AB2 - PROVA DE APRENDIZAGEM DE MÁQUINA 2021 1

Prévia do material em texto

PROVA DE APRENDIZAGEM DE MÁQUINA
Prof. Dr. Aydano Machado
Instruções para a prova:
Antes lembro que o Código de Honra vale para todas as atividades da
disciplina:
Código de Honra
"Como membro da comunidade deste curso, não vou participar
nem tolerar a desonestidade acadêmica".
A prova será individual, sem consulta e durante o horário da disciplina.
As respostas podem ser diretas, porém completas. Deixe em um nível de detalhe que eu
entenda que você conhece cada passo necessário para implementar sua resposta.
Demonstre o que você entendeu o assunto abordado na questão sem a necessidade de ser
prolixo. Pode citar e explicar com um algoritmo ou técnica que você aprendeu.
Digite suas respostas neste mesmo documento.
Questões
1. Descreva um dos algoritmos não-supervisionado: k-means, k-medoids ou dbscan?
Resposta: O algoritmo k-means tem o objetivo de realizar o agrupamento dos elementos
fornecidos a partir da similaridade entre eles. Para isso, a partir da definição do número de
grupos, isto é, o valor de k, ele inicia colocando os centróides (centros de cada grupo) em k
pontos aleatórios do espaço. A cada interação, ele avalia a distância de cada elemento em
relação a cada centróide, definindo o grupo que o elemento pertence ao centróide mais
próximo. Assim, ao final de cada interação, é calculado o ponto médio dos elementos de
cada grupo e ajustado o valor do seu respectivo centróide para tal posição. Esse processo é
repetido até que todos os centróides estabilizem, isto é, que a distância do centróide e o
ponto médio dos elementos do seu grupo seja zero.
2. Que algoritmo de clustering você usaria para cada um dos datasets da figura
abaixo? Explique o porquê da sua escolha.
Resposta:
● Database 1: Neste caso, o algoritmo mais indicado é o k-means, pois é possível
observar que os elementos seguem uma distribuição bastante regular,
aproximando-se de um formato circular, contribuindo para um melhor
posicionamento dos centróides;
● Database 2: Neste caso, o algoritmo mais indicado é o dbscan, pois, como ele se
baseia em densidade de grupos, é possível lidar melhor com formas irregulares de
grupos;
● Database 3: Neste caso, o algoritmo mais indicado é o k-medoids, pois, como há a
presença de alguns grupos com distribuição regular, mas com a presença intensa de
ruída, o k-medoids sempre colocará a posição do centróide na mesma posição de
algum elemento existente.
3. Descreva o algoritmo de mineração de regras de associação Apriori.
Resposta: O algoritmo Apriori gera regras de associação a partir dos suportes delas. Ele
inicia formando regras de tamanho 1, selecionando os elementos que cumpram o requisito
do suporte mínimo fornecido. Após isso, ele incrementa em 1 o número de elementos da
regra realizando a junção e poda de regras:
● Para realizar a junção, o algoritmo seleciona duas regras e verifica se possuem os
mesmos elementos, com exceção do último. Caso essa condição seja confirmada,
ela realiza a junção das regras. Caso não, ela não realiza. Ex.: se a regra
(A,B,C,D,E) é comparada com (A,B,C,D,F) haverá a junção; já se a regra
(A,B,C,D,E) é comparada com (B,C,D,F,Z), então não há junção;
● Para realizar a poda, o algoritmo seleciona uma regra de tamanho n e verifica se
existe alguma regra de tamanho n-1 que tenha todos os mesmos elementos da
regra de tamanho n com exceção do primeiro. Caso essa condição seja confirmada,
ela não realiza a poda da regra. Caso não, ela realiza. Ex.: A regra (A,B,C,D,E) é
selecionada e o algoritmo verifica se existe uma regra (B,C,D,E). Caso exista, não é
podada; caso não exista, é podada.
Assim, o algoritmo continua gerando novas regras que satisfaçam as condições
apresentadas até que não seja mais possível. Ao final, as regras geradas são retornadas.
4. Explique como funciona a aprendizagem por reforço e o Q-learning.
Resposta: A aprendizagem por reforço é baseada na construção de conhecimento a partir
da interação do agente com o ambiente. Dessa forma, não são conhecidos todos os
detalhes do ambiente a ser executado, mas sim há um enfoque nas respostas fornecidas
pelas interações e no objetivo a ser alcançado. Há alguns pontos importantes a se pensar
quando se realiza esse tipo de abordagem:
● Existe a preocupação com relação ao retorno atrasado, isto é, o melhor resultado
globalmente ser alcançado com ações que gerem resultados piores localmente, pois
se o agente ficar buscando sempre o ótimo resultado momentâneo, ele pode ficar
preso em um ótimo local, nunca chegando ao objetivo global;
● Dilema entre investigar e explorar, ou seja, decidir quando é o momento do agente
buscar novas informações e quando é o momento do agente usar as informações
que já tem para ir atrás do objetivo.
Com relação ao Q-learning, ele é um algoritmo de reforço que busca realizar a atualização
da valor-ação Q visando a convergência com Q* a partir da absorção parcial das diferenças
entre valores encontrados. Funciona da seguinte forma:
● Q(estado,ação) é inicializado de forma arbitrária;
● A cada interação, o estado é iniciado;
● A cada passo da interação, escolhe-se a ação para o estado baseado na política
derivada de Q, de maneira gulosa;
● Observar o retorno imediato e o próximo estado, tal que:
Q(estado atual, ação) <- Q(estado atual, ação) + coeficiente de aprendizado [retorno
imediato + Diferença entre Q(estado atual, ação) e Q(próximo estado, ação) ]
● Repetir o processo até o estado final.