Avaliação Final (Discursiva)

Prévia do material em texto

Disciplina: Inteligência Artificial (INF29) 
Avaliação: Avaliação Final (Discursiva) - Individual FLEX ( Cod.:455782) ( peso.:4,00) 
Prova: 13307138 
Nota da Prova: 4,85 
1. A representação do conhecimento é um dos aspectos mais importantes na definição da técnica de 
Inteligência Artificial a ser aplicada na resolução de um problema. Dentre as técnicas mais utilizadas, 
podemos destacar as redes semânticas e as redes de quadros ou frames. Disserte sobre a possibilidade de 
transformar uma rede semântica em uma rede de quadros e os passos necessários para esta atividade. 
Resposta Esperada: 
Tanto a transformação de rede semântica para rede de quadros quanto a operação inversa são possíveis. Para 
transformar uma rede semântica em uma rede de quadros, basta verificar quais nodos se conectam entre si e 
quais as relações entre estes. Escolhe-se um nodo principal e todos os nodos que têm relacionamento TEM 
são transformados em propriedades. Por exemplo, um dono TEM um cachorro. Os demais relacionamentos 
também podem ser transformados em propriedades, exceção feita ao relacionamento do tipo É-UM, que 
quando encontrado deve ser transformado em um relacionamento de herança entre quadros. Por exemplo, 
dizer que o quadro cachorro É-UM animal de estimação, é dizer que este faz uso das propriedades de animal 
de estimação. 
 
2. Em uma faculdade, notou-se que existe um alto grau de evasão em determinada disciplina, chegando a 
aproximadamente 47% dos acadêmicos. Objetivando descobrir os motivos que causam tamanha evasão e 
atuar para resolvê-los, a coordenação do curso chamou sua empresa de consultoria em Tecnologia da 
Informação. Qual das técnicas de inteligência artificial seria a mais adequada para agrupar os dados e 
descobrir os motivos da evasão? Disserte sobre os motivos que nortearam sua escolha. 
Resposta Esperada: 
Apesar de o problema permitir a utilização de redes neurais artificiais e computação evolutiva, a técnica que 
mais se enquadra é o aprendizado de máquina não supervisionado. Isto ocorre porque tudo que temos é uma 
massa de dados onde 47% se enquadram em determinado grupo e 53% não. Não existe característica 
específica para ?ensinarmos? aos dados, como, por exemplo, classe social ou tempo entre Ensino Médio e 
Ensino Superior. Da mesma forma, não sabemos quais características estão agrupadas nestes alunos do 
grupo de saída. O aprendizado não supervisionado, através de iterações sucessivas, separará os acadêmicos 
em clusters com características comuns, permitindo que padrões sejam encontrados entre os desistentes.