Sistemas Inteligentes Resumo

Resumo Sistemas Inteligentes

Aprendizado de Máquina

Aprendizado é a chave do poder humano, para que uma máquina aprenda é necessário aumentar sua capacidade de aprendizado.

O ser humano vem pré programada para o aprendizado, já está na sua essência, já o computador não possui a mesma característica. Paradigmas e técnicas de aprendizado de máquina são muito mais limitados do que o aprendizado humano.

Aprendizado de Máquina (AM) :  podemos dizer que é uma subárea da IA que visa métodos computacionais para a aquisição de novos e conhecimentos e novas formas de organizar os conhecimentos já existentes.

AM e Mineração de Dados: o aprendizado de máquina muitas vezes é utilizado em conjunto com mineração de dados que é o processo de extração automática de conhecimento a partir de grandes bases de dados. Podemos dizer que obtém-se o conhecimento observando padrão de exemplos da base de dados. Algoritmos de aprendizado também podem aprender a partir de interação ou simulação.

Objetivos do AM

• Procurar entender melhor os mecanismos de aprendizado humano;
• Adquirir conhecimentos de forma automática;

O que é ?

        Segundo Herbert Simon : “Aprendizado é qualquer processo no qual um sistema melhora seu desempenho através da experiência.”

Classificação

        Atribuir um objeto a uma categoria:

–Diagnóstico médico

–Detecção de fraude em cartões de crédito–Detecção de vírus em redes de computadores

–Filtragem de spam em e-mails

–Recomendação de produtos em e-commerce

–Investimentos financeiros

–Bioinformática (sequências de DNA)

–Reconhecimento de voz

–Reconhecimento de caracteres

–Reconhecimento de imagens

Resolução de Problemas

        Executar ações em determinado ambiente afim de se chegar a um objetivo, como por exemplo : jogar xadrez, dirigir um carro, pilotar um avião, controlar um elevador, controla um robô móvel.

Modelos de Aprendizado

• Simbólico: utiliza representações de estruturas gráficas ou lógicas, no lugar de métodos estatísticos ou numéricos. As representações simbólicas representam um conhecimento de alto nível. Geralmente as representações simbólicas são alguma expressão lógica, árvores de decisão, regras de produção.
• Baseado em Exemplos: o conhecimento é obtido através de exemplos de treinamento, onde as características são armazenadas e utilizadas depois. Caso haja um caso ainda não visto antes, o mesmo é classificado como algum similar conhecido no treinamento.
• Estatísitco: aqui as decisões são tomadas a partir de raciocínio sobre probabilidade de dados. Geralmente focam tarefas onde os atributos tem valores contínuos ou ordinais. Muitas técnicas são paramétricas.
• Conexiosta: é inspirado nos sistemas biológicos. Aqui temos o estudo de Redes Neurais Artificiais . Redes Neurais Artificiais são redes construídas a partir de unidades simples altamente conectadas, daí o nome conexionismo.
• Evolutivo: baseado na teoria de Darwin, onde sobrevivem os mais bem adaptados ao ambiente. Aqui os elementos competem para fazer a predição. Os elementos mais são descartados, os mais fortes se proliferam, produzindo variações de si mesmos.

Estatégias de AM

• Aprendizado por Indução:  a inferência indutiva, é um dos principais meios para se obter novos conhecimentos e previsão de eventos futuros. Por meio de observações podemos descobrir regras e procedimentos.

• Argumento Dedutivo : Nenhum dos alunos gosta de Inteligência Artificial–Francisco é um aluno–Francisco não gosta de Inteligência Artificial
• Argumento Indutivo : –Nenhum dos alunos que foram entrevistados gosta de Inteligência Artificial–Nenhum aluno gosta de Inteligência Artificial.
• Aprendizado por Observação e Descoberta : não existe professor. O aprendiz analisa uma série de informações e procura determinar se alguns subconjuntos dessa entidade podem ser agrupados em certas classes de maneira útil. Aprendizado não supervisionado. Exemplo : sites de compras, onde não se sabe o perfil do usuário, mas através do que o usuário procura, podemos obter uma ideia dos seus gostos.
• Aprendizado por exemplos :  aqui temos um professor que já obtém conhecimentos dos conceito e que ajuda nas escolhas dos exemplos. O aprendiz induz a descrição de um conceito, formulando uma regra a partir dos exemplos que lhe foram apresentados. Aprendizado Supervisionado.

• Aprendizado por Exemplos: aqui o sistema aprendiz induz a descrição do conceito ou classe através de processos de generalização e especialização utilizados como exemplos e opcionalmente, contra-exemplos do conceito.
• Aprendizado Indutivo:

• Aprendizado Incremental : o processo de aprendizado procede através de uma sequência de hipóteses, H1,H2.. etc; Quando um exemplo é processado, a hipótese é atualizada, se necessário, resultando na próxima hipótese.
• Aprendizado Não Incremental: aqui necessita que já se tenha todos os exemplos possíveis simultaneamente, estejam disponíveis para que seja induzido a um conceito. É vantajoso pois não ocorrem mudanças.

• Linguagens de Descrição:  todo tipo de aprendizado, necessita de uma linguagem para descrever objetos(ou eventos) e outra linguagem para descrever conceitos.Temos dois tipos de descrições para objetos : estrutural e atributos. Temos as seguintes LDs:

• LD de Instâncias Lε (Exemplos/Objetos) :

-Descrições Estruturais : um objeto é descrito em termos de seus componentes e a relação entre eles .

-Descrições de Atributos: um objeto é descrito em termos de suas características globais como um vetor de valores de atributos.

        Exemplo, Atributo e Classe

        Exemplo : um caso ou registro .um conjunto fixo de atributos;

        Atributo: um campo ou feature. Uma única característica de um exemplo.

        Classe: categoria. Atributo especial que descreve o fenômeno de interesse.

...