Tema 10 - SLIDE PPT - Revisão

Prévia do material em texto

Inteligência Artificial
Aula revisão geral (AV2 e AV3)
Profª Daisy Albuquerque
1
Sumário
Profª Daisy Albuquerque
2
2
Unidade 1: Introdução
Unidade 2: O Paradigma Conexionista
Unidade 3: Sistemas Especialistas
Unidade 4: Computação Evolucionária
Unidade 1- Introdução
Inteligência Humana e Inteligência Artificial.
Introdução ao Aprendizado de Máquina.
Aplicações e Limitações da Inteligência Artificial.
Profª Daisy Albuquerque
3
Inteligência Artificial
A Inteligência Artificial (IA) tenta entender como pensamos, isto é, como um mero punhado de matéria pode perceber, compreender, prever e manipular um mundo muito maior e mais complicado que ela própria e também construir entidades inteligentes.
Profª Daisy Albuquerque
4
4
Profª Daisy Albuquerque
5
Tipos de Aprendizado
Aprendizado Supervisionado
Aprendizado Não-Supervisionado
Aprendizado Semi-Supervisionado
Aprendizado por Reforço
Profª Daisy Albuquerque
6
Tipos de Aprendizado
Aprendizado Supervisionado
A máquina é treinada com observações rotuladas (acompanhadas da resposta correta)
Aprende a inferir a resposta correta para observações não-rotuladas recebidas posteriormente
Aprendizado Não-Supervisionado
Aprendizado Semi-Supervisionado
Aprendizado por Reforço
Profª Daisy Albuquerque
7
Tipos de Aprendizado
Aprendizado Supervisionado
Aprendizado Não-Supervisionado
A máquina é treinada com observações não-rotuladas (sem acesso à resposta correta)
Aprende a identificar padrões e estruturas nos dados recebidos (agrupamentos, anomalias, subespaços, etc.)
Aprendizado Semi-Supervisionado
Aprendizado por Reforço
Profª Daisy Albuquerque
8
Tipos de Aprendizado
Aprendizado Supervisionado
Aprendizado Não-Supervisionado
Aprendizado Semi-Supervisionado
Híbrido entre supervisionado e não-supervisionado
Tem o mesmo objetivo do supervisionado (inferir a resposta correta para observações não-rotuladas), mas somente uma pequena parte das observações utilizadas no treinamento são rotuladas.
Aprendizado por Reforço
Profª Daisy Albuquerque
9
Tipos de Aprendizado
Aprendizado Supervisionado
Aprendizado Não-Supervisionado
Aprendizado Semi-Supervisionado
Aprendizado por Reforço
A máquina é treinada para otimizar um comportamento (ex: vencer um jogo, realizar uma tarefa com sucesso, aprender uma habilidade).
O treinamento se dá por meio de mecanismos de recompensa e punição para as ações da máquina durante sua interação com um meio externo (real ou simulado).
Profª Daisy Albuquerque
10
Unidade 2- 
O Paradigma Conexionista
O Neurônio Biológico e o Neurônio Artificial.
Redes Neuronais Artificiais.
Aplicações: Como ferramenta de mineração de dados, Sistemas de Recomendação, Detecção de Anomalias.
Profª Daisy Albuquerque
11
Perceptron
1º passo:
Somatório = Σ . + . + ... + . + 
2º passo:
Função de ativação φ(θ)
3º passo:
Saída 
20/08/2019
Profa Daisy Albuquerque
12
Exemplo
Simulação do Operador Lógico
20/08/2019
Profa Daisy Albuquerque
13
	AND			t
	Entrada 1	0	0	0
	Entrada 2	0	1	0
	Entrada 3	1	0	0
	Entrada 4	1	1	1
	OR			t
	Entrada 1	0	0	0
	Entrada 2	0	1	1
	Entrada 3	1	0	1
	Entrada 4	1	1	1
	NOT		
	Entrada 1	0	1
	Entrada 2	1	0
Exemplo
Simulação do Operador Lógico AND
Entrada 1: = Σ . + . 
 = 0x1+ 0x1 = 0 (=0|=0| = t)
Entrada 2: = Σ . + . 
 = 0x1 + 1x1 = 1 (=1|=0| = t)
Entrada 3: = Σ . + . 
 = 1x1 + 0x1 = 1 (=1|=0| = t)
Entrada 4: = Σ . + . 
 = 1x1 + 1x1 = 2 (=2|=1|= t)
20/08/2019
Profa Daisy Albuquerque
14
	AND			t
	Entrada 1	0	0	0
	Entrada 2	0	1	0
	Entrada 3	1	0	0
	Entrada 4	1	1	1
Sendo t é o resultado esperado.
Limiar de ativação: θ =2
Pesos iniciais: , 
Potencial de ativação: =Σ . + . 
Função de Ativação 
Exemplo
Simulação do Operador Lógico OR
Entrada 1: = Σ . + . 
 = 0x1+ 0x1 = 0 (=0|=0| = t)
Entrada 2: = Σ . + . 
 = 0x1 + 1x1 = 1 (=1|=1| = t)
Entrada 3: = Σ . + . 
 = 1x1 + 0x1 = 1 (=1|=1| = t)
Entrada 4: = Σ . + . 
 = 1x1 + 1x1 = 2 (=2|=1| = t)
20/08/2019
Profa Daisy Albuquerque
15
	OR			t
	Entrada 1	0	0	0
	Entrada 2	0	1	1
	Entrada 3	1	0	1
	Entrada 4	1	1	1
Sendo t é o resultado esperado.
Limiar de ativação: θ =1
Pesos iniciais: , 
Potencial de ativação: =Σ . + . 
Função de Ativação 
Exemplo
Simulação do Operador Lógico NOT
Entrada 1: = Σ . 
 = 0x0 = 0 (=0|=1| = t)
Entrada 2: = Σ . 
 = 1x-1 = -1 (=-1|=0| = t)
20/08/2019
Profa Daisy Albuquerque
16
	NOT		
	Entrada 1	0	1
	Entrada 2	1	0
Sendo t é o resultado esperado.
Limiar de ativação: θ = 0
Pesos iniciais: , 
Potencial de ativação: =Σ . + . 
Função de Ativação 
Considerações importantes
Modelos Conexionistas ou Redes Neurais Artificiais formam um paradigma de IA que tem inspiração no comportamento do cérebro.
Características principais:
Processam a informação de forma paralela e distribuída.
Generalizam conhecimento aprendido.
Lidam com conhecimento não simbolicamente representado.
Utiliza algoritmos complexos pra imitar o funcionamento do cérebro humano. 
Profª Daisy Albuquerque
17
Unidade 3- 
Sistemas Especialistas
Árvore de Decisão.
Lógica Nebulosa
Profª Daisy Albuquerque
18
Árvore de Decisão
Cada nó interno da árvore corresponde a um teste do valor de uma propriedade.
Os ramos dos nós são rotulados com os resultados possíveis do teste.
Cada nó folha da árvore específica o valor a ser retornado se aquela folha for alcançada.
Construção de uma Árvore de Decisão
1º passo: Calcular a entropia inicial
 Temos 9 exemplos da classe “Yes” e 5 da classe “No.
 
 Logo a entropia é 
9/14*log(9/14) - 5/14*log(5/14) = 
 0.410 + 0.530 = 
 0.940 
Construção de uma Árvore de Decisão
2º passo: Calcular o ganho de informação de cada campo
Outlook: 
0.940 – {(5/14)*[-2/5 log(2/5) - 3/5 log(3/5)] 
 + (4/14)*[4/4 log(4/4)] 
 + (5/14)*[-2/5 log(2/5) - 3/5 log(3/5)]} = 
 0.940 – (10/14)*0.971 = 
 0.247 
Fazendo cálculos similares obtemos: 
ganho(Temperature) = 0.029 
ganho(Humidity) = 0.151 
ganho(Windy) = 0.048 
Logo o atributo com maior ganho é Outlook.
Ele será escolhido como raiz da árvore.
Selecionando o atributo
Qual atributo é o melhor classificador?
Considerações importantes
Árvores de Decisão é uma das técnicas utilizadas em Sistemas Especialistas.
Características principais:
Cria e organiza regras de classificação em formato de diagramas, que vão ordenar as observações ou predizer resultados futuros.
Utiliza técnica de estratificação, que determina regras para que se possa designar cada caso a uma dentre várias categorias existentes. 
Profª Daisy Albuquerque
23
Lógica Nebulosa
	A Lógica Nebulosa ou Fuzzy é baseada na teoria dos conjuntos fuzzy.
	Tradicionalmente, uma proposição lógica tem dois extremos: 
completamente verdadeiro, ou
completamente falso. 
	Entretanto, na lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa.
Lógica Nebulosa
	A inferência Fuzzy é uma relação lógica que obedece à mesma tabela verdade da Implicação Modus Ponens da lógica proposicional tradicional (lógica crisp). 
	A diferença é que na lógica crisp, a regra é acionada somente se a premissa for verdadeira e na lógica fuzzy a regra á acionada quando a premissa possui um grau de pertinência diferente de zero.
Etapas do raciocínio Fuzzy
1ª Fuzzificação
 2ª Inferência
 3ª Defuzzificação
 Agregação
 Composição
1ª Fuzzificação
Etapa na qual as variáveis linguísticas e as funções de pertinência são definidas de forma subjetiva.
Engloba: 
Análise do Problema 
Definição das Variáveis 
Definição das Funções de pertinência 
Criação das Regiões
Na definição das funções de pertinência para cada variável, diversos tipos de espaço podem ser gerados:
 Triangular, Trapezoidal, ...
Fuzzificação
Triangular
Frio
Normal
Quente
Trapezoidal
Lento
Rápido
2ª Inferência Fuzzy
Etapa na qualas proposições (regras) são definidas e depois são examinadas paralelamente.
Engloba:
Definição das proposições
Análise das Regras
Criação da região resultante
2ª Inferência Fuzzy
O mecanismo chave do modelo Fuzzy é a proposição.
A proposição é o relacionamento entre as variáveis do modelo e regiões Fuzzy.
Na definição das proposições, deve-se trabalhar com:
Proposições Condicionais:
		Se W == Z então X = Y
Proposições Não-Condicionais:
		X = Y
2ª Inferência Fuzzy
Agregação: 
Se Calcula a importância de uma determinada regra para a situação corrente
Composição: 
Se Calcula a influência de cada regra nas variáveis de saída.
3ª Defuzzificação
Etapa no qual as regiões resultantes são convertidas em valores para a variável de saída do sistema.
Esta etapa corresponde a ligação funcional entre as regiões Fuzzy e o valor esperado.
Dentre os diversos tipos de técnicas de defuzzificação destaca-se:
Centróide
First-of-Maxima
Middle-of-Maxima 
Critério Máximo
Defuzzificação
Exemplos:
z0
z0
z0
Centróide
First-of-Maxima
Critério Máximo
Unidade 4- 
Computação Evolucionária
Algoritmo Genético
Profª Daisy Albuquerque
34
Uma definição simplista
	Algoritmos Genéticos 
são técnicas de
otimização global
inspiradas na
Teoria da Evolução das Espécies.
Isto é...
Algoritmos Genéticos
são algoritmos de busca inspirados na 
teoria da evolução, 
seleção natural e
nos processos biológicos envolvidos.
são algoritmos evolutivos que usam técnicas inspiradas pela biologia evolutiva como: hereditariedade, mutação, seleção natural e recombinação (ou crossing over).
Cruzamento (“crossover): é a troca de informação genética entre indivíduos (mistura de soluções).
Mutação: é a alteração aleatória de parte do genótipo (no AG clássico, 1 bit).
Operações Genéticas Clássicas
Cruzamento (“crossover”)
1 0 1 0 1 0 0 0 1 1 
0 0 0 1 1 0 0 0 0 1 
1 0 1 0
0 0 0 1
1 0 0 0 1 1 
1 0 0 0 0 1 
Pais
Filhos
Ponto de crossover (escolhido aleatoriamente)
Cruzamento (“crossover”)
Mutação
Escolhe-se uma posição aleatoriamente e inverte-se este bit.
1 0 1 0 0 0 0 0 1 1 
Antes da mutação
Ponto de mutação (escolhido aleatoriamente)
Mutação
Escolhe-se uma posição aleatoriamente e inverte-se este bit.
Antes da mutação
Ponto de mutação (escolhido aleatoriamente)
1 0 1 0 1 0 0 0 1 1 
Mutação
Considerações importantes
Algoritmos Genéticos
Em um algoritmo genético uma população de indivíduos (cromossomos) representa um conjunto de soluções candidatas (população) ao problema que se busca otimizar.
Os processos de seleção de soluções candidatas, utilizados pelos algoritmos genéticos, buscam selecionar os candidatos mais aptos, de forma a manter as melhores características genéticas presentes na população.
O operador crossover combina cromossomos de indivíduos previamente selecionados, chamados pais, para formar novos indivíduos, os quais têm uma grande possibilidade de serem mais aptos que os seus genitores.
A escolha da população inicial admite um grau de aleatoriedade, não necessitando ser criteriosa.
Considerações importantes
Algoritmos Genéticos
O processo de evolução executado por um algoritmo genético corresponde a um procedimento de busca em um espaço de soluções potenciais para o problema.
A computação evolutiva deve ser entendida como um conjunto de técnicas e procedimentos genéticos e adaptáveis, a serem aplicados na solução de problemas complexos, para os quais outras técnicas conhecidas são ineficazes ou nem sequer são aplicáveis.
Os algoritmos genéticos empregam uma terminologia originada da teoria da evolução natural e da genética. Um indivíduo da população é representado por um único cromossomo, o qual contém a codificação (genótipo) de uma possível solução do problema (fenótipo).
Os sistemas baseados em computação evolutiva mantêm uma população de soluções potenciais, aplicam processos de seleção baseados na adaptação de um indivíduo e também empregam outros operadores genéticos.
Boa Sorte!!!
Profª Daisy Albuquerque
45