Aprendizagem de Máquinas
|
|
- Lorena Lobo Arantes
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
2 Aprendizagem de Máquinas 2
3 Inteligência Artificial: O que foi visto?? Sistemas Inteligentes Base de Conhecimento Representação Manipulação Atuação dos Agentes Agentes responsáveis pela representação e manipulação do conhecimento recebido. Agentes baseados em busca. Agentes baseados em lógica. 3
4 Inteligência Artificial x Aprendizagem de Máquinas Processo de Aprendizagem Sistemas Inteligentes Base de Conhecimento Aquisição Representação Manipulação Aprendizagem é a essência da Inteligência. A máquina aprende ampliando a base de conhecimento através de algoritmos de aprendizagem. 4
5 Aprendizagem de Máquinas Aprendizagem de Máquinas Sistemas Inteligentes Base de Conhecimento Aquisição Representação Manipulação Aprendizagem de Máquinas é uma área da Inteligência Artificial que pesquisa algoritmos de aprendizagem relacionados à AQUISIÇÃO de novos conhecimentos ou novas formas de aprender. 5
6 Aprendizagem de Máquinas Área cujo o objetivo é estudar e desenvolver métodos computacionais para a obtenção de sistemas capazes de adquirir conhecimento de forma automática. Principal objetivo dos algoritmos de aprendizagem é maximizar a capacidade de generalização de seu aprendiz. 6
7 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: Conhecimento: Exemplo: Conhecimento:
8 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: Conhecimento: Exemplo: Conhecimento:
9 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: = = = = 6 Conhecimento: 1 + 4?? 9
10 Generalização Com a capacidade de generalização o aprendiz consegue adquirir mais conhecimento do que lhe foi apresentado no processo de aprendizagem (conjunto de treinamento). Aprendiz bem treinado! Conhecimento: Aprendiz mal treinado! Exemplo de estimação da função: f(x,y) = x+y. 10
11 Aprendizagem de Máquinas Aprendizado Aprendizado Supervisionado Aprendizado Não Supervisionado Aprendizado por Reforço - Utiliza exemplos. - Exemplos com resposta. - Utiliza exemplos. - Exemplos sem resposta. - Recebimento de recompensas ou punições. 11
12 Aprendizagem Supervisionada Objetivo: Aprender com os exemplos e conseguir generalizar ao máximo. Entrada Algoritmo de Aprendizagem Supervisionada Saída Exemplos Entrada(s) Saída
13 Aprendizagem Supervisionada Algoritmos que observam alguns exemplos (entradas e saídas) para aprender o mapeamento entrada/saída (uma função). Ex.: Exemplo do mapeamento da função soma apresentado em slides anteriores. Tipos de problemas: Problemas de Regressão. Problemas de Classificação. 13
14 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. Etapa: Coleta de dados exemplos. 14
15 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. 15
16 Aprendizagem Supervisionada Aprendizagem utilizando métodos de regressão. 16
17 Aprendizagem Supervisionada Área = 70 m² Algoritmo de Preço???? Aprendizagem 17
18 Aprendizagem Supervisionada Área = 90 m² Algoritmo de Preço???? Aprendizagem Preço = ,00 Preço = ,00 18
19 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. Área =... Algoritmo de Aprendizagem Preço =??? Problema de regressão: Predição de atributos contínuos. 19
20 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor maligno ou não, ou melhor, maligno ou benigno baseada no tamanho do tumor. 20
21 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor. Tamanho do tumor Algoritmo de Aprendizagem Tipo do tumor Maligno Benigno 21
22 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. x: Tumor Maligno o: Tumor Benigno 22
23 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. Tamanho do tumor Idade da pessoa Algoritmo de Aprendizagem Tipo do tumor Maligno Benigno 23
24 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor maligno ou benigno. Problema de classificação: Predição de atributos discretos. 24
25 Aprendizagem Supervisionada Aprendizagem Supervisionada: Problemas de Regressão: Predição de atributos contínuos. Problemas de classificação: Predição de atributos discretos. Muitas vezes não é possível a coleta de exemplos com resposta ou, quando é possível, torna-se uma tarefa de alto custo. Solução: Algoritmos de Aprendizagem não Supervisionada. 25
26 Aprendizagem Não Supervisionada Objetivo: Aprender a relação entre os exemplos. Entrada Algoritmo de Aprendizagem Não Supervisionada Saída Exemplos Entrada(s) Saída??? 26
27 Aprendizagem Não Supervisionada Algoritmos que observam alguns exemplos (apenas entradas) para aprender a relação entre esses dados. Tipos de problemas: Problemas de Classificação: Classificar essas entradas em grupos. 27
28 Aprendizagem Não Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. 28
29 Aprendizagem Não Supervisionada Classificação dos dados em dois grupos desconhecidos. Grupo 1 Grupo 2 29
30 Aprendizagem Não Supervisionada Classificação dos dados em agrupamentos. Grupo 2???? Grupo 1???? Ex.: Grupo Maligno Ex.: Grupo Benigno 30
31 Aprendizagem Não Supervisionada Agrupamentos de dados (Clusters). Redes Sociais Classificação de Genes 31
32 Aprendizagem Não Supervisionada Necessidade na área de Marketing: Segmentação do Mercado. Uma das necessidades em marketing é a segmentação das informações em grupos ou clusters que consigam reter informações similares segundo as características avaliadas. Segmentar um mercado significa escolher um grupo de consumidores, com necessidades homogêneas, para o qual a empresa poderá fazer uma oferta mercadológica. 32
33 Aprendizagem Não Supervisionada A finalidade das técnicas de aprendizagem não supervisionada é descobrir a organização dos exemplos através de clusters. Os clusters são formados através de similaridades e diferenças entre os exemplos apresentados. Um cluster é um grupo de dados que são similares uns aos outros, de acordo com algum critério de similaridade. 33
34 Aprendizagem Não Supervisionada Como definir a similaridade??? 34
35 Aprendizagem Não Supervisionada Entrada Aprendizagem Supervisionada Saída Entrada Aprendizagem Não Supervisionada Saída Exemplos Exemplos Ambiente Entrada(s) Saída Entrada(s) Saída??? Se o ambiente for desconhecido???? 35
36 Aprendizagem por Reforço Objetivo: Aprender através da avaliação de uma ação, recebendo recompensas ou punições. Entrada Algoritmo de Aprendizagem por Reforço Saída Ação Reforço [Recompensa (+) ou Punição (-)] Ambiente 36
37 Aprendizagem por Reforço: Exemplo S 1 S 2 As setas indicam a força entre dois estados. S 4 S 3 Inicialmente todas as setas possuem o mesmo valor de força. S 8 S 7 Iniciando em S 1 como chegar em S 6? S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 37
38 Aprendizagem por Reforço: Exemplo S 1 S 2 S 4 S 3 Próximo estado é escolhido aleatoriamente de um dos próximos estados possíveis (ponderado pela força da associação). S 8 S 7 A primeira ação só pode levar para S 2. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 38
39 Aprendizagem por Reforço: Exemplo S 1 S 2 Supondo que a próxima escolha leve a S 3. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 39
40 Aprendizagem por Reforço: Exemplo S 1 S 2 Em S 3, as possíveis escolhas são S 2, S 4, ou S 7. S 4 S 3 Vamos supor que S 7 é escolhido aleatoriamente. S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 40
41 Aprendizagem por Reforço: Exemplo S 1 S 2 Por sorteio, S 3 é o próximo escolhido. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 41
42 Aprendizagem por Reforço: Exemplo S 1 S 2 O próximo é S 4. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 42
43 Aprendizagem por Reforço: Exemplo S 1 S 2 E então S 5 é escolhido aleatoriamente. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 43
44 Aprendizagem por Reforço: Exemplo S 1 S 2 E finalmente atingimos o objetivo S 6. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 44
45 Aprendizagem por Reforço: Exemplo S 1 S 2 Quando o estado objetivo é atingida, reforça-se a conexão entre ele e o estado que levou a ele. S 4 S 3 S 8 S 7 Na próxima vez que S 5 for alcançado, parte da força de associação será passada para S 4. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 45
46 Aprendizagem por Reforço: Exemplo S 1 S 2 Iniciando novamente o percurso. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 46
47 Aprendizagem por Reforço: Exemplo S 1 S 2 Supondo que após alguns movimentos o agente chega novamente em S 5. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 47
48 Aprendizagem por Reforço: Exemplo S 1 S 2 S 5 tem grande chance de atingir a meta pela rota com mais força. S 4 S 3 S 8 S 7 Em aprendizado por reforço, essa força é passada de volta para o estado anterior. Esse processo leva a criar um caminho entre o início e a meta. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 48
49 Aprendizagem por Reforço: Exemplo S 1 S 2 Após reiniciar o percurso varias vezes, o agente aprenderia o melhor caminho a ser seguido. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 49
50 Próximas Aulas Aprendizado Aprendizado Supervisionado Aprendizado Não Supervisionado Aprendizado por Reforço - Redes Neurais - Máquinas de Vetores de Suporte - Redes Neurais - K-Means - Árvores de Decisão 50
51 Revisando Importância do processo de aprendizagem nos Sistemas de Inteligência Artificial. Aquisição de conhecimento. Generalização do aprendizado. Aprendizagem de Máquinas: Supervisionada Não Supervisionada Por Reforço 51
52 Revisando: Questões Utilizar algoritmo de aprendizagem supervisionada ou não supervisionada? 1. Dado um conjunto de marcados como SPAM ou não, aprenda a filtrar/reconhecer s de SPAM. 2. Dado um conjunto de notícias encontradas na web, agrupar as notícias de mesma história. 3. Dado uma base de dados sobre clientes, automaticamente descubra os segmentos de mercado e os grupos de clientes de diferentes segmentos. 4. Dado uma base de dados de pacientes que tem diabetes ou não, aprenda a identificar novos pacientes que tem diabetes. 52
53 Referências 1. Lima, Edirlei S. INF Inteligência Artificial. Notas de Aula. Disponível em: 2. Baranauskas, J. Augusto. Aprendizado de Máquina I. Notas de Aula. Disponível em: 53
54 Referências 3. Lima, Isaías; Pinheiro, Carlos; Santos Oliveira, Flávio. Inteligência artificial. 1 ed. Rio de Janeiro: Elsevier,
55 Dúvidas? Dúvidas por 55
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
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 maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
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 maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 15 Árvores de Decisão Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso.
Leia maisEstruturas de controle: Estrutura de DECISÃO
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Estruturas de controle: Estrutura de DECISÃO DCA0800 - Algoritmos e Lógica de Programação Heitor Medeiros
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 maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Estudo de Caso Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática PPGIa 2 Introdução
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisLinguagens de Programação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Linguagens de Programação DCA0800 - Algoritmos e Lógica de Programação Heitor Medeiros 1 Tópicos da aula
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia mais2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? Área de pesquisa que tem como objetivo buscar métodos ou dispositivos
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisNoções de Algoritmos
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Noções de Algoritmos DCA0800 - Algoritmos e Lógica de Programação Heitor Medeiros 1 Tópicos da aula Algoritmos
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 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 maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisTomada de Decisão Estratégica
EXERCÍCIO N N Tópico Tópico 1 2 Sistemas Tomada de de Informação Decisão Estratégica nos negócios DCC133 Introdução a Sistemas de Informação TÓPICO 2 Tomada de Decisão Estratégica Prof. Tarcísio de Souza
Leia maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia mais2011 Profits Consulting. Inteligência Computacional
Inteligência Computacional Quem Somos Excelência em Soluções Tecnológicas A Profits Consulting é uma empresa composta por consultores com ampla experiência em Tecnologia que desenvolve soluções inovadoras,
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 01 - Introdução O Que é Inteligência Artificial? [Winston, 1984]: "Inteligência artificial é o estudo das ideias que
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisRECONHECIMENTO DE PADRÕES - RP
RECONHECIMENTO DE PADRÕES - RP Definições Básicas O que é? 2 Ramo do aprendizado de máquina Consiste em atribuir um rótulo (ou classe) para uma certa amostra ou valor de entrada Exemplo: classificação
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisUTILIZAÇÃO DE APRENDIZADO POR REFORÇO PARA APRENDER A ESTRATÉGIA DO JOGO DA VELHA
Anais do 12 O Encontro de Iniciação Científica e Pós-Graduação do ITA XII ENCITA / 2006 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 16 a19 2006 UTILIZAÇÃO DE APRENDIZADO
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
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 Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia maisWeb Data mining com R: aprendizagem de máquina
Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de
Leia maisVamos estudar o que se entende por «programação», que é uma linguagem de programação e ver algumas terminologias própria de programação e como
Vamos estudar o que se entende por «programação», que é uma linguagem de programação e ver algumas terminologias própria de programação e como utilizá-la. 1 Por si só, uma equipe não é muito inteligente.
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 mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisSME0822 Análise Multivariada 2 o semestre de Prof. Cibele Russo. Sala 3-113
SME0822 Análise Multivariada 2 o semestre de 2016 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-113 2. semestre 2016 1 / 25 Principais objetivos do curso Estudar e desenvolver
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisAutomação Inteligente de Processos e Sistemas
Automação Inteligente de Processos e Sistemas Prof. Dr. Ivan Nunes da Silva USP/EESC/SEL insilva@sc.usp.br 3 de agosto de 203. Sistemas Inteligentes Conjunto de ferramentas computacionais que tentam simular
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Saulo Martiello Mastelini Departamento de Computação - UEL 1 o Semestre Assunto Aula 11 Modelos Preditivos - Árvore de Decisão
Leia maisTeoria dos Grafos Aula 18
Teoria dos Grafos Aula 18 Aula passada Coloração Algoritmo guloso Número cromático Teorema das 4 cores Aula de hoje Clusterização (ou agrupamento) Algoritmo Variação Clusterização Coleção de objetos Agrupar
Leia maisCálculo Numérico Noções básicas sobre erros
Cálculo Numérico Noções básicas sobre erros Profa. Vanessa Rolnik 1º semestre 2015 Fases da resolução de problemas através de métodos numéricos Problema real Levantamento de Dados Construção do modelo
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
Leia maisINSTITUTO FEDERAL CEARÁ - IFCE CAMPUS AVANÇADO DE ARACATI CURSO: BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE UNIDADE DIDÁTICA PUD.
PROGRAMA DE UNIDADE DIDÁTICA PUD DISCIPLINA: INTRODUÇÃO A COMPUTAÇÃO Código: Carga Horária: 40h Número de Créditos: 2 Código pré-requisito: Semestre: Nível: EMENTA S1 Bacharelado PARTE A: 1) Introdução
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisInteligência vs. Aprendizado
Introdução Thiago A. S. Pardo Daniel Honorato Solange O. Rezende Ronaldo C. Prati 1 Inteligência vs. Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisDesenvolvimento de Simuladores de Movimento em Escala para Análise e Visualização da Dinâmica de Veículos. Sistemas de Instrumentação e Controle.
Desenvolvimento de Simuladores de Movimento em Escala para Análise e Visualização da Dinâmica de Veículos. Sistemas de Instrumentação e Controle. Aluna: Bruna Bergmann Orientador : Mauro Speranza 1 Sumário
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 maisCIÊNCIA DOS DADOS E A ANÁLISE PREDITIVA ABSTRATO. Extrair conhecimento dos dados para tomar melhores decisões
ABSTRATO Num mundo onde tudo acontece muito depressa e a mudança é constante, o que podemos fazer? Porque a qualquer momento podem surgir novos concorrentes, novos produtos, novos clientes, a importância
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisREDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS
REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisMistura de modelos. Marcelo K. Albertini. 31 de Julho de 2014
Mistura de modelos Marcelo K. Albertini 31 de Julho de 2014 2/11 Mistura de modelos Ideia básica Em vez de aprender somente um modelo, aprender vários e combiná-los Isso melhora acurácia Muitos métodos
Leia maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADASS
A ATIVIDADES PRÁTICAS SUPERVISIONADASS Ciência da Computação 1ª. Série Introdução à Organização de Computadores A atividade prática supervisionada (ATPS) é um método de ensino- de atividades aprendizagem
Leia maisAprendizagem por Reforço
Aprendizagem por Reforço Motivação! Como um agente aprende a escolher ações apenas interagindo com o ambiente? n n Muitas vezes, é impraticável o uso de aprendizagem supervisionada w Como obter exemplos
Leia maisAprendizagem de Máquina. Ivan Medeiros Monteiro
Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado
Leia maisPontifícia Universidade Católica de São Paulo Programa de TIDD
Disciplina: 2854 - Sistemas Inteligentes e Ambientes Virtuais Turma A Área de Concentração: Processos Cognitivos e Ambientes Digitais Linha de Pesquisa: Inteligência Coletiva e Ambientes Interativos Professor:
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Método de Avaliação (a definir) Duas provas dissertativas (sem consulta) Apresentação e discussão de artigos científicos Trabalhos
Leia maisIntrodução Conversão Digital Analógica Conversão Analógica Digital Referências. Conversão D/A e A/D. Aula 01 - DAC / ADC
Conversão D/A e A/D Aula 01 - DAC / ADC Heitor Medeiros Florencio 1 heitorm@dca.ufrn.br 1 Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computação e Automação
Leia maisClassificação: Árvores de Decisão e k-nn. Eduardo Raul Hruschka
Classificação: Árvores de Decisão e k-nn Eduardo Raul Hruschka Árvores de Decisão Métodos para aproximar funções discretas, representadas por meio de uma árvore de decisão; Árvores de decisão podem ser
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 maisMecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas
Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,
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 maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia maisOFICINA DA PESQUISA PROGRAMAÇÃO APLICADA À CIÊNCIA DA COMPUTAÇÃO
OFICINA DA PESQUISA PROGRAMAÇÃO APLICADA À CIÊNCIA DA COMPUTAÇÃO Prof. Msc. Carlos José Giudice dos Santos carlos@oficinadapesquisa.com.br www.oficinadapesquisa.com.br IMPORTÂNCIA DO ESTUDO DAS LINGUAGENS
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia mais1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
Leia mais