { para x >= 25} e {0 para x < 25}PTA x−25 75 (x) = {1 − para x <= 75} e {0 para x > 75}PTB x75 (80) = { = 0, 733}PTA 80−25 75 (80) = 0.PTB =PUA 0, 1 =PPP 0, 833 =PIB 0 contudo pode haver divergências entre esses especialistas (regras vagas). Nesse caso, são utilizadas técnicas de redes neurais arti�ciais (estruturas arti�ciais equivalentes às redes neurais de cérebros humanos, capazes de se adaptar e aprender com novas situações). Ferramentas Para realizar o processo nebuloso, é necessário elaborar a modelagem a partir de ferramentas especí�cas. Uma dessas ferramentas é o MATLAB, do inglês Mat rix Lab oratory. O matlab é um software computacional de modelagem de alta performance que, por meio de ferramentas de lógica nebulosa, consegue modelar cenários através do processo nebuloso. A de�nição do MatLab, segundo Matsumoto (2013, p. 18) é vista “como um software cujos elementos básicos de trabalho são matrizes [...] no qual problemas podem ser facilmente expressos em uma sintaxe muito próxima à notação matemática convencional e, [...] [através] de cálculos computacionais [...]”. O MatLab é dividido em quatro categorias, segundo Matsumoto (2013): Para aplicar um processo nebuloso/ fuzzy , o MatLab possui uma biblioteca denominada Fuzzy Logic Toolbox. saiba mais Saiba mais Para saber mais sobre a Toolbox Fuzzy Logic Toolbox, acesse os vídeos do site da MathWorks. ACESSAR Linguagem de programação MatLab, o qual é uma linguagem de programação nativa, cuja estrutura principal são as matrizes; http://www.mathworks.com/ Além do Matlab, existem diversas outras ferramentas em que é possível realizar a modelagem da lógica Nebulosa ou Difusa. O Saiba Mais mostra o link da ferramenta Flint toolkit. Vimos que a lógica está presente em nossa vida de forma proposicional por meio de sentenças a�rmativas, em circuitos, através dos interruptores binários ou sistemas dicotômicos e na forma nebulosa, através dos valores duvidosos. Sejam conectivos simbólicos ou naturais, lógica proposicional ou nebulosa, a lógica está presente nos mais diversos códigos de programação ou nos algoritmos de pseudocódigos, conectando a linguagem natural com a linguagem de máquina, executando inúmeros cálculos e procedimentos por meio dos poderosos algoritmos e modelos computacionais. Por meio desses algoritmos e códigos de programação, que são desenvolvimento softwares para inúmeras aplicações. Em todas as áreas que envolvem a simbolização da linguagem natural para uma linguagem algorítmica e computacional, a lógica está presente. Ela é algo muito amplo e aplicável computacionalmente e à tecnologia inteligente. Portanto, exploremos, agora, por meio dos tópicos avançados, como a lógica está intrinsecamente ligada à Inteligência Arti�cial. praticar Vamos Praticar Elabore um mapa mental destacando as principais ideias abordadas ao longo do capítulo. Ao produzir seu mapa mental, considere as leituras básicas e complementares realizadas. Dica: em um mapa mental ou estrutura em níveis, você deve ter uma expressão principal, inicie, por exemplo, por ‘Lógica’ e subdivida essa expressão ou termo em novas palavras, dando sentido ao texto, como, por exemplo: a lógica pode ser dividida em sistema booleano e sistemas nebulosos. Dentro de sistema booleano, teríamos os sistemas dicotômicos ou circuitos, por exemplo. A partir desses termos, subdivida em novas expressões ou termos, fracionando a ideia até o melhor entendimento possível. Atualmente, o campo de aplicação da inteligência arti�cial é vasto e se amplia cada vez mais nas diversas áreas de conhecimento. Com a evolução da tecnologia a partir da capacidade de computação dos equipamentos, da quantidade de informação disponível e do advento da Internet, os algoritmos, os sistemas especialistas evolutivos e as redes neurais arti�ciais se tornaram so�sticados e bem mais aplicados. A inteligência arti�cial pode ser dividida em nove principais subáreas: a área de sistemas tutores , relacionada às aplicações na educação e aprendizagem; dos sistemas especialistas , que ajudam nas especialidades de diversas áreas; a pesquisa operacional , que envolve a otimização de recursos e resolução de problemas; no entretenimento relacionado à diversão com jogos ; no planejamento e robótica voltados à e�ciência na manufatura industrial; na mineração de dados voltada à capacidade de previsão e predição (algoritmos de mineração); na visão computacional relacionada à identi�cação de padrões em imagens; no raciocínio automatizado ou provas de teoremas e a área de redes neurais e algoritmos genéticos. Todas essas subáreas podem integrar-se ou se mesclar Tópicos AvançadosTópicos Avançados para resolver os mais complexos problemas que o homem enfrenta, como a baixa produtividade nas indústrias, a falta de precisão em diagnósticos médicos, a tomada de decisão sem suporte de informação de qualidade e outras situações. Técnicas Avançadas de IA Dentro das técnicas IA, Castro e Ferrari (2016) comentam que, paradoxalmente, todos esses avanços tecnológicos, tanto de hardware quanto de comunicação têm trazido um problema de superabundância de dados, pois a capacidade de coletar e armazenar dados tem superado a habilidade de analisar e extrair conhecimento destes. Portanto, nesse novo cenário de Terabytes e Petabytes de informações, é necessária a utilização de técnicas computacionais para a extração de informações de base de dados para a representação do conhecimento e apoio à tomada de decisão. Uma destas técnicas é a mineração de dados ou data mining , que é parte integrante de um processo mais amplo, conhecido como descoberta de conhecimento em base de dados (KDD – knowledge discovery in databases ). A mineração de dados é uma disciplina interdisciplinar e multi áreas, como armazenamento de dados, aprendizagem de máquina, processamento computacional, visão computacional,linguagem natural, segurança da informação, processamento de imagens e de sinais e outros. As aplicações da mineração de dados são vastas devido a sua multidisciplinaridade com a estatística, matemática, engenharia (análise espacial), inteligência arti�cial, banco de dados (recuperação de informações), sistema de informação e visão computacional (reconhecimento de padrões em imagens). A mineração de dados é uma disciplina interdisciplinar e multidisciplinar e de vastas aplicações. De acordo com Castro e Ferrari (2016), as siderúrgicas, por exemplo, utilizam a mineração de dados para alcançar a excelência operacional, aumentando a capacidade produtividade das usinas. Algoritmos de mineração de dados são utilizados para a previsão dos principais elementos químicos do aço (análise de sua conformidade) durante o processo produtivo. Na indústria elétrica, uma das contribuições da mineração de dados é a utilização de algoritmos de predição de demanda de energia elétrica. Castro e Ferrari (2016) comentam que como a energia elétrica só pode ser armazenada em baterias, a única maneira é prever a quantidade de energia que usinas geradoras podem gerar durante cada dia. A predição e planejamento dessa quantidade de produção de energia é realizada por meio de técnicas de análise de dados de previsão de carga (consumo) em curto, médio e longo prazos de um sistema elétrico de potência. Vimos que as técnicas avançadas de IA, como a mineração de dados, são aplicações relacionadas à descoberta do conhecimento (KDD), que utilizam a lógica em seus algoritmos computacionais. Veremos, agora, a atuação da inteligência arti�cial nos diversos cenários e na resolução de problemas. Ferramentas e Cenários de Aplicações A inteligência arti�cial é um área muito ampla que se subdivide em várias subáreas e cada uma com uma abordagem especí�ca, sendo inúmeras suas aplicações para a resolução de problemas de alta complexidade. Para Lima, Pinheiro e Santos (2014), algumas áreas podem ser destacadas, como a matemática na demonstração de teoremas, resolução simbólica de equações e aproximação de funções complexas. Outra área relacionada à IA é de pesquisa operacional, que apoia a otimização de recursos, na resolução de problemas de localização, roteirização, carteiras de investimento, alocação de pessoas, previsão e planejamento etc. A pesquisa operacional é muito utilizada na área industrial e nas organizações de diversos modelos de negócios, para e�cientes tomada de decisões, reduzindo o tempo disponível e aumentando o grau de certeza da decisão. Outras áreas ainda são comentadas por Lima, Pinheiro e Santos (2016), tais como jogos, sistemas tutores (modelagem de aprendizado, escolhas de estratégias pedagógicas, orientação da aprendizagem), percepção (visão, tato, audição, olfato, paladar), robótica (visão, navegação e controle) e sistemas especialistas (extração de conhecimentos, regras e informações como diagnóstico, previsão, monitoramento, análise e solução de falhas em sistemas mecânicos, elétricos, hidráulicos etc.). Outra área que a inteligência arti�cial atua é nos investimentos. Pontes (2011) comenta que as aplicações de técnicas de IA, nos investimentos, estão relacionados à administração de aplicações �nanceira e ao gerenciamento da carteira de investimentos por meio do apoio dos algoritmos evolutivos, sistemas especialistas evolutivos e redes neurais arti�ciais. Hoje, algoritmos inteligentes permitem que os computadores armazenem grande quantidade de conhecimento sobre operações no mercado sobre operações no mercado e esses sistemas são capazes de praticar as negociações reconhecendo padrões de difícil percepção para o ser humano, e com a capacidade adicional de efetivamente aprender com os sucessos e fracassos obtidos de cada uma das operações (PONTES, 2011, p. 9). Luger (2013) divide a aplicação da inteligência arti�cial em disciplinas que podem ser classi�cadas em jogos, raciocínio automatizado ou provas de teoremas, sistemas especialistas, compreensão da linguagem natural e modelagem semântica, modelo do desempenho humano, planejamento e robótica, linguagens e ambientes para IA, aprendizado máquina e redes neurais, e algoritmos genéticos. Podemos representar as aplicações e as disciplinas de IA em nove subáreas ou disciplinas: Pesquisa Operacional (otimização de recursos e resolução de problemas). Entretenimento (jogos eletrônicos utilizando estratégias e a simulação de comportamentos próximo do humano). Sistemas tutores (apoio no aprendizado). Planejamento e robótica (automação, precisão e controle). Mineração de dados (busca de padrões e descoberta do conhecimento). Visão computacional (é uma área da computação grá�ca para o reconhecimento de padrões em imagens digitais e na identi�cação de ambientes para a segurança monitorada, identi�cação de defeitos em produtos em uma linha de produção). Raciocínio automatizado ou provas de teoremas (resolução simbólica e cálculos complexos). Redes neurais e algoritmos genéticos (aprendizagem máquina, diagnóstico de falhas na operação de sistemas, aprendizado no reconhecimento de voz, robôs no desarmamento de bombas, mercado �nanceiro etc.). Sistemas especialistas (simulação do raciocínio de um especialista). Figura 2.6 - Disciplinas de inteligência (círculos azuis) e as aplicações relacionadas às disciplinas (triângulos) Fonte: Elaborada pelo autor. reflita Re�ita Tudo o que digitamos, compartilhamos, armazenamos e solicitamos em um computador e na rede da Internet é baseado na lógica computacional? A Figura 2.6 ilustra um diagrama com as nove principais disciplinas ou subáreas da inteligência arti�cial com as respectivas aplicações. Pode ocorrer que várias disciplinas se mesclem em termos de funcionalidades, é o caso, por exemplo, da robótica, que pode utilizar-se da visão computacional (visão e tato dos robôs ou equipamentos de identi�cação) e outras áreas, como as de redes neurais, sistemas especialistas, mineração de dados ou de sistemas tutores (para o aprendizado máquina). A forte in�uência da tecnologia computacional, da automação, dos sistemas integrados, das grandes capacidades dos bancos de armazenamento de dados, da internet e do processo evolutivo computacional fez com que a inteligência arti�cial ampliasse o seu campo de aplicação para a melhoria da qualidade de vida dos seres humanos. praticar Vamos Praticar A inteligência arti�cial é uma área muito ampla que se subdivide em várias subáreas e cada uma com uma abordagem especí�ca, sendo inúmeras suas aplicações para a resolução de problemas de alta complexidade. Assinale a alternativa que apresenta uma subárea da inteligência arti�cial, cujas aplicações estão relacionadas ao apoio na otimização de recursos, na resolução de problemas de localização, roteirização, carteiras de investimento, alocação de pessoas e previsão e planejamento. a) Sistemas e tutores. b) Pesquisa operacional. c) Mineração de dados. d) Raciocínio automatizado. e) Visão computacional. indicações Material Complementar LIVRO Inteligência Arti�icial Ben Coppin Editora: LTC ISBN: 978-85-216-2935-1 Comentário: uma leitura técnica intensiva sobre a Inteligência Arti�cial, especi�camente sobre a lógica proposicional, lógica proposicional de primeira ordem e as metodologias de buscas de profundidade, amplitude, suas propriedades, implementações e aplicações. Uma ótima leitura para o aprofundamento de nossos estudos. FILME O futuro em 2111: documentário da Discovery Channel Ano: 2013 Comentário: um documentário que apresenta uma perspectiva sobre o futuro em 2111, por meio de diversas aplicações, como nos diagnósticos médicos, cidades inteligentes, roteirização e tecnologias que irão mudar a vida dos humanos. Esse futuro está nascendo hoje, por meio das diversas áreas da inteligência arti�cial, como a visão computacional, a robótica, os sistemas especialistas e os sistemas inteligentes para a resoluçãode problemas. Para conhecer mais sobre o �lme, acesse o trailer . TRA ILER conclusão Conclusão Compreendemos a importância da utilização da Lógica booleana e nebulosa nos dias de hoje, base para a escrita de códigos de programação e de sistemas utilizados nas empresas, indústrias e no campo. É ela que conecta a linguagem binária (zeros e uns) dos processadores, com a linguagem natural das proposições e da programação de alto nível. É aplicada nas mais diversas áreas da inteligência arti�cial; portanto, sem a lógica booleana, as tarefas de comparações e decisões computacionais, para a manipulação de dados, tornariam-se impossíveis e, certamente, os computadores não existiriam. É mediante a lógica que é realizada a comunicação entre máquinas e humanos. referências Referências Bibliográ�cas BISPO, C. A. F.; CASTANHEIRA, L. B.; SOUZA FILHO, O. W. Introdução à Lógica Matemática . São Paulo: Cengage Learning, 2011. CASTRO, L. N. de; FERRARI, D. G. Introdução à Mineração de Dados : conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. COPPIN, B. Inteligência Arti�cial . Rio de Janeiro: LTC, 2013. HEGENBERG, L. Lógica : cálculo sentencial. Cálculo de Predicados. Cálculo com Igualdade. Rio de Janeiro: Forense Universitária, 2012. LEITE, E. A.; CASTANHEIRA, N. P. Raciocínio lógico e lógica quantitativa . Curitiba: InterSaberes, 2017. LIMA, D. M. de; GONZALEZ, L. E. F. Matemática aplicada à informática . Porto Alegre: Bookman, 2015. LIMA, I.; PINHEIRO, C. A. M.; SANTOS, F. A. O. Inteligência Arti�cial . Rio de Janeiro: Editora Campus, 2014. LUGER, G. F. Inteligência arti�cial . 6. ed. São Paulo: Pearson Education do Brasil. 2013. MACHADO, N. J.; Da CUNHA, M. O. Lógica e Linguagem cotidiana : verdade, coerência, comunicação e argumentação. 2. ed. Belo Horizonte: Autêntica, 2008. MATSUMOTO, È. Y.; MatLab R2013a : teoria e programação. Guia prático. São Paulo: Editora Érica, 2013. NICOLETTI, M. do C. A cartilha da lógica . 3. ed. Rio de Janeiro: LTC, 2017. PONTES, R. Inteligência Arti�cial nos Investimentos . Rio de Janeiro: Clube dos Autores, 2011. SAMPAIO, L. M. D.; M. J. F. de; IGNACIO, A. B. V. Lógica Nebulosa : aplicações e tendências. Rio de Janeiro: UFRJ, 2007. SIMÕES, M. G.; SHAW, I. S. Controle e modelagem Fuzzy . São Paulo: Blucher, 2007. SOUZA, J. N. de. Lógica para ciência da computação e áreas a�ns . 3. ed. Rio de Janeiro: Elsevier, 2015.
Compartilhar