DI - UFPE 1 Questões... nSó é possível chegar-se a conclusões gerais a partir da observação de muitos fatos? nAprendizagem é estatística?

Apresentação em tema: "DI - UFPE 1 Questões... nSó é possível chegar-se a conclusões gerais a partir da observação de muitos fatos? nAprendizagem é estatística?"— Transcrição da apresentação:

1 DI - UFPE 1 Questões... nSó é possível chegar-se a conclusões gerais a partir da observação de muitos fatos? nAprendizagem é estatística?

2 DI - UFPE 2 Alguns exemplos do dia a dia... nUm turista chegando ao Brasil pela primeira vez encontra com um tal de Fernando e percebe que ele fala português... Conclui que todos brasileiros falam português mas não conclui que todos se chamam Fernando... Porque? nUm físico estudando um pedaço de cobre mede densidade, condutividade e massa conclui que os valores obtidos para densidade, condutividade valem para todos pedaços de cobre mas não os valores de massa... Porque?

3 DI - UFPE 3 Alguns exemplos do dia a dia... nAluno de medicina observando seu professor receitando o antibiótico X para um paciente depois de ter observados alguns sintomas conclui que tal antibiótico é adequado para a categoria de infecção Y (ligadas aos sintomas apresentados) porque? nHomens das cavernas observando pela primeira vez um colega usando uma vara para espetar e assar a comida sobre a fogueira concluem que é uma boa idéia assar sem queimar as mãos porque?

4 DI - UFPE 4 Resposta... nÉ possível aprender! porque existe conhecimento a priori (background knowledge) Usa-se o que se sabe para aprender mais e melhor! nNorth Whitehead civilization advances by extending the number of important operations that we can do without thinking about them nIdéia: aprendizagem com conhecimento a priori o agente aprende paulatinamente, usando o que já sabe, i.e. seu conhecimento a priori Aprendizagem fica mais rápida pois o conhecimento pode ser usado para reduzir a busca no espaço de hipótese

5 DI - UFPE 5 Observações Aprendizagem indutiva HipótesePredições Esquema clássico: indução pura Conhecimento à priori (BK) Novo esquema: indução com conhecimento Aprendizagem com conhecimento a priori n3 esquemas de aprendizagem Aprendizagem Baseada em explicação (EBL) Aprendizagem Baseada em Relevância (RBL) Aprendizagem Indutiva Baseada em Conhecimento (KBIL)

6 DI - UFPE 6 3 esquemas de aprendizagem 1) Aprendizagem Baseada em Explicação (EBL) ex. homem das cavernas explica a razão do sucesso => Regra: qualquer coisa longa, fina, rígida pode ajudar a assar carnes sobre o fogo o conhecimento serve para explicar a hipótese, que explica as observações, não se aprende nada de novo pois o exemplo já podia ser derivado mas iria custar caro pois os homens não tinham consciência disto resumo: EBL converte teorias primárias em conhecimento útil especializado

7 DI - UFPE 7 3 esquemas de aprendizagem 2) Aprendizagem Baseada em Relevância (RBL) ex. O turista sabe que os habitantes de uma país falam a mesma língua, mas podem ter nomes distintos idem para o físico o conhecimento serve para determinar a relevância dos atributos da descrição é dedutivo: não cria nada de novo se partir do zero 3) Aprendizagem Indutiva Baseada em Conhecimento (KBIL) ex. aluno de medicina infere tipo de doença e que tal remédio é adequado ao seu tratamento. BK e exemplos se juntam para explicar a classificação usada em programação lógica indutiva

8 DI - UFPE 8 Explanation-Based Learning nMétodo para extrair novas regras a partir de observações únicas nBaseia-se em memoization técnica de aceleração de programas por acumulação de pares entrada/saída em um banco de dados (cache) antes de calcular a função, checa-se o banco de dados nEx. derivada Ask (Derivate(X 2,X)=d, BC) pode ser preciso 136 passos de prova para obter-se d=2X, em Prolog seria mais rápido acrescentando-se a regra ArithmeticUnknown(u) Derivative( u 2,u) = 2u

9 DI - UFPE 9 EBL nEBL vai além de memoization pois, em vez de só decorar, generaliza 1) constrói uma explicação (árvore de prova) para a observação usando o conhecimento a priori 2) estabelece uma definição para a classe de casos para os quais tal explicação pode ser usada (generaliza a árvore de prova) nA construção da explicação pode ser uma prova lógica ou qualquer processo de resolução de problemas o importante é identificar quais são as condições nas quais estes passos podem ser reaplicados

10 DI - UFPE 10 Exemplo nRegras da base de conhecimento Mata(x,x) Suicida(x) Depressivo(x) Detesta(x,x) Compra(x,y) Possui(x,y) Detesta(x,y) Possui (x,z) Arma(z) Mata (x,y) Punhal(x) Arma(x) Pistola(x) Arma(x) nFatos da base de conhecimento Suicida(João) CorDosOlhos(João, Azuis) Compra(João,Objeto) Pistola(Objeto) Depressivo(João) Louro(João)

11 DI - UFPE 11 Árvore de prova Suicida(João) Mata(João,João) R1 Pistola(Objeto) R6 Depressivo(João) R2 Note que olhos azuis e outras coisas não foram consideradas Detesta(João,João)Possui(João,Objeto)Arma(Objeto) R4 Compra(João,Objeto) R3

12 DI - UFPE 12 E agora? nAinda restam muitas particularidades. É preciso generalizar! nEBL constrói uma segunda árvore de prova variabilizando a consulta constantes substituídas por variáveis usa a mesma seqüência de regras nUma vez esta árvore pronta, toma-se apenas as folhas com eventuais substituições e forma-se uma nova regra

13 DI - UFPE 13 Suicida(x) Mata(x,x) R1 Pistola(y) R6 Depressivo(x) R2 Detesta(x,x)Possui(x,y)Arma(y) R4 Compra(x,y) R3 Generalizando... nRegra final Depressivo(x) Compra (x,y) Pistola(y) Suicida (x)

14 DI - UFPE 14 Problemas nNa prática, é um aprendizado pouco usado... pois a partir de um certo ponto, acrescentar novos atalhos diminui a eficiência do sistema e é justamente isto que se queria melhorar... nMas é importante conceitualmente