Sistemas Baseados em Aprendizado (Aprendizado de Máquina)

Apresentação em tema: "Sistemas Baseados em Aprendizado (Aprendizado de Máquina)"— Transcrição da apresentação:

1 Sistemas Baseados em Aprendizado (Aprendizado de Máquina)

2 Introdução à Inteligência Artificial
O objetivo da IA é o desenvolvimento de paradigmas ou algoritmos que requeiram máquinas para realizar tarefas cognitivas, para as quais os humanos são atualmente melhores. Um sistema de IA deve ser capaz de fazer 3 coisas: 1. Armazenar Conhecimento (representação); 2. Raciocinar (aplicar o conhecimento armazenado para resolver problemas); 3. Aprender (adquirir novo conhecimento através da experiência).

3 Introdução à Inteligência Artificial
Os 3 componentes principais de um sistema de IA: Representação Aprendizagem Raciocínio

4 Introdução à Inteligência Artificial
Para uma máquina ter um comportamento inteligente, ela precisa ser capaz de aprender. Mas o que é aprender ? Obter conhecimento, compreensão, habilidade, ou experiência; O ser humano está pré-programado para o aprendizado. O Computador não possui o programa inicial para procurar por informações e aprender.

5 Aprendizado de Máquina (AM)
Sub-área da IA que pesquisa métodos computacionais relacionados à aquisição novos conhecimentos e habilidades; Objetivos: entender melhor os mecanismos de aprendizado humano; automação da aquisição do conhecimento;

6 Paradigmas de AM Simbólico Estatístico Conexionista Genético

7 Paradigma Simbólico Constrói representações simbólicas de um conceito através da análise de seus exemplos e contra-exemplos; Representações simbólicas geralmente assumem a forma de: Expressões Lógicas; Árvore de Decisão; Regras de Produção.

8 Árvore de Decisão Sorri sim não segura inimigo espada bandeira inimigo
amigo

9 Paradigma estatístico
Constrói um modelo estatístico do problema geralmente, geralmente utilizando a regra de Bayes; Podem ser: Paramétricas; Não paramétricas.

10 Técnicas paramétricas
Assumem um modelo de distribuição de probabilidade dos dados contém um número de parâmetros que são otimizados para encaixar no modelo escolhido; distribuição escolhida pode não modelar a verdadeira; Principais técnicas: Inferência Baysiana; Máxima Probabilidade

11 Técnicas Não-paramétricas
Não assumem um modelo de distribuição de probabilidade dos dados forma da função densidade é definida pelos dados; número de parâmetros crescem com o tamanho do conjunto de dados; Redes Neurais Artificiais Algoritmos Genéticos;