Sistemas Híbridos Inteligentes: Aprendizado e Integração Neuro-Simbólica
|
|
- Débora Leão Palha
- 8 Há anos
- Visualizações:
Transcrição
1 Sistemas Híbridos Inteligentes: prendizado e Integração Neuro-Simbólica >> HMLT - Hybrid Machine Learning Tools << Palestra: UCS - Universidade de Caxias do Sul Outubro 2001 presentação: Prof. Dr. Fernando Osório Grupo de Inteligência rtificial - PIPC Web: Mestrado em Computação plicada - Unisinos UNISINOS - Centro de Ciências Exatas e Tecnológicas (C6/6) - Curso de Informática Programa Interdisciplinar de Pós-Graduação em Computação plicada - PIPC osorio@exatas.unisinos.br Projetos de Pesquisa: Web: HMLT, FGNIS, COHR * Perfil do Programa: Área ásica: Ciência da Computação Área de Concentração: Modelagem e Simulação Modalidade: Mestrado cadêmico - Reconhecido pela CPES * Linhas de Pesquisa: Inteligência rtificial Pesquisa Operacional Redes de Computadores e Sistemas Distribuídos Processamento Gráfico e de Sinais Inscrições bertas Computação Científica 1
2 Inteligência rtificial Áreas de estudo e de aplicação: I.. Simbólica: CR, Expert Systems, Prolog prendizado de Máquinas - Machine Learning Sistemas daptativos: Redes Neurais, lgoritmos Genéticos, Indução de Árvores de Decisão, Redes ayesianas - Sistemas Híbridos Processamento de Linguagem Natural (PLN) Extração de Conhecimentos de ases Textuais I.. Distribuída e Multi-gentes Mineração de Dados (Data Mining) / KDD (Knowledge Data Discovery) Lógica Nebulosa (Fuzzy Logic) GI - PIPC Robótica Inteligente Controle de Processos daptativo Tópicos bordados: Sistemas Híbridos Inteligentes / Hybrid Machine Learning Tools 1. Conceitos básicos: Inteligência e prendizado Soluções Híbridas Representação de Conhecimentos: Métodos Simbólicos e Métodos Conexionistas - prendizado de Máquinas 2. Sistemas Híbridos Inteligentes 3. Sistemas Híbridos Neuro-Simbólicos SYNHESYS KNN INSS 4. Discussão sobre os Sistemas Híbridos Considerações Finais 5. Referências: ibliografia e Material Complementar 2
3 Inteligência: do Humano ao rtificial REPRODUZIR INTELIGÊNCI HUMN - O que é Inteligência? - O que é um ser Inteligente? Inteligência: do Natural ao rtificial REPRODUZIR INTELIGÊNCI HUMN - O que é Inteligência? - O que é um ser Inteligente? * ssociação de idéias e conceitos * Concluir coisas * Capacidade de aprendizado * cúmulo de conhecimentos * Raciocínio: lógico, abstrato, dedução, analogia, indução, inferência, síntese, análise * Uso prático de experiências e conhecimentos passados * Tomada de decisões * Criar coisas novas (criatividade) * Saber o que eu sei (saber explicar) * Interação * Comunicação 3
4 Inteligência rtificial: Conceitos ásicos REPRODUZIR INTELIGÊNCI HUMN - Conceito de Inteligência: CPCIDDE DE RESOLVER PROLEMS CPCIDDE DE PRENDER CPCIDDE DE SE DPTR / MELHORR - Realizar tividades Inteligentes - Sistemas Inteligentes: * Sistemas Especialistas * Sistemas de poio ao Diagnóstico e a Decisão * Reprodução de atividades típicas dos seres humanos: Fala, udição, Visão, Deslocamento, Manipulação de Objetos, etc. * Jogos: jogo da velha, xadrez, jogos de ação Sistemas Híbridos - Uma nova abordagem * Características / Propriedades: - Explorar a complementaridade dos módulos - Divisão de tarefas / Especialização - Modularidade = Múltiplas inteligências - Diversificação dos conhecimentos: Representação dos conhecimentos Novas fontes de conhecimentos Principal exemplo: SER HUMNO 4
5 Inteligência rtificial: Soluções Híbridas Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de Conhecimentos Múltiplos Sistemas Híbridos * Sistemas Especialistas de 1a. Geração: - quisição manual de conhecimentos - Problemas: ase de Conhecimentos (regras e fatos) * Sistemas Especialistas de 2a. Geração: - quisição automática de conhecimentos - Integração de diferentes métodos da I.. Sistemas Híbridos Inteligência rtificial: Soluções Híbridas Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de Conhecimentos Múltiplos Sistemas Híbridos Sistemas Inteligentes Híbridos Projeto de Pesquisa HMLT - Hybrid Machine Learning Tools Ferramentas Híbridas de prendizado para o Máquinas Coordenador... Prof. Fernando Osório olsistas de Iniciação Científica... Carla Medeiros arros (ex-bolsista) João Ricardo de ittencourt Menezes Rafael Guterres Jeffman Mestrando... Farlei Heinen (PIPC 2000/2001) Cooperação: Laboratoire LEINIZ - Grenoble, França PRIS / NUS - National University of Singapore 5
6 Inteligência rtificial: prendizado de Máquinas Inteligência rtificial Sistemas Inteligentes prendizado de Máquinas Representação de Conhecimentos Sistemas Especialistas KS, robótica, visão artificial,... CR, ILP, indução de árvores de decisão, redes neurais algoritmos genéticos,... Métodos Simbólicos Métodos baseados em: Redes Neurais rtificiais Regras Fuzzy Regras ayesianas (probab.) Inteligência rtificial: prendizado de Máquinas Inteligência rtificial Sistemas Inteligentes prendizado de Máquinas Representação de Conhecimentos Sistemas Especialistas KS, robótica, visão artificial,... CR, ILP, indução de árvores de decisão, redes neurais algoritmos genéticos,... Métodos Simbólicos Métodos baseados em: Redes Neurais rtificiais Regras Fuzzy Regras ayesianas (probab.) 6
7 Métodos Simbólicos: quisição de Conhecimentos ase de Conhecimentos (regras + fatos) Conversão para um formato de representação interno quisição Explicitação utomática Conhecimentos sobre uma área de aplicação: Conhecimentos do especialista Teorias sobre o domínio de aplicação Resultados de experiências praticas (casos conhecidos) Métodos Simbólicos: Representação de Conhecimentos * Sistemas baseados em conhecimentos: KS - Knowledge ase Systems, Expert Systems (Frames e Redes Semânticas) Rule asedsystems, Production Rule Systems * Sistemas baseados em regras de lógica difusa ou nebulosa Fuzzy Expert Systems * Sistemas baseados em probabilidades Redes ayesianas * Sistemas baseados em casos ou exemplos CR - Case ased Reasoning * Árvores de decisão IDT - Inductive Decision Trees * lgoritmos Genéticos G - Genetic lgorithms Sistemas Especialistas baseados em Conhecimento Simbólico Dado um problema: ssume-se usualmente => Conhecimento é Completo e Correto 7
8 Métodos Simbólicos: Representação de Conhecimentos Regras booleanas: Se temp_paciente_normal e não_tem_febre Então tomar_remédio = Não Entradas discretizadas: Se temp_paciente = anormal e (febre = média ou febre = alta) Então tomar_remédio = Sim Entradas quantitativas: Se temp_paciente > 37.0 Então tomar_remédio = Sim Contexto - Relação entre 2 entradas: Se temp_paciente > temp_médico Então tomar_remédio = Sim Intervalos: Se pertence_ao_intervalo (temp_paciente, 37.0, 39.0) Então tomar_remédio = Sim Saída numérica: Se grau_de_pertinência (temp_paciente, 37.0, 39.0 ) Então remédio = quantidade (temp_paciente) Saída com probabilidade/grau de certeza: Se temp_paciente > 37.0 Então tomar_remédio com grau_de_certeza(diagnóstico=tomar_remédio) nálise de evolução do comportamento: Se aumentou(temp_paciente) Então aumenta(medicação) Métodos Simbólicos: Representação de Conhecimentos Conhecimentos Teóricos XOR = ( Or ) nd Not ( nd ) ou XOR = ( nd Not ( ) ) Or ( Not ( ) nd ) Conhecimentos Empíricos XOR
9 Métodos Simbólicos: Representação de Conhecimentos Conhecimentos Teóricos / Simbólicos Se existem 2 casas na horizontal, vertical ou diagonal com uma marca do jogador oponente e a terceira casa está livre Então jogar nesta casa! Conhecimentos Empíricos / Dados X2 X O1 O3 X4 O5 Métodos de prendizado de Máquinas prendizado por analogia / por instâncias Sistemas baseados em casos CR - Case ased Reasoning prendizado por Indução Indução de Árvores de Decisão ID3, C4.5, CN2 - Induction of Decision Trees ILP - Inductive Logic Programming (Prolog) prendizado por evolução/seleção lgoritmos Genéticos G e GP - Genetic lgorithms / Genetic Programming prendizado por reforço (reinforcement learning) prendizado ayesianno (probabilista) prendizado Neural MLP ack-propagation - rtificial Neural Networks 9
10 SE DE DDOS SORE O PROLEM NÚMERO CÉU TEMPERTUR HUMIDDE VENTO CLSSE 1 ensolarado elevada alta não N 2 ensolarado elevada alta sim N 3 coberto elevada alta não P 4 chuvoso média alta não P 5 chuvoso baixa normal não P 6 chuvoso baixa normal sim N 7 coberto baixa normal sim P 8 ensolarado média alta não N 9 ensolarado baixa normal não P 10 chuvoso média normal não P 11 ensolarado média normal sim P 12 coberto média alta sim P 13 coberto elevada normal não P 14 chuvoso média alta sim N Tabela Conjunto de dados de aprendizado : Condições meteorológicas N = Negativo (tempo ruim) P = Positivo (tempo bom) SIMÓLICO P=2 N=3 Ensolarado HUMIDDE CÉU Coberto P=9 N=5 Chuvoso VENTO P=3 N=2 Normal lta Verdadeiro P Falso P=4 Questão (corte) Caso Positivo (P) Caso Negativo (N) P P=2 N N=3 N N=2 P P=3 Classe (folha) IF ( ( CÉU=Ensolarado and HUMIDDE=Normal ) or ( CÉU=Coberto ) or ( CÉU=Chuvoso and VENTO=Falso) ) Then Classe = P RVORE DE DECISÃO 10
11 Métodos Simbólicos: Árvores de Decisão Y ção3 ção2 ção3 Entradas: X = [0..30] Y = [0..20] Saídas (ções): ção1, ção2, ção3 Árvore de Decisão: Sim Y<=10 Não 6 4 ção1 ção1 Sim X<=10 Não 2 ção X prendizado de Máquinas: lgoritmos Genéticos Reprodução Seleção Natural (Fitness) Combinação (Crossover) Mutação População Original 11
12 prendizado de Máquinas: lgoritmos Genéticos XOR :- XOR :- XOR XOR : = ( or ) nd Not ( nd ) Reprodução Combinação Mutação Ok? lgumas gerações depois... XOR :- XOR :- or XOR :- and XOR :- Not () XOR :- Not () XOR :- or XOR :- Not() XOR :- Not () Seleção: Melhor Fitness Métodos Simbólicos: Vantagens e Desvantagens + Conhecimento representado por regras (ou outra estrutura similar) que podem ser facilmente interpretadas e analisadas; + Permite a explicação do processo que levou a uma determinada resposta; + Fácil inserção de novos conhecimentos obtidos à partir do especialista ou através de métodos automáticos de aquisição de conhecimentos; - Necessidade de se trabalhar com conhecimentos completos e exatos sobre um determinado problema; - Dificuldade de explicitar todos os conhecimentos relativos ao problema através de regras simbólicas; - Dificuldade para tratar informações imprecisas ou aproximadas, e valores numéricos (dados quantitativos). 12
13 I.. - Métodos Conexionistas: Conceitos ásicos Redes Neurais rtificiais: Neurônio... Modelo Simulado Modelo SIMPLIFICDO Características ásicas: daptação prendizado utômato Representação de Conhecimentos: aseada em Conexões X 1 X 2 X N... Entradas (Dendritos) NEURL... W 1 W 2 W N Pesos Sinápticos (Efeito de inibição ou de excitação sobre a ativação dos sinais de entrada) N Net = Σ Wi.Xi + iais i tivação (Considera o conjunto total das entradas e dos seus pesos associados) Fct (Net) Função de tivação (Regulagem da saída da rede) Saída (xônio: Conexões com as Sinapses de outras unidades) 13
14 X 1 X 2 X N... Entradas (Dendritos) NEURL... W 1 W 2 W N N Net = Σ Wi.Xi + iais i Fct (Net) Pesos Sinápticos (Efeito de inibição Rede ou Neural de excitação com apenas 2 entradas: sobre a ativação dos sinais de entrada) X, Y - Entradas (Valores numéricos) W 1, W 2 - Pesos Sinápticos tivação (Considera o conjunto total das Saída = Σ Wi.Xi + iais entradas e dos seus pesos associados) Saída = Equação da Reta: W 1. X + W 2. Y + C Função de tivação. X +. Y + C = 0 (Regulagem da saída da rede) Saída (xônio: Conexões com as Sinapses de outras unidades) Métodos Conexionistas: Representação de Conhecimentos Reta, Plano ou Hiper-plano de separação das classes -1 Classe : X*W1+Y*W2 < 0 Entrada Y +1 Y 1 P(X 1,Y 1 ) -1 X 1 - Classe - Classe P(X 1,Y 1 ) = Classe Classe : X*W1+Y*W2 > 0 Entrada X +1 Entradas: X, Y Reta: X*W1+Y*W2=0 14
15 Métodos Conexionistas: Representação de Conhecimentos Y Redes à base de Protótipos : Entradas - X,Y Saída - Classes (, ou C) Y 2 Y 1 Y 3 C C C C C C C C C CC C : Exemplos da classe : Exemplos da classe C: Exemplos da classe C X 1,Y 1 - Protótipo da classe X 2,Y 2 - Protótipo da classe X 3,Y 3 - Protótipo da classe Protótipos: * Centro de Gravidade * Raio de influência (x,y) Teste de similaridade: * Distância Euclidiana X 1 X 2 X 3 X Saída Saídas Camada Oculta Camadas Ocultas C Entradas (a) Rede de três camadas (b) Rede com atalhos (c) Rede com múltiplas camadas tv = Σ W 1 +W 2 +W 3 W 3 W 1 W2 X Redes (d) Rede recorrente (e) Rede de ordem superior Neurais 15
16 Erro na Saída da Rede prendizado: Parada tardia Dados de Teste PRENDIZDO: GENERLIZÇÃO Dados de prendizado Erro na Saída da Rede Número de Épocas Parada usando a Validação Cruzada (ponto ótimo de generalização) Dados de Teste Dados de prendizado Número de Épocas Métodos Conexionistas: Vantagens e Desvantagens + quisição automática de conhecimentos empíricos à partir de uma base de exemplos de aprendizado referente a um problema; + Manipulação de dados quantitativos, aproximados e mesmo incorretos com uma degradação gradual das respostas; + Grande poder de representação de conhecimentos através da criação de relações ponderadas entre as entradas do sistema; - Dificuldade de configuração das redes em relação à sua estrutura inicial e também no que se refere aos parâmetros dos algoritmos de aprendizado; - Dificuldade de explicitar os conhecimentos adquiridos pela rede através de uma linguagem compreensível para um ser humano; - Dificuldade de convergência (bloqueios) e instabilidade, inerentes aos algoritmos de otimização empregados; - Lentidão do processo de aprendizado / adaptação. 16
17 Sistemas Híbridos Inteligentes * Conceitos ásicos: - Complementaridade - Divisão de tarefas / Especialização - Modularidade - Diversificação: Representação de Conhecimentos Fontes de quisição de Conhecimentos Exemplo: SER HUMNO Sistemas Híbridos Inteligentes * Combinar as diferentes técnicas: - Árvores de Decisão - lgoritmos Genéticos - Redes Neurais rtificiais - CS (Case ased Reasoning = Raciocínio baseado em Casos) - RS (Rule ased Systems = Sistemas baseados em Regras) - Regras Nebulosas (Fuzzy Rules) - Sistemas Probabilistas (ayesian)... * Exemplos: Neuro+IDT, Neuro+Fuzzy, Neuro+CR, Neuro+G, RS+CR, G+RS,... 17
18 Sistemas Híbridos Inteligentes: Integração * Módulos ásicos: - Métodos Simbólicos: CR, KS, IDT, G, Fuzzy,... - Métodos Conexionistas: Redes Neurais * Tipos de Integração: - Simbólico-Difuso - Simbólico-Genético - Neuro-Genético - Neuro-CR - Neuro-Simbólicos Neuro-Fuzzy Neuro- IDT Neuro-KS Sistemas Híbridos Inteligentes: Integração ase de Conhecimentos Conversão para um formato de representação interno quisição utomática Conhecimentos sobre uma área de aplicação: Conhecimentos do especialista Teorias sobre o domínio de aplicação Resultados de experiências praticas (casos conhecidos) 18
19 Sistemas Híbridos Neuro-Simbólicos S.H.N.S. Sistemas Híbridos Neuro-Simbólicos Conexionista Puro Puramente Conexionista = Módulo Conexionista «simbólico» Módulo Simbólico + Módulo Conexionista Puramente Simbólico = Módulo Simbólico «estendido» Simbólico Puro Sistemas Híbridos Método Unificado Método Híbrido Método Unificado Híbrido no sentido amplo Híbrido no sentido restrito Híbrido no sentido amplo 19
20 X Y X X Y mbiente / Usuário (a) Processamento em Cadeia mbiente / Usuário (b) Sub-Processamento X Y MC MS mbiente / Usuário SHNS (c) Meta-Processamento mbiente / Usuário (d) Co-Processamento MC: Módulo Conexionista - MS: Módulo Simbólico X,Y: MC ou MS - X diferente de Y quisição de Conhecimentos Conhecimentos Teóricos "Regras" quisição de Conhecimentos "Exemplos" Conhecimentos Empíricos 20
21 quisição de Conhecimentos Conhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de Conhecimentos "Exemplos" Conhecimentos Empíricos Módulo MC Conexionista quisição de Conhecimentos Conhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de Conhecimentos "Exemplos" Conhecimentos Empíricos Módulo MC Conexionista 21
22 quisição de Conhecimentos Sistema Híbrido Neuro-Simbólico Conhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de Conhecimentos "Exemplos" Conhecimentos Empíricos Transferência de Conhecimentos Módulo MC Conexionista Sistemas Híbridos Neuro-Simbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward Chaining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation Compilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo Cascade-Correlation Compilação de regras, aprendizado, extração e validação 22
23 Sistema SYNHESYS Situação Expert Módulo Simbólico Transferência de Conhecimentos Módulo Conexionista Decisão Gestionário de interações Decisão Expert Sistema SYNHESYS Y Entradas - X,Y Saída - Classe (, ou C) Y 2 Y 1 Y 3 C C C C C C C C C C C C : Exemplos da classe : Exemplos da classe C: Exemplos da classe C X 1,Y 1 - Protótipo da classe X 2,Y 2 - Protótipo da classe X 3,Y 3 - Protótipo da classe Protótipos: * Centro de Gravidade (x,y) * Raio de influência (rx,ry) Teste de similaridade: * Distância Euclidiana X X 1 X 2 X 3 Protótipos: Hiper-elipsoides / Hiper-Esferas 23
24 Sistema SYNHESYS Y ção3 ção2 ção Protótipos: Hiper-retângulos ção3 Entradas: X = [0..30] Y = [0..20] Saídas (ções): ção1, ção2, ção3 Regras: R1: Se Y in [0..10] então Y_Fraco R2: Se Y in [10..20] então Y_Forte R3: Se X in [0..10] então X_Fraco R4: Se X in [10..20] então X_Médio R5: Se X in [20..30] então X_Forte R6: Se Y_Fraco então ção1 R7: Se Y_Forte e X_Fraco então ção3 R8: Se Y_Forte e X_Forte então ção3 R9: Se Y in [14..20] e X_Médio então ção2 X Ds : Decisão do Módulo Simbólico Dc : Decisão do Módulo Conexionista Dsc : Decisão Simboli-Conexionista pagar ou adicionar uma regra S I T U Ç Ã O Sem Resposta Módulo Conexionista Forward Chaining Módulo Simbólico ackward Chaining Dc Ds Dc=Ds Dc Ds Dsc Ds/Dc D E C I S Ã O E X P E R T Synhesys prendizado / daptação (Pode usar Ds) 24
25 Sistemas Híbridos Neuro-Symbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward Chaining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation Compilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo Cascade-Correlation Compilação de regras, aprendizado, extração e validação Sistema KNN Conhecimentos simbólicos iniciais Rede Neural inicial Rede Neural após o aprendizado Conhecimentos simbólicos refinados Compilação de regras dentro de uma rede prendizado Conexionista Extração de regras à partir de uma rede 25
26 Sistema KNN ase de Conhecimentos Simbólicos Conclusões Finais Rede Neural rtificial Unidades de Saída Conclusões Intermediárias Camada Oculta Fatos de ase (Premissas) Unidades de Entrada KNN - Regras e Redes Conhecimentos Teóricos XOR = ( Or ) nd Not ( nd ) ou XOR = ( nd Not ( ) ) Or ( Not ( ) nd ) Conhecimentos Empíricos XOR Sistema KNN Conhecimentos sobre um domínio de aplicação KNN - quisição de Conhecimentos 26
27 Sistema KNN Operador E - Conjunção: X :-,, Not(C), Not(D). W > 0 P = 2 X ias: (-P+0.5)*W Operador OU - Disjunção: X :-. X :-. X :- C. X :- D. W > 0 X ias: -0.5*W W W -W -W W W W W C D C D KNN - Compilação de Regras Sistema KNN RN : Multi-Layer Perceptron (MLP) - lgoritmo utilizado : ack-propagation Medida do Erro Configuração Inicial Minimização do Erro: Cálculo baseado no gradiente da curva de erro Mudanças na Configuração dos Pesos Sinápticos Configuração Final (após adaptação) Mínimos Locais Mínimo Global KNN - prendizado 27
28 lgoritmo SUSET Sistema KNN X ias: θ = -5.0 X :=,, C. X :=,, not(d). X :=, C, not(d). X :=, C, not(d) C D IF ( and and C) or ( and and Not(D)) or ( and C and Not(D)) or ( and C and Not(D)) THEN X KNN - Extração de Regras Sistema KNN Pontos fracos do Sistema KNN lgoritmo de aprendizado pouco eficiente (ack-propagation) Redes Neurais estáticas ases de conhecimentos (regras e exemplos) com problemas significativos de incompletitude ou de incorreção Mudança do significado das unidades inseridas na rede neural Processo de extração de regras muito pesado (complexo) Extração de regras : implica na análise de todas as unidades da rede Utiliza unicamente regras simbólicas muito simples (compilação e extração) Regras de produção IF/THEN - Representação de conhecimentos pobre Dificuldade para trabalhar com atributos quantitativos (variáveis contínuas) 28
29 Sistemas Híbridos Neuro-Symbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward Chaining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation Compilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo Cascade-Correlation Compilação de regras, aprendizado, extração e validação Sistema INSS Conhecimentos Teóricos Conhecimentos Empíricos quisição de Conhecimentos (Expert / Engenheiro de Conhecimentos) Regras Módulo de Validação Exemplos MS Módulo Simbólico Inserção de Regras Extração de Regras MC Módulo Conexionista [RN] Transfêrencia de Conhecimentos INSS - Incremental Neuro-Symbolic System 29
30 Sistema INSS Regras Simbólicas Clips MÓDULO SIMÓLICO Conversor Regras > Rede NeuComp Rede Inicial Sistema INSS Regras Simbólicas Clips MÓDULO SIMÓLICO MÓDULO CONEXIONIST NeuSim Conversor Regras > Rede NeuComp Rede Inicial Rede Refinada Exemplos 30
31 Sistema INSS Regras Simbólicas Clips MÓDULO SIMÓLICO MÓDULO CONEXIONIST NeuSim Conversor Regras > Rede NeuComp Rede Inicial Rede Refinada Regras Refinadas Conversor Rede > Regras Extract Exemplos Sistema INSS Regras Simbólicas Clips MÓDULO SIMÓLICO MÓDULO CONEXIONIST NeuSim Exemplos Conversor Regras > Rédes NeuComp Rede Inicial Rede Refinada Regras Refinadas Conversor Redes > Regras Extract M Ó D U L O D E V L I D Ç Ã O 31
32 Sistema INSS Regras Simbólicas Clips MÓDULO SIMÓLICO MÓDULO CONEXIONIST NeuSim Exemplos Conversor Regras > Rede NeuComp Rede Inicial Rede Refinada Regras Refinadas Conversor Rede > Regras Extract M Ó D U L O D E V L I D Ç Ã O INSS : Compilação de Regras $Features: :binary; :binary. $End_Feat. $Rules: _OR_ <- ; _OR_ <- ; _ND_ <-,; XOR <- _OR_, _ND_(false). $End_rules. $End. %% %% Exclusive Or - Lógica ooleana %% Xor = ( Or ) nd Not( nd ) %% _OR_ XOR Wij / ias _ND_ 32
33 INSS: Compilação de Regras Regras de ordem 0 + Valor de Saída Valor de Entrada (Trait) Valor de Entrada (Trait) Greater_Than (Variável, Valor) In_Range (Variável, Min, Max) Greater_Than (Variável, Variável) Equal (Variável, Valor) Less_Than (Variável, Valor) Equal (Variável, Variável) Less_Than (Variável, Variável) INSS : Rede Neural Incremental lgoritmo Cascade-Correlation (CasCor) 33
34 INSS e Rule_Out : Extração de Regras lgoritmo de extração de regras : SUSET [Towell] RULE_OUT: * Extrair os novos conhecimentos adquiridos * Extrair as regras mais importantes - Seleção das unidades (neurônios) para a extração - Seleção das conexões para a extração * Em estudo : regras de ordem 0 + (Fuzzy) X Vantagens: * Extração incremental de conhecimentos * Validação dos conhecimentos adquiridos INSS : Validação dos Conhecimentos Conhecimentos Teóricos R1 : If ( Or ) Then XOR=1 R2 : If Not ( nd ) Then XOR=1 R3 : If ( nd ) Then XOR=0 R4 : If Not () nd Not ( ) Then XOR=0 Conhecimentos Empíricos Ex. XOR E E E E Validação Incoerência entre R3 (Saída=0) e E4 (Saída=1) Não existem regras que satisfaçam E4 34
35 Sistema INSS Pontos fortes do Sistema INSS lgoritmo de aprendizado com um ótimo desempenho (Cascade-Correlation) Rede Neural do tipo incremental Permite o uso de conhecimentos (regras e exemplos) incompletos ou incoerentes Não modifica o significado das unidades inseridas na rede Processo incremental de extração de regras Extração de regras: análise parcial da rede (+ eficaz) Utiliza regras simbólicas de ordem 0 e 0 + (compilação) Trabalha com atributos quantitativos (variáveis contínuas) e qualitativos (variáveis discretas) prendizado de Máquinas Construtivo Sistema INSS : plicações Problemas rtificiais de Classificação (Monk s Problems - S. Thrun) juda ao Diagnóstico Médico - Comas Tóxicas (Projeto Esprit MIX) Robótica utônoma (Robô móvel Khepera) Problema da alança (alance Scale Problem - T. Shultz) 35
36 Sistema INSS : plicações Sintomas Gerais Variável Tipo Valores 1 Sexo SEXE Discreto {feminino, masculino} - 0/1 2 Temperatura TEMP Temp_Low Temp_Normal Temp_High Sintomas Continuo Discreto Discreto Discreto Neurológicos {... } 0/1 0/1 0/1 3 Estado CLME Discreto {calmo, agitado} - 0/1 4 Foto-motores PHOTO Discreto {presente, ausente} - 0/1 (reação das pupilas) 5 Olhar REGRD Discreto {normal, anormal} - 0/1 6 Estado das Pupilas - PUPIL Pupil_myosis Pupil_intermed Pupil_mydriase Discreto Discreto Discreto Discreto {myosis, intermediário, mydriase} 0/1 0/1 0/1 7 Tonus muscular - TONUS Discreto {hipertonia, hipotonia} 8 Reflexos dos tendões - Discreto {vivos, diminuídos} ROT Sintomas cardiológicos 9 Pressão rterial - PS PS_Low PS_Normal PS_High 10 Freqüência Cardíaca - FC FC_Low FC_Normal FC_High 11 Medida ECG QRS QRS_Normal QRS_Prolongado Contínuo Discreto Discreto Discreto Contínuo Discreto Discreto Discreto Continuo Discreto Discreto {...} 0/1 0/1 0/1 {...} 0/1 0/1 0/1 {...} 0/1 0/1 12 Intervalo QT QT Discreto {normal, prolongado} - 0/1 Urina 13 exiga - GLOE_VESICL Discreto {sim, não} - 0/1 Diagnóstico breviações Substância Tóxica Ocorrência 1 adt, a nti-depressores tri-cíclicos arbitúricos 86 3 ben, b enzodiazepina C Carbamato 68 5 P Fenotiazina M Morfina 13 7 E lcool 137 Combinações a (25), ab (12), abp (9), ab (104), abc (11), abm (5), abp (38), ap (5), (8), b (23), bcp (5), cp (13), ben (37), bc (24), bm (8), bp (31), c (5), p (5), Ea (12), Eab (36), Eabp (8), E (12), E (6), Eb (5), Ebp (5), Eb (32), Ebc (10), Ebp (11) Tabela - Os diferentes tipos de substâncias tóxicas da base de dados Sintomas Sistema INSS : plicações 36
37 Sistema INSS : plicações PRIS - Program for Research into Intelligent Systems Intercâmbio científico... Considerações Finais Conhecimentos : regras / exemplos - incompletos / incoerentes lgoritmos de aprendizado eficientes Redes Neurais do tipo incremental / Redes Recorrentes Compilação e extração de regras de alto nível tributos quantitativos e qualitativos Validação dos conhecimentos adquiridos Evolução dos conhecimentos de forma continuada umento do poder de representação de conhecimentos Integração de múltiplos módulos: CR, Fuzzy, G,... Sistema Híbrido Neuro-Simbólicos Hybrid Machine Learning Tools 37
38 TEMS DE PESQUIS SORE SISTEMS HÍRIDOS * LIVROS: Obra clássica: ;^) OSORIO, F. S. INSS: Un Système Hybride Neuro-Symbolique pour l pprentissage utomatique Constructif. Thèse de Doctorat - INPG, IMG. Grenoble Nikolopulos, Chris. Expert Systems - Introduction to 1st and 2nd Generation and Hybrid Knowledge ased Systems. Marcel Deker, Kandel, & Langholtz, G. Hybrid rchitectures for Intelligent Systems. CRC Press, oca Raton, Florida, Sun, Ron & lexandre, Frederic. Connectionist Symbolic Integration: From Unified to Hybrid pproaches. Lawrence-Erlbaum ssociates, Ian Cloete, Jacek Zurada. Knowledge ased NeuroComputing. MIT press, * PESQUISS: F. Osório,. my, D. Memmi,. Orsier, M. Malek,. Giacometti / Projeto Europeu MIX Laboratoire Leibniz - Equipe Réseaux - F. Osório - Projetos HMLT e COHR - Publicações: * INTERNET: Guideook / N.U.S. ENI 99 Lista de ibliografias Projeto HMLT
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/2-3o. Trimestre - AULA 01 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/2-3o. Trimestre - AULA 01 / FSO Professor Responsável: SISTEMAS ADAPTATIVOS INTELIGENTES Prof. Dr. Fernando
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURIS RTIFIIIS urso de Informática Semestre 2001/2 Professor Responsável: Prof. Dr. Fernando Osório E-Mail: osorio@exatas.unisinos.br Web: http://www.inf.unisinos.br/~osorio/neural.html TEMS DE
Leia maisSistemas Híbridos Inteligentes
Sistemas Híbridos Inteligentes Congresso da SBC - ENIA 99 Autores: Prof. Dr. Fernando Osório Prof.ª Dr.ª Renata Vieira Rio de Janeiro - Julho 1999 UNISINOS - Centro de Ciências Exatas e Tecnológicas -
Leia maisSistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
Sistemas Inteligentes baseados em Redes eurais rtificiais aplicados ao Processamento de Imagens Coordenador do Projeto: Prof. Dr. Fernando Osório olsista CPq : João Ricardo ittencourt UISC - Santa Cruz
Leia maisREDES NEURAIS ARTIFICIAIS: Do Aprendizado Natural Ao Aprendizado Artificial
REDES NEURIS RTIFICIIS: Do prendizado Natural o prendizado rtificial I FORUM DE INTELIGÊNCI RTIFICIL utor/presentador: Prof. Dr. Fernando Osório* ULR Canoas - gosto 1999 * UNISINOS - Centro de Ciências
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisINTELIGÊNCIA: Do Humano ao Artificial
Inteligência Artificial e Aprendizado de Máquinas Conceitos Básicos: Machine Learning e Redes Neurais Artificiais Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisEstrutura de um Sistema Especialista
Sistemas Especialistas Difusos Estrutura de um Sistema Especialista Prof. Max Pereira http://paginas.unisul.br/max.pereira Áreas de Aplicação da IA SISTEMAS Sistemas Especialistas (Baseados em Conhecimento)
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisComplemento III Noções Introdutórias em Lógica Nebulosa
Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisDesenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando em Computação Aplicada - PIP/CA)
Seminário de Pesquisa - Mestrado em Computação Aplicada Robótica Autônoma: Projeto de Sistemas Inteligentes usando Aprendizado de Máquinas Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando
Leia maisSistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
I WORKSHOP DE INTELIGÊNCI RTIFICIL UNISC Universidade de Santa Cruz do Sul Departamento de Informática- Junho 2000 Seminário Sistemas Inteligentes baseados em Redes Neurais rtificiais aplicados ao Processamento
Leia maisParadigmas da IA. Eixos centrais (das diferenças)
Paradigmas da IA Paradigmas da IA Simbólico: metáfora lingüística/lógica Sistemas de produção Conexionista: metáfora cérebro Redes neurais Evolucionista: metáfora teoria da evolução natural Algoritmos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
Leia maisData, Text and Web Mining
Data, Text and Web Mining Fabrício J. Barth TerraForum Consultores Junho de 2010 Objetivo Apresentar a importância do tema, os conceitos relacionados e alguns exemplos de aplicações. Data, Text and Web
Leia maisO Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados
SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento
Leia maisNOTA À 2ª EDIÇÃO... VII PREFÁCIO... IX. No Renascimento de uma Nova Era... IX PREÂMBULO... XIII. Organização do livro... xiii. Destinatários...
NOTA À 2ª EDIÇÃO... VII PREFÁCIO... IX No Renascimento de uma Nova Era... IX Índice PREÂMBULO... XIII Organização do livro... xiii Destinatários... xiv Utilização do livro... xiv Agradecimentos... xiv
Leia maisREPRODUZIR A INTELIGÊNCIA HUMANA
Redes Neurais - prendizado rtificial Fernando Osório Forum de I.. 99 Pg.1 Introdução Este tutorial tem por objetivo apresentar uma introdução ao aprendizado artificial e automatizado (machine learning),
Leia maisRevisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011
Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,
Leia maisFases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse
Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Simulação: Base de Dados, Codificação, Parâmetros Aprendizado: Generalização, Avaliação de Resultados Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 1 OBJETIVOS 1. Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento? 2. Quais são as aplicações
Leia maisInteligência Artificial
Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas
Leia maisAplicações Práticas com Redes Neurais Artificiais em Java
com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org
Leia maisProjeto Pedagógico do Bacharelado em Ciência da Computação. Comissão de Curso e NDE do BCC
Projeto Pedagógico do Bacharelado em Ciência da Computação Comissão de Curso e NDE do BCC Fevereiro de 2015 Situação Legal do Curso Criação: Resolução CONSU no. 43, de 04/07/2007. Autorização: Portaria
Leia maisMódulo 6: Inteligência Artificial
Módulo 6: Inteligência Artificial Assuntos: 6.1. Aplicações da IA 6.2. Sistemas Especialistas 6.1. Aplicações da Inteligência Artificial As organizações estão ampliando significativamente suas tentativas
Leia maisNathalie Portugal Vargas
Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield
Leia maisExtração de Regras de Redes Neurais via Algoritmos Genéticos
Proceedings of the IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais pp. 158-163, July 20-22, 1999 - ITA, São José dos Campos - SP - Brazil Extração de Regras de Redes
Leia maisAula 02: Conceitos Fundamentais
Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisSISTEMAS INTELIGENTES DE APOIO À DECISÃO
SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas
Leia maisInteligência Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
Capítulo 10 GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 10.1 2003 by Prentice Hall OBJETIVOS Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento?
Leia maisPós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining
Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisLaudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
Leia maisAlinhamento Prático Ferramenta ARIS Operação Básica
Alinhamento Prático Ferramenta ARIS Operação Básica AGENDA Ferramenta ARIS Operação do módulo básico ARIS Explorer Estruturação dos componentes Login na base de dados Manipulação de grupos Objetos Conexões
Leia maisApresentação final do Trabalho de Conclusão -Novembro 2002. Autenticação On-line de assinaturas utilizando Redes Neurais. Milton Roberto Heinen
Apresentação final do Trabalho de Conclusão -Novembro 2002 Autenticação On-line de assinaturas utilizando Redes Neurais Milton Roberto Heinen miltonrh@ig.com.br Motivação Falta de segurança dos sistemas
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia maisModelos não recorrentes RNA Feed-Forward: MLP - Backpropagation, RProp,CasCor (HiperPlanos) RBF Radial Basis Function (Clusters)
Modelos não recorrentes RNA Feed-Forward: MLP - Backpropagation, RProp,CasCor (HiperPlanos) RBF Radial Basis Function (Clusters) 2. Outros modelos Mapas de Kohonen SOM, SOFM (Self-Organizing Feature Maps)
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisUma Aplicação de Ensino Orientada a Agentes na Internet
1 de 5 22/7/2008 17:14 Uma Aplicação de Ensino Orientada a Agentes na Internet Adriana Soares Pereira Cláudio Fernando Resin Geyer adriana@inf.ufrgs.br Resumo Este trabalho apresenta uma proposta de desenvolvimento
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisUm IDS utilizando SNMP e Lógica Difusa
Grupo de Trabalho em Segurança GTS2007 Um IDS utilizando SNMP e Lógica Difusa Apresentador: Émerson Virti Autores: Émerson Virti, Liane Tarouco Índice 1. Motivação 2. Conceitos 3. IDS Proposto 4. Testes
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia mais3 Trabalhos Relacionados
35 3 Trabalhos Relacionados Alguns trabalhos se relacionam com o aqui proposto sob duas visões, uma sobre a visão de implementação e arquitetura, com a utilização de informações de contexto em SMA, outra
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisMatemática Aplicada às Ciências Sociais
DEPARTAMENTO DE MATEMÁTICA Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 10º Ano Planificação 2014/2015 Índice Finalidades... 2 Objectivos e competências
Leia maisEngenharia de Software
Universidade São Judas Tadeu Profª Dra. Ana Paula Gonçalves Serra Engenharia de O Processo Uma Visão Genérica Capítulo 2 (até item 2.2. inclusive) Engenharia de - Roger Pressman 6ª edição McGrawHill Capítulo
Leia maisAPLICATIVO PARA GERENCIAMENTO DE FORÇA DE TRABALHO EM EMPRESAS DE TELEFONIA MÓVEL
APLICATIVO PARA GERENCIAMENTO DE FORÇA DE TRABALHO EM EMPRESAS DE TELEFONIA MÓVEL Tatiana Bogo Fujii Prof. Wilson Pedro Carli Orientador Introdução; Telefonia Celular; Internet; ASP; Inteligência Artificial;
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisEngenharia de Software: Introdução. Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes
Engenharia de Software: Introdução Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes Programa 1. O processo de engenharia de software 2. UML 3. O Processo Unificado 1. Captura de requisitos 2.
Leia maisUso de Scanalyzer com embriões de Danio rerio
Uso de Scanalyzer com embriões de Danio rerio Background histórico e biológico Quando se iniciou o movimento de proteger o ambiente através de sistemas de testes biológicos, os testes agudos e crônicos
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisHerramientas inteligentes para el diagnóstico de transformadores sometidos a esfuerzos electromagnéticos severos
Herramientas inteligentes para el diagnóstico de transformadores sometidos a esfuerzos electromagnéticos severos Nombre Carlos Guilherme Gonzales Correo cgonzale@cteep.com.br Empresa www.cteep.com.br Cargo
Leia maisPROJETO DE REDES www.projetoderedes.com.br
PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro
Leia maissrbo@ufpa.br www.ufpa.br/srbo
CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto
Leia maisSistemas Especialistas
Sistemas Especialistas Sistemas de Informação Inteligentes Prof. Esp. MBA Heuber G. F. Lima Aula3 Agenda Conceitos para a construção Avaliação de alguns sistemas especialistas Page 2 Sistemas Especialistas
Leia maisSERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO
SERVIÇO PÚBLICO FEDERAL UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO CONCURSO PÚBLICO PARA DOCENTES DO MAGISTÉRIO SUPERIOR Edital nº 1, de 1 de março de
Leia maisInteligência Computacional: resolvendo problemas difíceis da vida real
Instituto de Computação Semana Nacional da Ciência e Tecnologia Escola Agrotécnica Federal de Inconfidentes Inteligência Computacional: resolvendo problemas difíceis da vida real Carlos Eduardo de Andrade
Leia maisTécnicas de Inferência
Técnicas de Inferência Raciocínio As pessoas resolvem problemas através da combinação de fatos com seu conhecimento. Raciocínio O processo de trabalhar com conhecimento, fatos e estratégias de resolução
Leia maisInstrumentação na Indústria Química. Prof. Gerônimo
Instrumentação na Indústria Química Prof. Gerônimo Ementa 1. Introdução. 2. Histórico. 3. Automação, controle de processo. 4. Instrumentos para controle de processos: - Classificação dos instrumentos -
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO - PRÓ-REITORIA PARA ASSUNTOS ACADÊMICOS CURRÍCULO DO CURSO DE GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO PERFIL
PERFIL 3001 - Válido para os alunos ingressos a partir de 2002.1 Disciplinas Obrigatórias Ciclo Geral Prát IF668 Introdução à Computação 1 2 2 45 MA530 Cálculo para Computação 5 0 5 75 MA531 Álgebra Vetorial
Leia maisPlano de Trabalho Docente 2013. Ensino Médio
Plano de Trabalho Docente 2013 Ensino Médio Etec PAULINO BOTELHO Código: 091 Município: : SÃO CARLOS Área de conhecimento:ciencias DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular: : MATEMATICA
Leia mais- UNIVERSIDADE DO VALE DO RIO DOS SINOS CIÊNCIAS EXATAS E TECNOLÓGICAS Curso: Informática / Ciência da Computação
Programação 1I Prof. Osório Árvores Binárias Pag.: 1 - UNIVERSIDADE DO VALE DO RIO DOS SINOS CIÊNCIAS EXATAS E TECNOLÓGICAS Curso: Informática / Ciência da Computação Programação II Disciplina: Linguagem
Leia maisControle Inteligente de Robos Móveis: Aplicações da Inteligência Artificial nas Pesquisas em Robótica
! #" $ %'&(#(& Controle Inteligente de Robos Móveis: Aplicações da Inteligência Artificial nas Pesquisas em Robótica ) * +, -,. /01 2 + 3 /4 5 6 5 7 8 5 9: ; < = < 6 >? @ 8 6 8 @ 5 6 > A 7 ) - + B * 3
Leia maisRegulamento do Curso de. Mestrado Integrado em Engenharia Informática
Regulamento do Curso de Mestrado Integrado em Engenharia Informática (Ciclo integrado de estudos superiores) (Registado na DGES através do n.º R/A-Cr 21/2013) Artigo 1.º Regulamento geral aplicável O Curso
Leia maisUm Processo para Desenvolvimento de Aplicações Web Baseado em Serviços. Autores: Fábio Zaupa, Itana Gimenes, Don Cowan, Paulo Alencar e Carlos Lucena
Um Processo para Desenvolvimento de Aplicações Web Baseado em Serviços Autores: Fábio Zaupa, Itana Gimenes, Don Cowan, Paulo Alencar e Carlos Lucena Tópicos Motivação e Objetivos LP e SOA Processo ADESE
Leia maisPlano de Trabalho Docente 2015. Ensino Médio
Plano de Trabalho Docente 2015 Ensino Médio Etec Etec: PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Área de conhecimento: :CIENCIAS DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular:
Leia maisXIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO
XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisDesenvolvimento de Interfaces Prototipação
Autarquia Educacional do Vale do São Francisco AEVSF Faculdade de Ciências Aplicadas e Sociais de Petrolina - FACAPE Centro de Engenharia e Ciências Tecnológicas CECT Curso de Ciência da Computação Desenvolvimento
Leia maisUso de taxonomias na gestão de conteúdo de portais corporativos.
Gestão de Conteúdo web através de ontologias: conceitos e aplicações Fernando Silva Parreiras Contextualização O que? Uso de taxonomias na gestão de conteúdo de portais corporativos. Quem? Gerentes, consultores
Leia maisDoenças cardiovasculares constituem um dos maiores problemas que afligem a
18 1 INTRODUÇÃO Doenças cardiovasculares constituem um dos maiores problemas que afligem a população dos países industrializados. Essas doenças são responsáveis por mais de cinco milhões de pessoas hospitalizadas
Leia maisSistemas especialistas
Sistemas especialistas Motor de Inferência para Sistemas Especialistas baseados em Regras de Produção Arquitetura geral: Base de conhecimento Mecanismo de raciocínio Interface com o usuário Motor de inferência
Leia maistipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.
1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
Leia maisO Hardware e o Software do Computador
O Hardware e o Software do Computador Aula 3 Parte 2 Software de Computador Aplicativo Horizontal: tarefas genéricas, para quaisquer organizações Aplicativo Vertical: tarefas específicas, para organizações
Leia maisO PROJETO DE PESQUISA. Prof. Angelo Augusto Frozza, M.Sc. http://about.me/tilfrozza
O PROJETO DE PESQUISA Prof. Angelo Augusto Frozza, M.Sc. http://about.me/tilfrozza ROTEIRO Escolher um tema de pesquisa Por onde começar? Ler para aprender Estrutura do Projeto de Pesquisa A Definição
Leia maisInteligência Artificial. Fuzzy
Inteligência Artificial Fuzzy Graude Crença -Grau deverdade Lógica Fuzzy Grau de crença: População composta de brancos e negros Probabilidade de alguém ser branco. Grau de verdade: A partir do momento
Leia maisGestão do Conhecimento. Capitulo 11
Gestão do Conhecimento Capitulo 11 Gestão do Conhecimento Objetivos da aula Gestão de Conhecimento Sistemas de Gestão de Conhecimento Por que hoje as empresas necessitam de programas de gestão do conhecimento
Leia maisPlano de Trabalho Docente 2015. Ensino Médio
Plano de Trabalho Docente 2015 Ensino Médio Etec Etec: PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Área de conhecimento: :CIENCIAS DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular:
Leia maisLINGUAGENS E PARADIGMAS DE PROGRAMAÇÃO. Ciência da Computação IFSC Lages. Prof. Wilson Castello Branco Neto
LINGUAGENS E PARADIGMAS DE PROGRAMAÇÃO Ciência da Computação IFSC Lages. Prof. Wilson Castello Branco Neto Conceitos de Linguagens de Roteiro: Apresentação do plano de ensino; Apresentação do plano de
Leia maisCOERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS
COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS O documento que serviu de base para a análise a seguir é o denominado "Diretrizes Curriculares
Leia mais4 Estratégias para Implementação de Agentes
Estratégias para Implementação de Agentes 40 4 Estratégias para Implementação de Agentes As principais dúvidas do investidor humano nos dias de hoje são: quando comprar ações, quando vendê-las, quanto
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia mais