Sistemas Baseados em Aprendizado (Aprendizado de Máquina)

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).

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

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.

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;

Paradigmas de AM Simbólico Estatístico Conexionista Genético

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.

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

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

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

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;