A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

* Sistemas Especialistas convencionais: * Sistemas Especialistas de segunda geração: * Case-based reasoning (CBR) Experiência Raciocínio Baseado em Casos.

Apresentações semelhantes


Apresentação em tema: "* Sistemas Especialistas convencionais: * Sistemas Especialistas de segunda geração: * Case-based reasoning (CBR) Experiência Raciocínio Baseado em Casos."— Transcrição da apresentação:

1

2 * Sistemas Especialistas convencionais: * Sistemas Especialistas de segunda geração: * Case-based reasoning (CBR) Experiência Raciocínio Baseado em Casos Regras Engenheiro de conhecimento Algoritmo de aprendizagem ExperiênciaRegras Experiência

3 Raciocínio Baseado em Casos * Método de resolução de problemas novos problemas são resolvidos adaptando-se soluções de antigos problemas similares aprendizado incremental on-line, aquisição de conhecimento mais simples

4 novo caso (alvo) caso recupe- rado (fonte) problema base Reutilizar Recuperar Reter Revisar novo caso (alvo) solução sugerida solução final caso solução caso testado e corrigido caso aprendido Indexa r Funcionamento do CBR: ciclo dos 4 RE´s

5 Paradigma Conexionista: Redes Neurais * Definição Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. Técnica de aproximação de funções por regressão não linear. * Modelo de neurônio wji w1i wni s (i) e (i) s1s1 sjsj snsn degrau s e s e s et semi-linearsigmoide

6 Redes Neurais: Arquiteturas e topologias O comportamento da rede depende da natureza dos neurônios (função de ativação) e de como eles se conectam Feed-forward Feed-backward Arquiteturas estruturação em camadas Topologias camada de entrada camada de saída camada escondida

7 Aprendizagem supervisionada (redes feed-forward ) - objetivo: aprender a associar uma entrada a uma saída desejada - Lei de Hebb: aprendizagem conexão - como: ajustar os pesos visando minimizar uma função de erro Redes Neurais: Tipos de aprendizagem - taxa de aprendizagem (si - di), erro sj - saída do neurônio anterior j Aprendizagem Não-supervisionada (memórias auto- associativas) - objetivo: detectar e agrupar padrões nas entradas dadas - como: reforçar os pesos do neurônio (eventualmente com sua vizinhança) que melhor responde ao padrão de excitação

8 Exemplos simples: previsão de séries temporais

9 Paradigma Evolutivo: Algoritmos Genéticos * EVOLUÇÃO diversidade é gerada por cruzamento e mutações os seres mais adaptados ao seus ambientes sobrevivem (seleção natural) as características genéticas de tais seres são herdadas pelas próximas gerações * Algoritmos genéticos: Definição Método probabilista de busca para resolução de problemas (otimização) inspirado na teoria da evolução

10 Algoritmos Genéticos * Idéia: indivíduo = solução faz evoluir um conjunto de indivíduos mais adaptados por cruzamento através de sucessivas gerações fitness function f(i): R ->[0,1] * Aprendizagem on-line, numeríca Exemplo: Exemplo: ~compint\public_html\aulas-IAS\programas\ga\tsp2.exe

11 Observações Aprendizagem indutiva HipótesePredições Esquema clássico: indução pura Conhecimento à priori Novo esquema: indução com conhecimento Aprendizagem Baseada em Explicação (EBL) * Idéia o agente aprende paulatinamente, usando o que já sabe, i.e. seu conhecimento a priori (background knowledge) Aprendizagem fica mais rápida pois o conhecimento pode ser usado para reduzir a busca no espaço de hipótese

12 Aprendizagem Baseada em Explicação (EBL) * Exemplo homem das cavernas explica a razão do sucesso => Regra: qualquer coisa longa, fina, rígida pode ajudar a assar carnes sobre o fogo * balanço 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 * A 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

13 Exemplo * Regras da base de conhecimento Mata(x,x) Suicida(x) Detesta(x,x) Depressivo(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) * Fatos da base de conhecimento Suicida(João) CorDosOlhos(João, Azuis) Compra(João,Objeto) Pistola(Objeto) Depressivo(João) Louro(João)

14 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

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

16 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... * Regra final Depressivo(x) Compra (x,y) Pistola(y) Suicida (x)


Carregar ppt "* Sistemas Especialistas convencionais: * Sistemas Especialistas de segunda geração: * Case-based reasoning (CBR) Experiência Raciocínio Baseado em Casos."

Apresentações semelhantes


Anúncios Google