Inteligência Artificial - aula04

Prévia do material em texto

FUNDAMENTOS DE IA,EVOLUÇÃO TECNOLÓGICA E 
O FUTURO DA TECNOLOGIA
WEB 4
PROF. ANDRE TIBA
Objetivos da unidade:
1º: Algoritmo Genético
2º: Aprendizagem de Máquina
3º: Perceptron
4º: Multilayer Perceptron
2
Objetivos da unidade:
1º: Algoritmo Genético
2º: Aprendizagem de Máquina
3º: Perceptron
4º: Multilayer Perceptron
3
Algoritmo Genético
• O algoritmo genético é um algoritmo computacional
criado para trabalhar em problemas de otimização e tem
seu funcionamento inspirado na seleção natural.
• Seleção natural:
• Apenas os indivíduos mais fortes sobrevivem.
• Problema de otimização:
• Encontrar a solução com menos custo para o problema.
• Ex: Percorrer 10 cidades usando o caminho mais rápido.
4
Problema com Algoritmo Genético
• Objetivo:
• Um programador está desenvolvendo um jogo
que simula a seleção natural.
• Ambiente:
• Nesse jogo, diversos besouros são criados para
interagirem com uma floresta negra.
• Desafio:
• Ele gostaria de avaliar como esses besouros
sobrevivem ao longo do tempo de acordo com
as suas cores.
• Regras:
• Besouros mais escuros se adaptam melhor,
besouros mais claros ficam expostos e morrem
mais rápido.
5
Iniciando Indivíduos 
• Indivíduo:
• Representa uma solução distinta para o
problema.
• Cada solução é representada por um
vetor de três posições, que
representam as cores do besouro.
6
• Genoma:
• O vetor de cores é chamado de
genoma.
• Cada elemento do genoma é chamado
de gene ou cromossomo.
• O valor atribuído a cada gene é
chamado de alelo.
Avaliando um Indivíduo
• Função de aptidão (fitness):
• Calcula o nível de adaptação de cada individuo
para a floresta negra.
• Essa função recebe como parâmetro o vetor
RGB do individuo.
• A função retorna valores próximos a 1 para
vetores com RGB mais próximos da cor preta.
• A função retorna valores próximos a 0 para
vetores com RGB mais próximos da cor branca.
7
Criando Vários Indivíduos 
• População:
• Conjunto de indivíduos com diferentes níveis
de adaptação (soluções) para o problema
(floresta negra).
• Os indivíduos são criados de forma aleatória.
• Avaliação dos indivíduos:
• Todos os indivíduos são avaliados para o
problema, ou seja, calcula-se para cada um sua
função de fitness.
8
Seleção dos Indivíduos Mais Fortes
• Cross-over:
• Pares de indivíduos são selecionados
aleatoriamente e seus genomas são
combinados.
• A combinação dos indivíduos gera
novos indivíduos.
• Mutação:
• Indivíduos são escolhidos
aleatoriamente e alguns dos seus
genes são modificados.
9
Procedimento Geral do Algoritmo Genético
10
Seleção de 
alguns 
indivíduos
Cross-over e 
mutação
Substituição 
dos antigos 
indivíduos
Avaliação de 
cada 
indivíduo
Inicialização da 
população
Termina o 
algoritmo
Resultado do Algoritmo Genético
• Ao final da execução, o algoritmo
apresenta para o usuário diversas
soluções para o problema.
• Geralmente a solução ótima (melhor de
todas) é utilizada para o problema.
• O algoritmo genético pode ser aplicado a
problemas discretos e contínuos.
11
Algoritmo Genético em Python
12
• https://drive.google.com/drive/folders/1WHXMqIENwizVa38kQ3u-4-dMvZ5znqhd?usp=sharing
Algoritmo Genético em Python
13
Algoritmo Genético em Python
14
Algoritmo Genético em Python
15
Objetivos da unidade:
1º: Algoritmo Genético
2º: Aprendizagem de Máquina
3º: Perceptron
4º: Multilayer Perceptron
16
Aprendizado em Machine Learning
17
Tipos de 
Aprendizado
Aprendizado 
Supervisionado
Aprendizado Não-
supervisionado
Aprendizado por 
Reforço
Aprendizado Supervisionado
18
• São apresentados ao computador
exemplos de entradas e saídas
desejadas, fornecidas por um
“professor”.
• O objetivo é aprender uma regra geral
que mapeia as entradas e saídas.
• Exemplos de entrada e saída:
• Entrada: foto; Saída: nome da pessoa.
Algoritmo
Aprendizado Não-supervisionado
19
• Nenhum tipo de saída é dada ao
algoritmo de aprendizado. O algoritmo
por conta própria forma grupos com os
dados mais semelhantes.
• Descobrir padrões nos dados:
• Identificar grupos:
• Exemplos de entradas:
• Entrada: várias fotos de três pessoas
diferentes.
Aprendizado Por Reforço
• O programa desempenha uma
atividade em um ambiente
dinâmico.
• O ambiente dinâmico fornece ao
programa premiações e punições,
na medida que ele explora as
opções.
• Exemplo:
• Melhorar a estratégia de jogo apenas
jogando contra um oponente.
20
Aplicações do Aprendizado Supervisionado
21
• Classificação:
• Classificar novos exemplos em grupos
existentes.
• Ex: reconhecimento facial.
• Regressão:
• Estimar um valor flutuante baseando em
informações passadas.
• Ex: previsão do mercado de ações.
Aplicações do Aprendizado Não-Supervisionado
22
• Agrupamento de dados:
• Verifica os dados mais semelhantes e os
agrupa.
• Ex: agrupar fotos da mesma pessoa.
• Sistemas de Recomendação:
• Baseado nas características do usuário,
recomenda opções semelhantes.
• Ex: recomendação de produtos ou filmes.
Aplicações do Aprendizado Por Reforço
• IA em Games:
• Verifica quais golpes geram mais efeitos e quais
são mais punidos.
• Ex: níveis de dificuldade em jogos de luta.
• Navegação de Robôs:
• Aprende a navegar pelo terreno a partir da
experiência.
• Ex: robôs enviados para navegar em marte.
23
Objetivos da unidade:
1º: Algoritmo Genético
2º: Aprendizagem de Máquina
3º: Perceptron
4º: Multilayer Perceptron
24
Motivação para o Perceptron
• Perceptron foi o primeiro modelo de rede
neural artificial, proposto por Frank
Rosenblatt em 1957.
• Foi implementado em hardware para
resolver problemas linearmente separáveis.
• Classificador linear: capacidade de separar
duas classes com uma reta.
25
Arquitetura do Perceptron
26
Perceptron Arquitetura
27
• As entradas são binárias:
• Os pesos podem ser negativos ou positivos:
• Regra de propagação:
• A saída binária é determinada pela regra de ativação
Perceptron Treinamento
28
Recebe os dados das duas 
classes (1 e 0)
Inicia os pesos da rede 
aleatoriamente
Pega uma entrada aleatória do 
conjunto de dados
Verifica a classe da observação e 
movimenta a reta em direção da 
sua classe
Perceptron Treinamento
29
• Obs: A reta é ajustada na medida que novos dados são recebidos.
Perceptron em Python
30
• https://drive.google.com/drive/folders/1WHXMqIENwizVa38kQ3u-4-dMvZ5znqhd?usp=sharing
Objetivos da unidade:
1º: Algoritmo Genético
2º: Aprendizagem de Máquina
3º: Perceptron
4º: Multilayer Perceptron
31
Motivação para Multilayer Perceptron (MLP)
• O perceptron era um modelo
extremamente limitado. Possuía bom
desempenho apenas para problemas
linearmente separáveis.
• Problemas mais complexos, como por
exemplo a porta XOR, eram impossíveis
de serem resolvidos com o perceptron.
32
Problema da porta XOR
Motivação para Multilayer Perceptron (MLP)
• Devido a limitação do perceptron, diversas
pesquisas foram realizadas com a finalidade de
solucionar o problema da porta XOR.
• Nesse sentido surgiu a rede neural Multilayer
Perceptron (MLP).
• O MLP é uma rede neural semelhante ao
perceptron, mas com mais de uma camada de
neurônios em alimentação direta. Além disso
possui ativações não-lineares.
33
MLP Arquitetura
34
MLP Arquitetura
• Computação da camada de entrada:
• Ativação da camada escondida:
• Computação da camada de saída:
35
MLP Treinamento – Algoritmo Backpropagation
36
• O algoritmo backpropagation
consiste em duas fases:
1. O passo para frente: as entradas são
passadas através da rede e as
previsões de saída obtidas.
2. O passo para trás: calcula-se o
gradiente da função de perda na
camada de saída. O Gradiente é
utilizado para atualizar os pesos da
rede.
MLP Fronteiras de Decisão
37
Capacidade de Generalização das Redes Neurais
38
• Treinamento: utiliza-se os dados para ensinar a rede os 
padrões existentes.
• Validação: utilizado APENAS para avaliar o desempenho da 
rede DURANTE o treinamento em dados não treinados 
(Generalização).• Teste: simula uma situação real, em que a rede seria 
utilizada como uma ferramenta de tomada de decisão.
• Critério de parada: aumento do erro
no conjunto de validação.
MLP em Python
39
• https://drive.google.com/drive/folders/1WHXMqIENwizVa38kQ3u-4-dMvZ5znqhd?usp=sharing
Síntese:
• Algoritmo genético:
• População, cross-over e mutação.
• Tipos de Aprendizagem:
• Aprendizado supervisionado.
• Aprendizado não-supervisionado.
• Aprendizado por reforço.
• Redes neurais supervisionadas:
• Perceptron.
• Multilayer perceptron.
40
Próxima Aula
41
•Algoritmo ID3
Árvores de Decisão
•Teoria dos Conjuntos
Lógica Nebulosa
FUNDAMENTOS EM INTELIGÊNCIA ARTIFICIAL 
Webconferência III – Aprendizagem, Redes Neurais e Algoritmo Genético
Professor: André Tiba