Trabalho de Inteligência Artificial

PROVA INTELIGÊNCIA ARTIFICIAL

           Aluna: Laura Letícia Araújo Oliveira Campos

           Matrícula: 20170025411

1. - (1 Ponto) Para cada um dos agentes a seguir, desenvolva uma descrição completando a tabela abaixo sobre o ambiente de tarefas de cada um.

1. Robô jogador de futebol, joga na posição de atacante.
2. Agente de compras na Internet, agente de uma loja virtual de móveis.
3. Robô explorador de Marte.

Agente	Medida de desempenho	Ambiente	Atuadores	Sensores
Futebol	Fazer gols sem quebrar as regras do futebol, cumprir as táticas planejadas e saber lidar com jogadas dos outros jogadores.	Campos de futebol, outros jogadores de futebol e árbitros.	Braços e pernas articulados.	Detector de proximidade, sensores digitalizadores de imagem para o reconhecimento da bola e de outros jogadores.
Internet	Vender o produto requisitado pelo cliente e obter o feedback positivo dos clientes em relação ao atendimento.	Site da loja.	Exibição de produtos disponíveis, atentimento aos pedidos com filtros dos clientes.	Filtragem de especificações dos produtos, reconhecimento de produtos que possuem um perfil  propenso a realizar a compra.
Marte	Reconhecimento, coleta e exploração do terreno marciano.	Planeta Marte.	Braços e pernas articulados, gancho para coleta de materiais e visores para o reconhecimento de imagens.	Detectores de proximidade, fotossensíveis, infravermelho, temperatura e dispositivos de captura de imagens.

1. - (1 Ponto) Diferencie os 4 tipos de aprendizado de máquina. Para tanto, escolha uma base de dados do Kaggle e explique como aplicar os 4 métodos nessa mesma base.

• Supervisionado: esse tipo de aprendizagem de máquina se baseia na previsão de uma variável dependente a partir de uma lista de variáveis independentes. As variáveis independentes serão: PH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic_carbon, Trihalomethanes e Turbidity. Já a variável dependente é Potability.

Essa técnica de aprendizagem pode ser feita por algoritmos de classificação ou por algoritmos de regressão.

Classificação: a classificação dos dados pode ser feita utilizando o atributo alvo “Potability”, no qual será determinado se a água é potável ou não. Para isso, os valores das instâncias desse atributo são discretos, onde 0 representa “não potável” e 1 representa “potável”. Nesse algoritmo, a base de dados é dividida de modo que, em uma parte é realizado o treinamento e na outra, a classificação.

Regressão: para aplicar o método de regressão na base de dados adotada, será necessário realizar a transformação do atributo alvo para um valor contínuo. Nesse caso, a variável “Potability” assumirá valores contínuos em uma escala de 0 a 100, que representará em porcentagem, o quão potável a água é.

• Não-supervisionado: esse método é utilizado para encontrar uma representação mais informativa dos dados presentes na base escolhida. Para o caso da identificação da potabilidade da água, será realizado um clustering de acordo com as semelhanças presentes entre as instâncias dos atributos, isto é, um agrupamento, que determinará se a água é potável ou não. Por exemplo, pode-se dizer que um conjunto de PH alto, turbidez baixa e baixa presença de sólidos indique que a água é potável, logo, o algoritmo agrupará esses atributos, transformando-os em um cluster. Será assumido que o atributo alvo será 1 quando forem identificados similaridades entre as entradas de uma nova amostra com o cluster já existente. Nesse tipo de abordagem os atributos não possuem rótulos.

• Semi-supervisionado: esse método pode ser considerado como uma junção dos dois métodos citados anteriormente. Para a identificação da potabilidade de água, alguns atributos possuirão rótulos definidos e outros não. Os que não possuem rótulos definidos serão agrupados por similaridades.

• Reforço: esse método é baseado em um sistema de recompensa, com a obtenção de feedbacks de resposta. No caso da análise da potabilidade da água, o algoritmo irá absorver os atributos de entrada e indicar um atributo alvo, neste caso se a água é potável ou não. Caso a tentativa resulte em um feedback positivo, ou seja, caso o algoritmo tenha indicado um atributo alvo correto a partir das variáveis de entrada, as métricas utilizadas para esta determinação serão assumidas como corretas, e serão utilizadas como uma base para as próximas tentativas do algoritmo.

A base de dados selecionada para a resolução das seguintes questões foi “Drinking_Water_Probability”, disponível em: https://www.kaggle.com/artimule/drinking-water-probability.

1. - (2,5 Pontos) Em um Jupyter Notebook (link do collab ou arquivo) analise a base de dados selecionada na questão anterior (no contexto SUPERVISIONADO) e calcule a matriz de correlação entre os atributos de entrada e o atributo-alvo. Selecione quais atributos continuariam em sua base, definindo um limiar de correlação e explicando sua escolha. Além disso, aplique o método de PCA e mostre os 5 e 10 componentes principais.

• Link do Colab:

https://colab.research.google.com/drive/1Gzckl1Qhvw9wTKmsfWrGBknLjQCNCY1b?usp=sharing

[pic 1]

Figura 1 - Matriz de Correlação

                

                A matriz obtida a partir da base de dados escolhida se baseia no Coeficiente de Pearson, que mede o grau da correlação entre duas variáveis de escala métrica. Quanto maior for o valor absoluto do coeficiente, mais forte é a relação entre as variáveis. Como mostrado na matriz, quando um atributo é comparado com ele mesmo é indicado o valor absoluto 1, indicando uma relação linear perfeita entre as variáveis. Quando é indicado o valor 0, ou valores próximos a isso, é indicado que não há correlação entre os atributos verificados.