Resumo IA

AULA 1

O QUE É INTELIGÊNCIA? 

        Um conceito muito amplo, junção de conhecimento, entendimento, abstração, treinamento e memória.  

        Conhecer, compreender e aprender. Capacidade de compreender e resolver novos problemas e conflitos e de adaptar-se a novas situações.

Conhecer = perceber e memorizar

Compreender = carregar em sua essência

Aprender = adquirir conhecimento

Reconhecer = conhecer uma segunda vez

INTELIGÊNCIA ARTIFICIAL

        IA é o estudo de como fazer que computadores percebam, raciocinem e agem conforme características do ambiente.

TESTE DE TURING

        O teste de Turing procura descobrir se uma máquina pode ser confundida com um humano. É feita várias perguntas a um computador, e um humano, de forma oculta, por um teclado por exemplo, e se no final do teste, o interrogador não conseguir distinguir pelo diálogo a máquina do humano, conclui-se que o computador pode pensar.

SISTEMAS I NTELIGENTES

        São sistemas que utilizam a IA no dia a dia, em aplicações comerciais, conhecimentos especializados, beneficiando a usuários e empresas.

Dados, Informação e Conhecimento

        Os Dados são a matéria prima da informação. É a quantificação ou registro de determinado evento. Sozinho não possui significado.

        A informação é a contextualização dos dados, ou seja, relacionar os dados com eventos do ambiente que o sistema busca apoiar. Com essa contextualização, é possível utilizar os dados para entender, gerenciar melhor ou descobrir situações que o sistema abrange.

        Conhecimento é a utilização da informação, ou seja, com base nas informações geradas pelo sistema e outras questões (experiências anteriores, aspectos culturais, etc.) sejam possíveis tomar decisões.

Sistemas Especialistas:

        Sistema que busca representar um especialista humano em algum assunto (em campos específicos do conhecimento);

METODOS DE REPRESENTAR O CONHECIMENTO:

 Redes semânticas;

 Frames;

 Lógica de predicados;

 Sistemas baseados em regras.

AULA 2

O QUE SÃO REDES NEURAIS ARTIFICIAIS (RNA)?

        São sistemas computacionais que tentam imitar o funcionamento do cérebro humano representando-o artificialmente. Tem como características a capacidade de aprendizagem, generalização, adaptação, e assim, alterar seus parâmetros para novas situações. Tem modelos matemáticos iguais as estruturas neurais biológicas.

PERCEPTRON

Perceptron é o modelo mais simples de rede neural artificial. Possui sinais de entrada, pesos indicando o grau de relevância de cada sinal, somador que corresponde uma resposta de acordo com os sinais de entrada, uma função de ativação e a saída de um neurônio.

Características:

- Diversas entradas (representando os dendritos e os axônios)

- Peso sináptico (representando a intensidade da ligação)

- Uma saída, representando se o neurônio está ativo ou não (saída binária)

TIPOS DE APRENDIZADO DE RNA

Aprendizado supervisionado:

 É um tipo de treinamento de RNA em que existe um professor presente durante esse processo que fornece a resposta esperada para cada conjunto no set de treinamento.

Aprendizado não supervisionado:

Não requer uma saída específica desejada. São usados apenas os valores de entrada, para o treinamento da rede;

Aprendizado por competição:

A ideia neste caso é, dado um padrão de entrada, fazer com que as unidades de saída disputem entre si para serem ativadas;

Aprendizado por reforço:

A principal diferença entre o aprendizado supervisionado clássico e o aprendizado por reforço é a medida de desempenho usada em cada um dos sistemas. No aprendizado supervisionado, a medida de desempenho é baseada no conjunto de respostas desejadas usando um critério de erro conhecido, enquanto no aprendizado por reforço o desempenho é baseado em qualquer medida que possa ser fornecida ao sistema.  No aprendizado por reforço, a única informação de realimentação fornecida à rede é se uma determinada saída está correta ou não, isto é, não é fornecida à rede a resposta correta para o padrão de entrada.

AULA 3

PRINCIPAIS ARQUITETURAS DE RNA ́S

Quanto ao número de camadas, pode-se ter:

(1) redes de camada única – só existe um nó entre qualquer entrada e qualquer saída da rede.

(2) redes de múltiplas camadas - existe mais de um neurônio entre alguma entrada e alguma

saída da rede.

Os nodos podem ter conexões do tipo:

(1) feedforward, ou acíclica - a saída de um neurônio na i-ésima camada da rede não pode ser usada como entrada de nodos em camadas de índice menor ou igual a i.

(2) feedback, ou cíclica - a saída de algum neurônio na i-ésima camada da rede é usada como entrada de nodos em camadas de índice menor ou igual a i.

Redes de Propagação para frente

        No raciocínio para frente (foward-chaining), os dados são casados com as condições das regras buscando-se sempre atingir uma meta, que não se altera durante o processo de solução do problema;

Redes de Propagação para trás

        No raciocínio para trás (backward-chaining), o programa inicia com o objetivo final e vai selecionando as regras que se casam com o objetivo, atualizando a meta para as novas condições das regras. O processo continua até os objetivos a serem atingidos forem os mesmos das condições iniciais.