Raciocínio Baseado em Casos

Apresentação em tema: "Raciocínio Baseado em Casos"— Transcrição da apresentação:

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

2 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

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

4 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 ó õ wji w1i wni s(i) e(i) s1 sj sn s e t s e s e degrau semi-linear sigmoide

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

6 Redes Neurais: Tipos de aprendizagem
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 a - taxa de aprendizagem d = (si - di), erro sj - saída do neurônio anterior j exemplos concretos 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

7 Exemplos simples: previsão de séries temporais

8 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

9 Algoritmos Genéticos Idéia: Aprendizagem
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: ~compint\public_html\aulas-IAS\programas\ga\tsp2.exe

10 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 Novo esquema: indução com conhecimento Conhecimento à priori Aprendizagem indutiva Observações Hipótese Predições Esquema clássico: indução pura

11 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

12 Exemplo Regras da base de conhecimento Fatos 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)

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

14 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

15 Generalizando... Regra final 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 Regra final Depressivo(x)  Compra (x,y)  Pistola(y)  Suicida (x)