Aprendizado indutivo. Marcelo K. Albertini. 17 de Abril de 2014
|
|
- Letícia Sampaio Imperial
- 6 Há anos
- Visualizações:
Transcrição
1 Aprendizado indutivo Marcelo K. Albertini 17 de Abril de 2014
2 2/22 Aprendizado indutivo O que é? Porque é difícil? Como podemos resolver problemas de indução?
3 3/22 Aprendizado supervisionado Temos: exemplos de treino x,f( x), para uma função f desconhecida Objetivo: Encontrar aproximação para f
4 Aprendizado supervisionado Temos: exemplos de treino x,f( x), para uma função f desconhecida Objetivo: Encontrar aproximação para f Investimento em imóveis x: características do imóvel f( x): comprar ou não Diagnóstico médico x: informações do paciente (sintomas, testes de laboratório) f( x): está doente? qual doença? qual tratamento? Reconhecimento de digitais x: imagem da digital f( x): nome da pessoa Condução automática x: imagem da rua em frente ao carro e sensores de colisão f( x): graus para girar o volante ou frear 3/22
5 4/22 Aplicações apropriadas para Aprendizado Supervisionado Situações sem especialistas x: grafo de iterações quimícas de um remédio novo f( x): reação do protozoário causador da doença de Chagas Tarefas que humanos fazem, mas não sabem descrever como x: imagem de um caractere escrita a mão f( x): código ASCII do caractere Situações onde a função desejada está mudando frequentemente x: descrição de preços de ações e negociações dos últimos 10 dias f( x): negociações recomendadas Situações em que o usuário necessita de uma função customizada f x: mensagem de recebimento de f( x): pontuação da relevância para o usuário (ou remoção do )
6 Um problema de aprendizado x 1 x 2 x 3 Função desconhecida f x = x 1,x 2,x 3,x 4 y = f( x) x 4 Exemplo x 1 x 2 x 3 x 4 y Aplicação imobiliária: x 1 : tem garagem? x 2 : é prédio? x 3 : tem 3+ quartos? x 4 : preço baixo? y: comprar? 5/22
7 6/22 Tamanho do espaço de hipóteses Temos 4 variáveis. Temos 2 4 = 16 estados de entradas Quantas funções existem? 2 16 De maneira geral, com n atributos, existem 2 n estados e 2 2n Dificuldade da indução: exponencial duplo 2 2n Força bruta é inviável. Ignorância completa Existem 2 16 = possíveis funções booleanas para 4 características de entrada.
8 Espaços de hipótese Ignorância completa Existem 2 16 = possíveis funções booleanas para 4 características de entrada. Não sabemos qual é correta até observar todo par entrada-saída x, y. Após 7 exemplos anteriores, ainda temos 2 9 possibilidades Queremos descobrir valores de? x 1 x 2 x 3 x 4 y ? ? ? ? ? x 1 x 2 x 3 x 4 y ? ? ? ? ? ? ? 7/22
9 8/22 Espaço de hipóteses: regra simples Regra simples Existem somente 16 regras se-então conjuntivas simples. Regra Contraexemplo y 1 x 1 y 3 x 2 y 2 x 3 y 1 x 4 y 7 x 1 x 2 y 3 x 1 x 3 y 3 x 1 x 4 y 3 x 2 x 3 y 3 x 2 x 4 y 3 x 3 x 4 y 4 Regra Contraexemplo x 1 x 2 x 3 y 3 x 1 x 2 x 4 y 3 x 1 x 3 x 4 y 3 x 2 x 3 x 4 y 3 x 1 x 2 x 3 x 4 y 3 Nenhuma regra simples explica os exemplos.
10 Espaço de hipóteses: regra m-de-n Regras m-de-n Há 32 regras possíveis. Exemplo: se 3 de 5 sintomas apareceram, então está doente. Contra-exemplo 1-de 2-de 3-de 4-de {x 1} {x 2} {x 3} {x 4} {x 1,x 2} {x 1,x 3} {x 1,x 4} {x 2,x 3} {x 2,x 4} {x 1,x 2,x 3} {x 1,x 2,x 4} {x 1,x 3,x 4} {x 2,x 3,x 4} {x 1,x 2,x 3,x 4} /22
11 10/22 Duas visões de aprendizado Aprendizado é a remoção de incertezas Suponha que sabemos que a função-alvo fosse uma regra m-de-n, então poderíamos usar os exemplos para inferir qual função é Aprendizado requer adivinhar uma boa e pequena classe de hipóteses Nós podemos iniciar com uma classe bem pequena e aumentá-la até conter uma hipótese que se adequa aos exemplos
12 11/22 Duas visões de aprendizado Podemos estar enganados! Nosso conhecimento prévio pode estar errado Nossa adivinhação de classe de hipóteses pode estar errada Quanto menor a classe, mais fácil encontrar função porém mais provável estarmos errados Exemplos x 4 UmEntre{x 1,x 3 } y é também consistente com os dados de treino x 4 x 2 y é também consistente com os exemplos de treino. Então qual é a certa? Se uma dessas é a função desconhecida, então erraremos quando recebermos novos valores x
13 Duas estratégias para Aprendizado de Máquina em Mineração de Dados Desenvolver linguagens Regras gramaticais Modelos estocásticos Qual linguagem é mais fácil para expressar o conhecimento do problema? Desenvolver espaços de hipóteses flexíveis Coleções aninhadas de hipóteses Árvores de decisão Regras lógicas Redes neurais Nos dois casos Desenvolver algoritmos para encontrar uma hipótese adequada aos dados 12/22
14 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x)
15 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f
16 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f.
17 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f. Conceito. Uma função booleana. Exemplos para que f( x) = 1 são chamado exemplos positivos ou instâncias positivas do conceito. Exemplos para qua f( x) = 0 são chamados exemplos negativos ou instâncias negativas
18 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f. Conceito. Uma função booleana. Exemplos para que f( x) = 1 são chamado exemplos positivos ou instâncias positivas do conceito. Exemplos para qua f( x) = 0 são chamados exemplos negativos ou instâncias negativas Classificador. Uma função com valores discretos. Os possíveis valores f(x) {1,...,K} são chamados de classe ou valor da classe
19 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f. Conceito. Uma função booleana. Exemplos para que f( x) = 1 são chamado exemplos positivos ou instâncias positivas do conceito. Exemplos para qua f( x) = 0 são chamados exemplos negativos ou instâncias negativas Classificador. Uma função com valores discretos. Os possíveis valores f(x) {1,...,K} são chamados de classe ou valor da classe às vezes, o algoritmo de obter classificadores também é chamado de classificador
20 13/22 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f. Conceito. Uma função booleana. Exemplos para que f( x) = 1 são chamado exemplos positivos ou instâncias positivas do conceito. Exemplos para qua f( x) = 0 são chamados exemplos negativos ou instâncias negativas Classificador. Uma função com valores discretos. Os possíveis valores f(x) {1,...,K} são chamados de classe ou valor da classe às vezes, o algoritmo de obter classificadores também é chamado de classificador Espaço de hipóteses. Conjunto de todas as hipóteses que o algoritmo pode produzir.
21 Terminologia Exemplo de treino. Um exemplo na forma x,f( x) Função-alvo ou conceito-alvo. A função verdadeira f Hipótese. Uma função proposta h que acredita-se ser similar a f. Conceito. Uma função booleana. Exemplos para que f( x) = 1 são chamado exemplos positivos ou instâncias positivas do conceito. Exemplos para qua f( x) = 0 são chamados exemplos negativos ou instâncias negativas Classificador. Uma função com valores discretos. Os possíveis valores f(x) {1,...,K} são chamados de classe ou valor da classe às vezes, o algoritmo de obter classificadores também é chamado de classificador Espaço de hipóteses. Conjunto de todas as hipóteses que o algoritmo pode produzir. Espaço de versão. O espaço de todas as hipóteses no espaço de hipóteses que ainda não foi descartado por um exemplo de treino. 13/22
22 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses?
23 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses? Quais espaços têm sido úteis nas aplicações práticas e porquê?
24 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses? Quais espaços têm sido úteis nas aplicações práticas e porquê? Quais algoritmos podem trabalhar com esses espaços?
25 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses? Quais espaços têm sido úteis nas aplicações práticas e porquê? Quais algoritmos podem trabalhar com esses espaços? Existem princípios de projeto para algoritmos de aprendizado de máquina?
26 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses? Quais espaços têm sido úteis nas aplicações práticas e porquê? Quais algoritmos podem trabalhar com esses espaços? Existem princípios de projeto para algoritmos de aprendizado de máquina? Como podemos otimizar a acurácia nos futuros dados?
27 14/22 Principais questões em Aprendizado de Máquina Quais são bons espaços de hipóteses? Quais espaços têm sido úteis nas aplicações práticas e porquê? Quais algoritmos podem trabalhar com esses espaços? Existem princípios de projeto para algoritmos de aprendizado de máquina? Como podemos otimizar a acurácia nos futuros dados? Isso é conhecido como problema do overfitting (memorização).
28 Overfitting e underfitting 2 1 exemplos overfitting aprendizado underfitting Figura: Uso de polinomios de diferentes ordens para aprender tendência de pontos. 15/22
29 16/22 Principais questões em Aprendizado de Máquina Como podemos ter confiança nos resultados? Quantos exemplos são necessários para encontrar hipótese acurada? Existem problemas de aprendizado que não podem ser tratados por computadores? Vai terminar em tempo razoável? Como podemos formular problemas de aplicação na forma de problemas de aprendizado de máquina? Como atender às necessidades de clientes?
30 17/22 Estratégia para definição de espaços de hipóteses: tamanho Tamanho O espaço de hipóteses tem um tamanho fixo ou tamanho variável? Espaços de tamanho fixo são mais fáceis para entender, mas espaços de tamanho variável são geralmente mais úteis. Espaços de tamanho variável acentuam o problema de overfitting.
31 18/22 Estratégia para definição de espaços de hipóteses: aleatoriedade Aleatoriedade Cada hipótese é determinística ou aleatória? Isso afeta como avaliamos hipóteses. Com uma hipótese determinística, um exemplo de treino é consistente (corretamento predito) ou inconsistente (incorretamente predito). Com hipótese aleatória, um exemplo de treino é mais provável ou menos.
32 19/22 Estratégia para definição de espaços de hipóteses: aleatoriedade Parametrização Cada hipótese é descrita por um conjunto de escolhas simbólicas (discreto) ou descrito por um conjunto contínuo de valores? Se ambos são necessários, o espaço de hipóteses tem parametrização mista Parâmetros discretos devem ser encontrados por métodos de busca combinatorial Parâmetros contínuos devem ser encontrados por métodos de busca numérica
33 20/22 Estratégia para definição de espaços de hipóteses: busca Procedimento de busca Computação direta: resolva a hipótese diretamente Busca local: inicial com uma hipótese inicial, fazer melhorias até achar boa o suficiente Busca construtiva: iniciar com hipótese vazia e gradualmente adicionar estruturas para a hipótese até achar boa suficiente
34 21/22 Estratégia para definição de espaços de hipóteses: aprendizado Modo de aprendizado Online (um a um): analisar cada exemplo de treino assim que apresentado Batch (em lote): coletar exemplos de treino, analisá-los, criar uma hipótese
35 22/22 Estratégia para definição de espaços de hipóteses: operação Modo de operação Impaciente: analisar os exemplos de treino e construir uma hipótese expĺıcita Preguiçoso: armazenar exemplos de treino e esperar até um exemplo de teste ser apresentado para a construção de uma hipótese individual ao teste
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 11 Aprendizado de Máquina Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 14 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisAprendizado de Máquinas
Aprendizado de Máquinas Objetivo A área de aprendizado de máquina preocupa-se em construir programas que automaticamente melhorem seu desempenho com a experiência. Conceito AM estuda métodos computacionais
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAprendizado de Máquina
Aprendizado de Máquina O que é Aprendizado? Memorizar alguma coisa Aprender fatos por meio de observação e exploração Melhorar habilidades motoras/cognitivas por meio de prática Organizar novo conhecimento
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
Leia maisAprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Francisco de A.T. de Carvalho 1 Aprendizagem de Máquina 1/ Introdução Situações do dia a dia em que AM é importante: Saúde. input: informações sobre pacientes relativas a gravidez
Leia maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisÁrvore de Decisão. Capítulo 18 Russell & Norvig Seções 18.1 a 18.3
Árvore de Decisão Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica Recebe como entrada o valor correto de uma função desconhecida para entradas específicas e tenta recuperar
Leia maisAprendizagem a partir de observações. Capítulo 18 (Secções 1-3)
Aprendizagem a partir de observações Capítulo 18 (Secções 1-3) Sumário Agentes aprendizes Aprendizagem indutiva Aprendizagem com árvores de decisão Aprendizagem Aprendizagem é essencial em ambientes desconhecidos
Leia maisÁrvores de decisão. Marcelo K. Albertini. 17 de Agosto de 2015
Árvores de decisão Marcelo K. Albertini 17 de Agosto de 2015 2/31 Árvores de Decisão Nós internos testam o valor de um atributo individual ramificam de acordo com os resultados do teste Nós folhas especificam
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia maisTeoria do aprendizado
Teoria do aprendizado Marcelo K. Albertini 7 de Agosto de 2014 2/37 Teoria do aprendizado Teoremas não existe almoço grátis Viés e variância Aprendizado PAC Dimensão VC Máquinas de vetores suporte 3/37
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisAprendizagem a partir de observações
Aprendizagem a partir de observações Aprendizagem é essencial para ambientes desconhecidos, i.e., quando o projetista não prevê tudo Útil como um método de construção de sistemas i.e., expor o agente à
Leia maisAprendizagem indutiva
Aprendizagem indutiva Inferência indutiva de fatos providos por um professor ou ambiente. O estudo e modelagem desta forma de aprendizagem é um dos tópicos centrais de aprendizagem de máquina. Em aprendizagem
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Mineração de Dados Introdução Mineração de Dados Aprendizado de Máquina Métodos Preditivos Métodos
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisProblemas Intratáveis ou computação eficiente X computação ineficiente
Problemas Intratáveis ou computação eficiente X computação ineficiente Problemas Tratáveis Os problemas que podem ser resolvidos em tempo polinomial em um computador típico são exatamente os mesmos problemas
Leia maisProfs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani O que é Machine Learning? Estatística Machine Learning
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto O processo de descoberta do conhecimento - KDD Roteiro Introdução Definição Etapas Desafios
Leia maisInteligência Artificial
https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial
Leia maisRoteiro. Introdução. Introdução. Introdução. Abordagens. Aprendizado de máquina. (machine learning) Introdução. Arquitetura
Aprendizado de Máquina (machine learning) Introdução abordagens técnicas Arquitetura Roteiro Introdução Dificuldade classificação síntese aprendizado de máquina (simbólico) Definição: Learning denotes
Leia maisAprendizado de Máquina para a Automação da Aquisicão de Conhecimento
Aprendizado de Máquina para a Automação da Aquisicão de Conhecimento Maria Carolina Monard mcmonard@icmc.usp.br Laboratório de Inteligência Artificial (LABIC) Instituto de Ciências Matemática e Computação
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisRedes Bayesianas. Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR
Redes Bayesianas Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR Raciocínio com Incerteza Incerteza: qualidade ou estado de não ser conhecido com certeza Fontes de incerteza: Ignorância: qual
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maislnteligência Artificial Introdução a Aprendizado de Máquina
lnteligência Artificial Introdução a Aprendizado de Máquina 1 Aprendizado por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado
Leia maisÁrvore de Decisão. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Árvore de Decisão George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Tópicos Introdução Representando Árvores de Decisão O algoritmo ID3 Definições Entropia Ganho de Informação Overfitting Objetivo
Leia maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia maisComo saber se um problema está em NP e não está em P?
? P = NP Uma das principais questões em aberto é se P = NP, isto é, se de fato tudo o que pode ser feito em tempo polinomial por uma MTND poderia ser feito por uma MTD em tempo polinomial, talvez com um
Leia maisAprendizagem de máquina
Aprendizagem de máquina Aprendizado de Conceitos Busca guiada por exemplos Aprendizado supervisionado: classificação Aprender uma classe a partir de exemplos é encontrar uma descrição que é compartilhada
Leia maisProjeto e Análise de Algoritmos NP Completude. Prof. Humberto Brandão
Projeto e Análise de Algoritmos NP Completude Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas versão da aula: 0.4 Introdução Problemas intratáveis ou difíceis são comuns
Leia maisO Papel da Estatística em áreas do conhecimento
O Papel da Estatística em áreas do conhecimento 2012/02 Site: http://www.est.ufmg.br/ marcosop e-mail: marcosop@est.ufmg.br 1 O Pensamento Estatístico 2 3 4 Distribuição de Pontos 3 provas - 30, 35 e 35
Leia maisINTRATABILIDADE e NP-COMPLETUDE
INTRATABILIDADE e NP-COMPLETUDE Sandro Santos Andrade Doutorado Multiinstitucional em Ciência da Computação UFBA/UNIFACS/UEFS Junho/2008 Grafos e Análise de Algoritmos Introdução Para alguns problemas
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 3 de Julho de 2014 2/1 Conteúdo Aprendizado Naive Bayes Exemplo: classificação de texto Redes Bayesiana Algoritmo EM Regressão probabiĺıstica 3/1 Classificador
Leia maisAprendizado de Máquina
Aprendizado de Máquina Sistemas de Informação Inteligente Prof. Leandro C. Fernandes Adaptação dos materiais de: Thiago A. S. Pardo, Daniel Honorato e Bianca Zadrozny APRENDIZADO SIMBÓLICO: ÁRVORES DE
Leia maisCapítulo 4. Comitê BAS 35
4 Comitê BAS Devido à flexibilidade do algoritmo BAS, que aceita qualquer distribuição inicial para os exemplos, diversas heurísticas podem ser implementadas com o objetivo de criar classificadores de
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisAprendizagem. Profa. Josiane M. Pinheiro Ferreira. Nov/2005
Aprendizagem Profa. Josiane M. Pinheiro Ferreira Nov/2005 1 A idéia por trás da aprendizagem Percepções Para agir Para melhorar a habilidade do agente para agir no futuro Aprendizagem ocorre Quando o agente
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisAULA 4 - FLUXOGRAMAS PARTE 1 Noções sobre a ferramenta Flowgorithm para construção de fluxogramas
AULA 4 - FLUXOGRAMAS PARTE 1 Noções sobre a ferramenta Flowgorithm para construção de fluxogramas 4.1 Objetivo: O objetivo desta aula é exercitar a lógica de programação através do desenvolvimento e simulação
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
Leia maisAprendizagem a partir de Observações
Aprendizagem a partir de Observações Descrição de agentes que podem melhorar o seu comportamento a partir do estudo diligente das próprias experiências Índice Formas de aprendizagem Aprendizagem indutiva
Leia maisTÓPICOS INTRODUÇÃO AO APRENDIZADO DE MÁQUINA INTELIGÊNCIA X APRENDIZADO INTELIGÊNCIA X APRENDIZADO APRENDIZADO DE MÁQUINA (AM) HUEI DIANA LEE
TÓPICOS Introdução INTRODUÇÃO AO APRENDIZADO DE MÁQUINA Paradigmas de de Máquina Estratégias de de Máquina por Indução Dedução x Indução Características HUEI DIANA LEE de Conceitos Sistema de de Máquina
Leia maisRedução de Cook-Levin e Considerações Finais
Redução de Cook-Levin e Considerações Finais André Vignatti DINF- UFPR Fechando o Ciclo de Reduções Nós reduzimos o SAT para diversos problemas de busca, como mostra a figura: Todos problemas NP CIRCUIT
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia maisEvandro Deliberal Aula 01
Evandro Deliberal evandro@deljoe.com.br https://www.linkedin.com/in/evandrodeliberal http://www.deljoe.com.br/professor Aula 01 Agenda DATA MINING. Data mining Motivações Grande disponibilidade de dados
Leia maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Uma Abordagem típica em aprendizagem simbólica Árvores de decisão: inductive decision trees (ID3) Instâncias (exemplos) são representadas por pares atributo-valor
Leia maisSistemas Multi-agentes
Sistemas Multi-agentes! Projeto dos agentes «O problema é resolvido por um conjunto de agentes, fisicamente distribuídos em diversas máquinas conectadas. «Os agentes são concebidos para solucionar um problema
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisKDD E MINERAÇÃO DE DADOS
KDD E MINERAÇÃO DE DADOS O Processo de KDD: Visão Geral Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt CARACTERIZAÇÃO ÁREAS DE ORIGEM
Leia maisAlgarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Leia maisAprendizado por Árvores de Decisão
Universidade Federal de Santa Maria Departamento de Eletrônica e Computação Prof. Cesar Tadeu Pozzer Disciplina de Programação de Jogos 3D E-mail: pozzer@inf.ufsm.br Período: 2006/01 Aprendizado por Árvores
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte I) Prof. a
Leia maisAula 10: Tratabilidade
Teoria da Computação DAINF-UTFPR Aula 10: Tratabilidade Prof. Ricardo Dutra da Silva Na aula anterior discutimos problemas que podem e que não podem ser computados. Nesta aula vamos considerar apenas problemas
Leia maisLista de Exercícios - Capítulo 8 [1] SCC Inteligência Artificial 1o. Semestre de Prof. João Luís
ICMC-USP Lista de Exercícios - Capítulo 8 [1] SCC-630 - Inteligência Artificial 1o. Semestre de 2011 - Prof. João Luís 1. Seja breve na resposta às seguintes questões: (a) o que você entende por Aprendizado
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia maisInformática I. Aula 7. Aula 7-20/09/2006 1
Informática I Aula 7 http://www.ic.uff.br/~bianca/informatica1/ Aula 7-20/09/2006 1 Ementa Histórico dos Computadores Noções de Hardware e Software Microprocessadores Sistemas Numéricos e Representação
Leia maisInformática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Leia maisMetodologia de Desenvolvimento de Sistemas Informação
Instituto Superior Politécnico de Ciências e Tecnologia Metodologia de Desenvolvimento de Sistemas Informação Prof Pedro Vunge http://pedrovunge.com I Semestre de 2019 Capítulo 2 TECNOLOGIAS PARA DATA
Leia maisComplexidade de Algoritmos. Edson Prestes
Edson Prestes O limite superior de complexidade de um problema refere-se ao melhor algoritmo que o resolve. nlog 2 n é um limite superior para o problema de classificação. O limite inferior de um problema
Leia maisSimulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisEEL891 Aprendizado de Máquina Prof. Heraldo L. S. Almeida. Introdução
1 Introdução 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 17 1. Introdução 1.1. O que é Aprendizado
Leia maisRepresentação do Conhecimento
Representação do Conhecimento O Estudo do Conhecimento Aprender - ato que produz um comportamento diferente a um estímulo externo devido a excitações recebidas no passado e é, de uma certa forma, sinônimo
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisInteligência Artificial (Lista 1) Prof. Alex F. V. Machado
Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia Sudeste de Minas Gerais - Campus Rio Pomba Bacharelado em Ciência da Computação 1) Considere os termos abaixo e complete. Inteligência
Leia maisAula 1. Teoria da Computação III
Aula 1 Teoria da Computação III Complexidade de Algoritmos Um problema pode ser resolvido através de diversos algoritmos; O fato de um algoritmo resolver um dado problema não significa que seja aceitável
Leia maisIndução Matemática. George Darmiton da Cunha Cavalcanti CIn - UFPE
Indução Matemática George Darmiton da Cunha Cavalcanti CIn - UFPE Introdução Qual é a fórmula para a soma dos primeiros n inteiros ímpares positivos? Observando os resultados para um n pequeno, encontra-se
Leia maisAprendizado de Máquina
Classificação Aprendizado de Máquina Aula http://www.ic.uff.br/~bianca/aa/ Dados: A descrição de uma instância, x X, onde X é um espaço de instâncias. Um conjunto fixo de classes: C={c, c, c n } Determine:
Leia maisAprendizagem a partir de observações. Capítulo 18
Aprendizagem a partir de observações Capítulo 18 Descrição de agentes que podem melhorar o seu comportamento a partir do estudo diligente das próprias experiências Índice Formas de aprendizagem Aprendizagem
Leia maisSeleção de Atributos FSS. Relevância de Atributos. Relevância de Atributos. Seleção de Atributos - FSS. FSS como Busca no Espaço de Estados
Seleção FSS Alguns indutores geralmente degradam seu desempenho quando são fornecidos muitos atributos irrelevantes para o conceito a ser aprendido Feature Subset Selection (FSS) é o processo de selecionar
Leia maisCompiladores. Introdução à Compiladores
Compiladores Introdução à Compiladores Cristiano Lehrer, M.Sc. Introdução (1/2) O meio mais eficaz de comunicação entre pessoas é a linguagem (língua ou idioma). Na programação de computadores, uma linguagem
Leia maisAprendizagem a partir de observações. Inteligência Artificial. Aprendizagem Indutiva Clássica. Aprendizagem Indutiva. Aprendizagem indutiva
Inteligência Artificial Aula 19 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Aprendizagem a partir de observações Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica
Leia maisRegressão Linear. Fabrício Olivetti de França. Universidade Federal do ABC
Regressão Linear Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Ordinary Least Square 2. Gradiente Descendente 1 Aprendendo com exemplos Uma das formas de aprendizado de máquina é definido
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Principais tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Métodos baseados em distância Aprendizado baseado em instâncias Conceitos básicos KNN
Leia maisTécnicas de recuperação de informação: filtragem, agrupamento
Técnicas de recuperação de informação: filtragem, agrupamento 1 Nome usado para descrever uma variedade de processos envolvendo a entrega de informação para pessoas que precisam dela; Compreende um método
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Fundamentação da disciplina Analise de dados Decisões
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisSistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
Leia maisO Papel da Estatística em outras áreas
5 de Março de 2012 Site: http://ericaestatistica.webnode.com.br/ e-mail: ericaa_casti@yahoo.com.br O método de Engenharia e o Pensamento Estatístico Distribuição de Pontos 3 provas - 30 pontos cada; Listas
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia mais