Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouGabrielle Frias Alterado mais de 9 anos atrás
1
Sistemas Baseados em Aprendizado (Aprendizado de Máquina)
2
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).
3
Introdução à Inteligência Artificial
Os 3 componentes principais de um sistema de IA: Representação Aprendizagem Raciocínio
4
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.
5
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;
6
Paradigmas de AM Simbólico Estatístico Conexionista Genético
7
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.
8
Árvore de Decisão Sorri sim não segura inimigo espada bandeira inimigo
amigo
9
Paradigma estatístico
Constrói um modelo estatístico do problema geralmente, geralmente utilizando a regra de Bayes; Podem ser: Paramétricas; Não paramétricas.
10
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
11
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;
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.