FACENS – Engenharia da Computação Inteligência Artificial

Apresentação em tema: "FACENS – Engenharia da Computação Inteligência Artificial"— Transcrição da apresentação:

1 FACENS – Engenharia da Computação Inteligência Artificial
Aprendizado de Máquina

2 Aprendizado de Máquina – Tópicos
Definições Paradigmas Técnicas Treinamento Exemplos

3 Aprendizado de Máquina – Definições
Uma das áreas da Inteligência Artificial que tem como um dos seus principais objetivos, o estudo e a compreensão dos processos de aprendizagem bem como o desenvolvimento de algoritmos que suportem estes processos, para aplicação em artefatos. De forma geral estes algoritmos devem melhorar o desempenho dos artefatos na execução de suas tarefas

4 Aprendizado de Máquina – Definições
Melhorar o desempenho dos artefatos significa: aquisição de conhecimento: à aquisição de novas informações acopladas com a habilidade de aplica-las de maneira útil. Ex.: obter a capacidade de realizar uma nova tarefa. refinamento de conhecimento: refere-se à prática repetida e à correção dos desvios do comportamento desejado (sistemas adaptativos). Ex: diminuir o tempo / custo de execução de uma tarefa.

5 Aprendizado de Máquina – Paradigmas
A literatura apresenta diversas divisões de paradigmas. Os dois principais são: simbólico e conexionista. Simbólico: conceitos descrevem classes de eventos, objetos ou relações entre eles (proposições). Conexionista: redes neurais ou probabilísticas que possuem o conhecimento distribuído em seus nós, realizando aproximações para obter o aprendizado. Outros: evolutivo, híbrido, probabilísticos, etc.

6 Aprendizado de Máquina – Técnicas
Paradigma Simbólico: As representações simbólicas estão tipicamente na forma de alguma expressão lógica, árvore de decisão, regras de produção ou rede semântica Exemplos: Aprendizagem de conceitos por busca no espaço de soluções Indução de árvores de decisão e regras proposicionais Programação em lógica indutiva Aprendizagem por explicações Raciocínio baseado em casos Agrupamento de conceitos proposicionais

7 Aprendizado de Máquina – Técnicas
Paradigma Conexionista: Perceptron Multicamada Memórias Associativas (Kohonen) Outros (probabilísticos, evolucionistas): Redes Bayesianas Redes de Função de Base Radial K Vizinhos mais próximo Regressão estatística Aprendiz bayesiano ingênuo Algoritmos genéticos

8 Aprendizado de Máquina – Treinamento
Aprendizagem supervisionada Ação é certa ou errada Dado conjunto de exemplos pré-classificados, aprender descrição que abstraí a informação contida nesses exemplos Descrição pode ser usada para prever casos futuros Aprendizagem não-supervisionada Se vire!  Dada uma coleção de dados não classificados, agrupá-los por regularidades Aprendizagem por reforço: recompensa/punição Dado sucesso ou insucesso global de um sequência de ação, determinar qual ação é a mais desejável em cada situação

9 Aprendizado de Máquina – Exemplos
Indução de Árvore de Decisão / Busca no Espaço de Versões Paradigma Simbólico Treinamento Supervisionado Aplicações: classificação, previsão e controle Representação do Conhecimento: lógica proposicional Não pode aproveitar de conhecimento prévio

10 Aprendizado de Máquina – Exemplos
Perceptron Multicamada Paradigma Conexionista Treinamento Supervisionado Aplicações: classificação, previsão e controle Representação do Conhecimento: pesos das conexões da rede Não pode aproveitar de conhecimento prévio

11 Aprendizado de Máquina – Exemplos
Memórias Associativas Paradigma Conexionista Treinamento Não Supervisionado Aplicações: classificação Representação do Conhecimento: pesos das conexões da rede Não pode aproveitar de conhecimento prévio x1 y1 x2 y2 x3 x4 y3 Neurônios Saída Entradas

12 Aprendizado de Máquina – Exemplos
N Vizinhos mais Próximos Paradigma Probabilístico Treinamento Supervisionado Aplicações: classificação, previsão e controle Representação do Conhecimento: pontos em um espaço N dimensional Não pode aproveitar de conhecimento prévio - - - - + - xq + + - +

13 Aprendizado de Máquina – Exemplos
Classificador Bayesiano Ingênuo Paradigma Probabilístico Treinamento Supervisionado Aplicações: classificação, previsão e controle Representação do Conhecimento: probabilidades condicionais entre proposições representadas por pares atributo-valor Não pode aproveitar de conhecimento prévio Exemplo: P(Quente / Sol) = 0.5 P(Jogar Tenis / Quente) = 0.4

14 Aprendizado de Máquina – Exemplos
Algoritmos Genéticos Paradigma Evolutivo Treinamento Supervisionado Aplicações: classificação, previsão e controle Representação do Conhecimento: cromossomos da população Pode aproveitar de conhecimento prévio na inicialização da população