A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Neurocomputação Baseada em Conhecimento Prof. Júlio Cesar Nievola PPGIA PUCPR.

Apresentações semelhantes


Apresentação em tema: "Neurocomputação Baseada em Conhecimento Prof. Júlio Cesar Nievola PPGIA PUCPR."— Transcrição da apresentação:

1 Neurocomputação Baseada em Conhecimento Prof. Júlio Cesar Nievola PPGIA PUCPR

2 PPGIA - PUCPRProf. Júlio Cesar Nievola2 Neurocomputação Ênfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação Conhecimento é poder aplica-se A modelagem explícita do conhecimento representado por um sistema neurcomputacional continua sendo um tema de pesquisa

3 PPGIA - PUCPRProf. Júlio Cesar Nievola3 Neurocomputação Neurocomputação baseada em conhecimento diz respeito a métodos que trabalham com a representação e processamento explícito de conhecimento onde um sistema de neurocomputação está envolvido Inspirado historicamente na IA simbólica e nas redes neurais artificiais

4 PPGIA - PUCPRProf. Júlio Cesar Nievola4 Arquitetura Abordagem Híbrida Módulos neural e simbólicos são distintos componentes, partilhando ou transferindo conhecimento Abordagem Unificada Conhecimento modelado usando conexões locais/distribuídas entre neurônios Abordagem Translacional Meio termo entre as abordagens

5 PPGIA - PUCPRProf. Júlio Cesar Nievola5 Sistema Especialista Tem como objetivo a representação e uso de grandes quantidades de conhecimento, assegurando a sua integridade, consistência e exploração efetiva Realiza uma tarefa de tomada de decisão complexa dentro de um domínio de problema bem específico

6 PPGIA - PUCPRProf. Júlio Cesar Nievola6 Arquitetura Modular de Sistemas Especialistas Base de Conhecimentos Base de Fatos Máquina (ou Motor) de Inferência Mecanismo de Explanação Interface com o Usuário

7 PPGIA - PUCPRProf. Júlio Cesar Nievola7 Propriedades Funcionais dos Sistemas Especialistas O usuário descreve o problema de maneira interativa Deve inferir uma solução mesmo com informação incompleta ou imprecisa Deve fornecer ao usuário alguma explicação de suas conclusões para justificar suas inferências (normalmente chamadas COMO? e POR QUÊ?)

8 PPGIA - PUCPRProf. Júlio Cesar Nievola8 Sistemas Baseados em Regras x Sistemas Neurais Tamanho da Tarefa Aquisição e Edição do Conhecimento Matching Parcial Informação Incompleta Capacidade de Explanação

9 PPGIA - PUCPRProf. Júlio Cesar Nievola9 Algoritmo VL 1 ANN para Representação de Regras 1.Codificar variáveis de entrada como valores reais (numéricos) 2.FOR cada regra DO 1. FOR cada átomo da regra DO 1.Codificar o átomo como nova unidade relacional na camada 1 conectada à entrada na camada 0 2. Conectar todas as unidades relacionais da regra a uma nova unidade AND na camada 2 3.Conectar todas as unidades AND representando regras com a mesma conclusão a uma nova unidade OR na camada 3 4.FOR cada variável de saída Attr que não esteja ortogonalmente codificada DO 1. Mapear todas as unidades OR de Attr na camada 3 à uma única nova unidade de saída na camada 4

10 PPGIA - PUCPRProf. Júlio Cesar Nievola10 Estratégias de Integração Sistemas Híbridos Dividir-e-conquistar RNA embutida Implementação neural de conhecimento explícito Incorporação de regras em RNAs Extração de regras de RNAs Finalização de regras fuzzy em RNAs

11 PPGIA - PUCPRProf. Júlio Cesar Nievola11 Estratégias de Integração Sistemas Neurais Especialistas Tentativa de diminuir as desvantagens da representação implícita do conhecimento, introduzindo heurísticas RNA enriquecida com outras funcionalidades para ter as características de sistemas especialistas Exemplos: MACIE, EXPSYS

12 PPGIA - PUCPRProf. Júlio Cesar Nievola12 MACIE (Matrix-Controlled Inference Engine) Pés inchados Ouvidos vermelhos Perda de cabelos VertigemAlergia a Placibin Areta sensitiva Superciliose Namastose Biramibio Placibin Posiboost

13 PPGIA - PUCPRProf. Júlio Cesar Nievola13 Arquitetura SCANDAL DATA PROBLEMPRIOR KNOWLEDGE Task specification Training & test sets Meta: NN knowledge Base: Domain knowledge Metalevel Base Level Supervisor Data Pre- Processor Hint-B. Config. Search-B. Config. Hint-B. Training RN-to-NN Compiler … Knowledge Extractors Data Cleaners AritifData Generators Simulator N Simulator 3 Simulator 2 Simulator 1 … Configured and trained networks Symbolic-Connectionist Architecture for Neural Network Design and Learning

14 PPGIA - PUCPRProf. Júlio Cesar Nievola14 Seqüência de Passos nas Arquiteturas Translacionais Obter conhecimento simbólico, ou seja, em forma estruturada do problema Traduzir o conhecimento em uma RNA Treinar a RNA para revisar e/ou refinar o conhecimento embutido na mesma Extrair conhecimento simbólico da RNA Refinar o conhecimento simbólico

15 PPGIA - PUCPRProf. Júlio Cesar Nievola15 Características dos Métodos Translacionais Tipo de representação do conhecimento prévio e final Forma de regras => RNA em avanço Autômatos => RNA recorrente Grafos direcionados => neurônios recursivos Árvores de decisão => representam o conhecimento prévio e/ou final extraído

16 PPGIA - PUCPRProf. Júlio Cesar Nievola16 Características dos Métodos Translacionais Restrições baseadas na arquitetura Arquitetura para mapear representação estruturada desejada Número de camadas => nível requerido para mapear regras à topologia da RNA Tipos de função de ativação => sigmóide ou baseada em fatores de certeza Pesos: {-1,0,1} ou [-1,1] Entradas: {0,1} ou {-1,1}

17 PPGIA - PUCPRProf. Júlio Cesar Nievola17 Características dos Métodos Translacionais Método de treinamento Restrições nos parâmetros durante treinamento: pesos fixos / faixa de valores Modificações na topologia: adicionar ou apagar unidades Modificação da função objetivo normal: termos de regularização que criam penalidade para obter pesos no conjunto desejado {-1,0,1}

18 PPGIA - PUCPRProf. Júlio Cesar Nievola18 Características dos Métodos Translacionais Os métodos de extração do conhecimento pode ser baseados em requisitos de treinamento especializado e uma arquitetura de RNA restrita, ou dirigidos a uma RNA genérica, sem restrições com relação ao tipo de treinamento a ser efetuado sobre o conhecimento simbólico embutido

19 PPGIA - PUCPRProf. Júlio Cesar Nievola19 Extração de Regras É a tarefa de converter modelos de redes neurais treinadas em representações mais facilmente compreensíveis Surgiu em função de Data Mining boom Interesse em métodos como boosting, bagging e error-correcting output codes

20 PPGIA - PUCPRProf. Júlio Cesar Nievola20 Técnicas de Extração de Conhecimento de RNAs Decomposicional Extração a nível de associações escondidas e de saída (dando origem às redes conexionistas baseadas em regras, RBCN) Pedagógica RNA vista como caixa preta e a extração ocorre sobre arquiteturas sem restrições Eclética

21 PPGIA - PUCPRProf. Júlio Cesar Nievola21 Características dos Métodos de Extração de Regras Compreensibilidade Quanto são humanamente compreensíveis Fidelidade Quanto modela a RNA da qual foi extraída Precisão Previsão precisa sobre exemplos não vistos Escalabilidade Grandes espaços de entrada, unidades e conexões Generalidade Treinamento especial e/ou restrições

22 PPGIA - PUCPRProf. Júlio Cesar Nievola22 Extração de Regras Baseadas em Busca

23 PPGIA - PUCPRProf. Júlio Cesar Nievola23 Algoritmo SUBSET Extrai regras dos neurônios das camadas intermediárias e de saída Busca subconjuntos de pesos para cada neurônio cuja soma supera o limiar Grande número de possibilidade => processamento excessivo Regras com grande número de antecedentes

24 PPGIA - PUCPRProf. Júlio Cesar Nievola24 Algoritmo SUBSET FOR cada neurônio da camada escondida e intermediária DO Formar S p subconjuntos, combinando somente pesos positivos cujo somatório supera o limiar FOR cada elemento P dos subconjuntos S p DO Formar S n subconjuntos de N elementos, considerando as combinações mínimas de pesos negativos, tal que a soma absoluta destes pesos seja maior que a soma de P menos o valor do limiar Formar a regra: IF P AND NOT N THEN neurônio

25 PPGIA - PUCPRProf. Júlio Cesar Nievola25 Rede e regras extraídas usando o Algoritmo SUBSET

26 PPGIA - PUCPRProf. Júlio Cesar Nievola26 Algoritmo TREPAN (TREes Parroting Networks) Independe da topologia da rede Fornece uma árvore de decisão Usa o método best-first A classe de cada exemplo é definida por um oráculo (a própria RNA) Usa exemplos complementares para garantir mínimo de exemplos


Carregar ppt "Neurocomputação Baseada em Conhecimento Prof. Júlio Cesar Nievola PPGIA PUCPR."

Apresentações semelhantes


Anúncios Google