Baixe o app para aproveitar ainda mais
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
Compartilhar