Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro
|
|
- Ronaldo Ian Lima de Santarém
- 2 Há anos
- Visualizações:
Transcrição
1 Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro
2 Resumo Introdução. Raciocinando sobre incertezas. Cálculo de Probabilidades. Aplicando a regra de bayes. Redes Bayesinas. Inferência em redes bayesinas. Aplicações. Considerações finais. Referências.
3 Introdução Sistemas que agem racionalmente Raciocínio Lógico Raciocínio Probabilístico Situações onde não se conhece todo o escopo do problema. Redes Bayesianas (início da década de 90) Teoria de probabilidades Teoria de Grafos
4 Raciocinando sobre incertezas A principal vantagem de raciocínio probabilístico sobre raciocínio lógico é fato de que agentes podem tomar decisões racionais mesmo quando não existe informação suficiente para se provar que uma ação funcionará [Russel] Alguns fatores podem condicionar a falta de informação em uma base de conhecimento: Ignorância Teórica Impossibilidade
5 Raciocinando sobre incertezas Utilizar conectivos que manipulem níveis de certeza e não apenas valores booleanos. Eu tenho probabilidade 0.8 fazer um bom trabalho de IA. A probabilidade de um trabalho de IA ser bom é 0.7. A probabilidade de um bom trabalho de IA tirar A é 0.9. Quais são as minhas chances tirar A? Grafos podem representar relações causais entre eventos.
6 Raciocinando sobre incertezas Considere o domínio: Pela manha meu carro não irá funcionar. Eu posso ouvir a ignição, mas nada acontece. Podem existir várias razões para o problema. O rádio funciona, então a bateria está boa. A causa mais provável é que a gasolina tenha sido roubada durante a noite ou que a mangueira esteja entupida. Também pode ser que seja o carburador sujo, um vazamento na ignição ou algo mais sério. Para descobrir primeiro eu verifico o medidor de gasolina. Ele indica ½ tanque, então eu decido limpar a mangueira da gasolina. Estados: Funcionando?{sim,não} Mangueira Limpa?{sim,não} Gasolina?{sim,não} Medidor{vazio,½,cheio}
7 Raciocinando sobre incertezas Gasolina? Mangueira limpa? Medidor Funcionando? Função RP-Agente(percepção) retorna ação { Estático: conjunto de sentenças probabilísticas a respeito do problema. Calcula novas probabilidades para o estado atual baseado na evidência disponível incluindo a percepção atual e a ação anterior. Calcula as probabilidades para as possíveis ações, dado a descrição das ações e as probabilidades atuais. Seleciona a ação com a maior expectativa. Retona ação. }
8 Cálculo de Probabilidades Probabilidade incondicional A probabilidade P(a) de um evento a é um número dentro do intervalo [0,1]. P(a) = 1 sss a é certo. Se a e b são mutuamente exclusivos, então: P(a b) = P(a) + P(b). Probabilidade condicional Probabilidade condicional P(a b) = x, pode ser interpretada como: Dado o evento b, a probabilidade do evento a é x. P(b a) = P(a b)p(b)/p(a) -Regra de Bayes. Tabela de Conjunção de probabilidades P(A B)=P(A,B)/P(B) Tabela n x m, representada pela probabilidade de cada configuração (a i,,b i ) Representam todo o domínio Para valores booleanos teríamos 2 n entradas
9 Cálculo de Probabilidades Tabela de Conjunção de probabilidades P(X) = (a 1,..., a n ); a i 0; a i = 1, onde a i é a probabilidade de X estar no estado a i, P(X=a i ). b 1 b 2 b 3 a a Tabela1. P(X Y) Se P(Y) = <0.4,0.4,0.2>, aplicando P(A B)=P(A,B)/P(B) b 1 b 2 b 3 a a Tabela2. P(X,Y) Com esta tabela pode-se ainda calcular P(X) e P(Y X)
10 Aplicando a Regra de Bayes Diagnóstico médico: um médico sabe que a meningite causa torcicolo em 50% dos casos. Porém, o médico também conhece algumas probabilidades incondicionais que dizem que, um caso de meningite atinge 1/50000 pessoas e, a probabilidade de alguém ter torcicolo é de 1/20. Aplicando a rede de Bayes: P(M T) = (P(T M)P(M))/P(T) = (0.5 x 1/50000)/(1/20) = Por que não calcular estatisticamente P(M T)? Surto de meningite => P(M) aumenta. P(M T)?
11 Redes Bayesianas Uma Rede Bayesiana consiste do seguinte: Um conjunto de variáveis e um conjunto de arcos ligando as variáveis. Cada variável possui um conjunto limitado de estados mutuamente exclusivos. As variáveis e arcos formam um grafo dirigido sem ciclos (DAG). Para cada variável A que possui como pais B 1,..., B n, existe uma tabela P(A B 1,..., B n ).
12 Redes Bayesianas Exemplo Você possui um novo alarme contra ladrões em casa. Este alarme é muito confiável na detecção de ladrões, entretanto, ele também pode disparar caso ocorra um terremoto. Você tem dois vizinhos, João e Maria, os quais prometeram telefonar-lhe no trabalho caso o alarme dispare. João sempre liga quando ouve o alarme, entretanto, algumas vezes confunde o alarme com o telefone e também liga nestes casos. Maria, por outro lado, gosta de ouvir música alta e às vezes não escuta o alarme. Estados: Ladrão Terremoto Alarme João Maria
13 Redes Bayesianas Se conhecemos a probabilidade da ocorrência de um ladrão e de um terremoto, e ainda, a probabilidade de João e Maria telefonarem. Podemos Calcular P(Alarme Ladrão,Terremoto): Ladrão Terremoto P(Alarme Ladrão,Terremoto) Verdadeiro Falso Verdadeiro Verdadeiro Verdadeiro Falso Falso Verdadeiro Falso Falso
14 Redes Bayesianas Podemos construir a seguinte rede: L P(L) V.001 Ladrão Terremoto T P(T) V.002 Alarme L T P(A) V V.95 V F.95 F V.29 F F.001 J P(J) V.90 F.05 JoãoLig M P(M) V.70 F.01 MariaLig
15 Redes Bayesianas Considere que se deseja calcular a probabilidade do alarme ter tocado, mas, nem um ladrão nem um terremoto aconteceram, e ambos, João em Maria ligaram, ou P(J M A L T). P(J M A L T) = P(J A)P(M A)P(A L T)P( L ) P( T ) = 0.9 x 0.7 x x x =
16 Redes Bayesianas Método para construção de redes bayesianas: Escolha um conjunto de variáveis X i que descrevam o domínio. Escolha uma ordem para as variáveis. Enquanto existir variáveis: Escolha uma variável X i e adicione um nó na rede. Determine os nós Pais(X i ) dentre os nós que já estejam na rede e que tenham influência direta em X i. Defina a tabela de probabilidades condicionais para X i
17 Redes Bayesianas Método para construção de redes bayesianas: MariaLig: raiz. JoãoLig: Se Maria ligou, então, provavelmente, o alarme tocou. Neste caso, MariaLig influencia JoaoLig. Portanto, MariaLig épai dejoaolig. Alarme: Claramente, se ambos ligaram, provavelmente o alarme tocou. Portanto, Alarme é influenciado por JoãoLig e MariaLig. Ladrão: Influenciado apenas por Alarme. Terremoto: Se o alarme tocou, provavelmente, um terremoto pode ser acontecido. Entretanto, se existe um Ladrão, então as chances de um terremoto diminuem. Neste caso, Terremoto é influenciado por Ladrão e Alarme. MariaLig JoãoLig Alarme Ladrão Terremoto
18 Redes Bayesianas Método para construção de redes bayesianas: Compactação de nós Se cada nó dependesse de todos os outros, teríamos uma tabela de probabilidade de 2 n entradas para variáveis booleanas -(assim como tabela de conjunção de probabilidades). Localidade estrutural Padrão de relacionamento entre os nós. Uma variável aleatória é influenciada por no máximo k outras (seu pais na rede). Por isto: P(MariaLig JoaoLig,Alarme,Terremoto,Ladrão) = P(MariaLig Alarme) Para uma rede com 20 nós: 2 n = ~1milãho Considerando k = 5 => 640
19 Inferência em redes bayesianas Independência condicional Sabemos que um nó é independente de seus predecessores dado seu pai na rede. Porém, para realização de inferências é necessário saber mais a respeito da relação entre os nós. É necessário saber se um conjunto de nós X é independente de outro conjunto Y, dado que um conjunto de evidências E (X é d-separado de Y ) Se todo caminho não dirigido entre um nó em X e um nó em Y é d-separado por E, então X e Y são condicionalmente independentes dada a evidência E.
20 Inferência em redes bayesianas Independência condicional Três possibilidades: z E z z X Y
21 Inferência em redes bayesianas A tarefa básica de uma inferência probabilística é computar a distribuição de probabilidades posterior para um conjunto de variáveis de consulta (query variables) =>P(Query Evidence). Para o exemplo anterior Ladrão constitui uma boa variável de consulta. JoãoLig, MariaLig seriam boas variáveis de evidência.
22 Inferência em redes bayesianas Exemplo: P(C=F) P(C=T) Cloudy Dado que a grama está molhada, qual a probabilidade de ter chovido? C P (S=F) P(S=T) F T Sprinkler S R (W=F) P(W=T) F F TF FT TT WetGrass Rain C P(R=F) P(R=T) F T Dado que a grama está molhada, qual a probabilidade de o regador ter sido ligado?
23 Inferência em redes bayesianas Neste caso, S e R tornam-se dependentes dado que o nó W, a evidência, é filho de ambos, ou seja, não S e R não são d-separados. Assim, para o calculo de P(S W) deve-se considerar P(R) e vice-versa. A equação seria (1 = T e 0 = V): P(S=1 W=1) = P(S=1,W=1)/P(W=1) = Σ c,r (P(C=c i, S=1,R= r i, W=1)/P(W=1)) = / P(R=1 W=1) = P(R=1,W=1)/P(W=1) = Σ c,s (P(C = c i, S = s i,r =1, W=1)/P(W=1)) = / Onde (W = 1): P(W=1) = Σ c,r,s P(C = c i, S = s i,r = r i, W=1) =
24 Inferência em redes bayesianas Inferências podem ser realizadas sobre redes Bayesianas para: Diagnósticos: Dos efeitos para as causas. Dado JoaoLig, P(Ladrão JoaoLig) Causas: De causas para efeitos. Dado Ladrão, P(JoaoLig Ladrão)
25 Inferência em redes bayesianas Algoritmo para inferências Pode ser NP-Hard, dependendo de como o problema foi modelado. Para uma classe de redes possui sempre tempo linear: redes simplesmente conexas. E + x U 1 U m X E - x Z 1 j Z n j Y 1 Y n
26 Inferência em redes bayesianas Estratégia geral: 1. Expressar P(X E) em relação a E - x, E+ x. 2. Computar a contribuição de E + x através de seus efeitos em Pais(X), e então transportar tais efeitos para X. 3. Computar a contribuição de E - x através de seus efeitos em Filhos(X), e então transportar tais efeitos para X. Note que computar os efeitos nos filhos de X é uma recursão do problema de computar os efeitos em X. Chamadas recursivas a partir de X por todos seus arcos. Termina em nós de evidência, raízes e folhas da árvore. Cada chamada recursiva exclui o nó que a chamou, desta forma, a árvore é coberta apenas uma vez.
27 Inferência em redes bayesianas Inferência em Redes Bayesianas Multiconectadas Clustering Transforma probabilisticamente (não topologicamente) a rede em uma rede simplesmente conexa. Conditioning Faz uma transformação na rede instanciando variáveis em valores definidos, e então, e então produz uma rede simplesmente conexa para cada variável instanciada. Stochastic simulation Usa a rede para gerar um grande número de modelos concretos de um domínio. A partir destes modelos o algoritmo calcula uma aproximação de uma inferência.
28 Aplicações Pathfinder, Heckerman Stanford Sistema para diagnósticos de problemas nas glândulas linfáticas. Map Learning, Ken Basye Brown University Este projeto combina problemas de diagnostico e teoria de decisão. Um robô deve percorrer um labirinto, procurando aprender os caminhos percorridos e, ao mesmo tempo, explorar caminhos desconhecidos. AutoClass, NASA s Ames Research Center, Sistema de exploração e aquisição de conhecimento espacial. Este projeto está desenvolvendo uma rede bayesiana que permita a interpolação automática de dados espaciais oriundos de diferentes observatórios e planetários espalhados pelo mundo. Lumiere, Microsoft Research, 1998 O projeto pretende criar um sistema que possa automaticamente e inteligentemente interagir com outros sistemas, antecipando os objetivos e necessidades dos usuários.
29 Considerações Finais Redes bayesianas constituem uma forma natural para representação de informações condicionalmente independentes. Boa solução a problemas onde conclusões não podem ser obtidas apenas do domínio do problema. Inferências sobre redes bayesinas. Podem ser executadas em tempo linear. NP-hard para maioria dos casos. Aplicação de técnicas.
30 Referências Charniak, Eugene. Bayesians Networks without Tears. IA Magazine, Darwiche, Adan & Huang, Cecil. Inference in Belief Networks: A procedural guide. International Journal of Approximate Reasoning, Jensen, V. Finn. Bayesian Networks and Decision Graphs. Springer-Verlag,2001. Murphyk, P. Kevin. A Brief Introduction to Graphical Models and Bayesian Networks. Niedermayer, Daryle. An Introduction to Bayesian Networks and their Contemporary Applications Russel, J. Stuart & Norvig, Peter. Artifical Intelligence: A modern Approach.Prentice Hall.
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 23 Redes Bayesianas Vantagens e Desvantagens da Probabilidade Possui uma boa fundamentação formal. Permite encontrar
Raciocínio Probabilístico. Inteligência Artificial. Redes Bayesianas. Exemplo. Exemplo. Exemplo. Capítulo 14 Russell & Norvig Seções 14.1 a 14.
Inteligência Artificial Raciocínio Probabilístico Aula 13 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Capítulo 14 Russell & Norvig Seções 14.1 a 14.2 Redes Bayesianas Estrutura de dados para
Inteligência 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 II) Prof.
Aprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos
Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos Conhecimento com Incerteza Exemplo: sistema de diagnóstico odontológico Regra de diagnóstico " p sintoma (p,dor de dente) doença (p,cárie)
REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial.
REDES BAYESIANAS Gabriel Rigo da Cruz Jacobsen gabrielrigoj@gmail.com Prof. Leonardo Sommariva, Estrutura de Dados RESUMO: Uma rede bayesiana é uma forma de representar o conhecimento de um domínio onde
Artificial Intelligence, 14-15 1
Artificial Intelligence, 14-15 1 Cap. 14: Incerteza Falta de informação suficiente. Conhecimento não completo ou não correto. Planos condicionais podem lidar com incerteza de forma limitada. Ex: Plano
Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações.
Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. ROBERTO LIGEIRO MARQUES 1 INÊS DUTRA 1 1 Coppe Sistemas UFRJ {ligeiro,ines}@cos.ufrj.br Resumo: Redes bayesianas são grafos
Redes Bayesianas e Inferência Exata
ESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO Departamento de Engenharia de Computação e Sistemas Digitais PCS2059 Inteligência Artificial Gabriel Iseppe Porto 5174633 Raphael Petegrosso 5176451 Victor
Redes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
RICARDO ISHIBASHI MOREIRA DE ALMEIDA REDES BAYESIANAS E SUA APLICAÇÃO EM UM MODELO DE INTERFACE ADAPTATIVA PARA UMA LOJA VIRTUAL
RICARDO ISHIBASHI MOREIRA DE ALMEIDA REDES BAYESIANAS E SUA APLICAÇÃO EM UM MODELO DE INTERFACE ADAPTATIVA PARA UMA LOJA VIRTUAL PALMAS 2006 2 RICARDO ISHIBASHI MOREIRA DE ALMEIDA REDES BAYESIANAS E SUA
REDES BAYESIANAS. karila@outlook.com
REDES BAYESIANAS Karila Palma Silva Programa de Pós-Graduação em Engenharia de Automação e Sistemas (PPGEAS) Universidade Federal de Santa Catarina (UFSC) Florianópolis SC Brasil karila@outlook.com Abstract
Conhecimento Incerto Redes de Crença
Conhecimento Incerto Redes de Crença Profa. Josiane M. P. Ferreira Texto base: David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach cap 10. Stuart Russel e Peter Norving
Lógica e Raciocínio. Decisão sob Risco Probabilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/
Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Decisão sob Risco Probabilidade 1 Probabilidade Em decisões sob ignorância a probabilidade dos diferentes resultados e consequências
Redes Bayesianas. André Ricardo Gonçalves. andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric
Redes Bayesianas André Ricardo Gonçalves andreric [at] dca.fee.unicamp.br www.dca.fee.unicamp.br/~andreric Sumário 1 Redes Bayesianas p. 3 1.1 Cálculo de Probabilidades........................... p. 3
Cálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de
Probabilidade - aula III
27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade
Considerações sobre Conhecimento Incerto e Redes Bayesianas
Considerações sobre Conhecimento Incerto e Redes Bayesianas Felipe S. Gurgel 1, Maiquel de Brito 1 1 Universidade Federal de Santa Catarina - UFSC Departamento de Automação e Sistemas - DAS UFSC/CTC/DAS
Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade
Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para
SISTEMAS ESPECIALISTAS
SISTEMAS ESPECIALISTAS Pasteur Ottoni de Miranda Junior DCC PUC Minas Postado em www.pasteurjr.blogspot.com Sistemas especialistas (SE) representam o comportamento de um especialista humano em determinada
DOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS CENTERS
DOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS CENTERS Palmas - TO 2015 DOUGLAS JOSÉ RAMALHO ARAUJO MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS
Sistema Inteligente Não-Linear de Apoio à Aprendizagem 1 Rangel RIGO, Ana Paula Laboissière AMBRÓSIO
Sistema Inteligente Não-Linear de Apoio à Aprendizagem 1 Rangel RIGO, Ana Paula Laboissière AMBRÓSIO rangelrigo@gmail.com, apaula@inf.ufg.br Instituto de Informática Universidade Federal de Goiás (UFG)
Aula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
ESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais
ANO: 11º ANO LECTIVO : 008/009 p.1/7 CONTEÚDOS MODELOS MATEMÁTICOS COMPETÊNCIAS A DESENVOLVER - Compreender a importância dos modelos matemáticos na resolução de problemas de problemas concretos. Nº. AULAS
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr.
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de
Unidade III GERENCIAMENTO DE. Profa. Celia Corigliano
Unidade III GERENCIAMENTO DE PROJETOS DE TI Profa. Celia Corigliano Agenda da disciplina Unidade I Gestão de Projetos Unidade II Ferramentas para Gestão de Projetos Unidade III Gestão de Riscos em TI Unidade
Pós-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
INTERPRETAÇÃO DE OBJETOS EM CONTEXTO
INTERPRETAÇÃO DE OBJETOS EM CONTEXTO MARIANA C. SPERANDIO 1, FELLIPE A. S. SILVA 1, PAULO E. SANTOS 2. 1. Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco 3972, 09850-908 São Bernardo
Busca em Árvores ou Grafos
Giga Mundo Computação RSS Sobre a Equipe Mais computacao no seu Email! Nosso forum Politica de Privacidade Busca em Árvores ou Grafos Posted by on March 10th, 2009 in Inteligência Artificial StatSoft Data
Regra do Evento Raro p/ Inferência Estatística:
Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento
Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua
Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)
Resolução de problemas por meio de busca. Capítulo 3 Russell & Norvig Seções 3.1, 3.2 e 3.3
Resolução de problemas por meio de busca Capítulo 3 Russell & Norvig Seções 3.1, 3.2 e 3.3 Agentes de resolução de problemas Agentes reagvos não funcionam em ambientes para quais o número de regras condição-
O que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Estratégias de Pesquisa
Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento
Inteligência Artificial
Inteligência Artificial Licenciatura em Computação Prof. Adriano Avelar Site: www.adrianoavelar.com Email: eam.avelar@gmail.com Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por
Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas
Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas Francisco José da Silva e Silva Laboratório de Sistemas Distribuídos (LSD) Departamento de Informática / UFMA http://www.lsd.ufma.br
INTERPRETAÇÃO DE OBJETOS EM CONTEXTO
INTERPRETAÇÃO DE OBJETOS EM CONTEXTO MARIANA C. SPERANDIO 1, FELLIPE A. S. SILVA 1, PAULO E. SANTOS 2. 1. Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco 3972, 09850-908 São Bernardo
Sistemas 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 -
Levantamento do Perfil Empreendedor
Levantamento do Perfil Empreendedor Questionário Padrão Informações - O objetivo deste questionário é auxiliar a definir o seu perfil e direcioná-lo para desenvolver suas características empreendedoras.
UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE ENGENHARIA DE COMPUTAÇÃO
UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE ENGENHARIA DE COMPUTAÇÃO AMBIENTE COMPUTACIONAL PARA MODELAGEM E SIMULAÇÃO DE REDES BAYESIANAS Área de Inteligência
TÍTULO: COMPARAÇÃO ENTRE OS MÉTODOS DE BUSCA EM ESPAÇOS DE ESTADOS E O ALGORITMO DE DIJKSTRA
TÍTULO: OMPRÇÃO ENTRE OS MÉTODOS DE US EM ESPÇOS DE ESTDOS E O LGORITMO DE DIJKSTR TEGORI: ONLUÍDO ÁRE: IÊNIS EXTS E D TERR SUÁRE: OMPUTÇÃO E INFORMÁTI INSTITUIÇÃO: UNIVERSIDDE DE SORO UTOR(ES): PEDRO
INF 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
PLANIFICAÇÃO ANUAL. MACS Matemática Aplicada às Ciências Sociais. Curso de Línguas e Humanidades 2º ANO (11º ANO)
PLANIFICAÇÃO ANUAL MACS Matemática Aplicada às Ciências Sociais Curso de Línguas e Humanidades º ANO (º ANO) Ano Lectivo 0/05 Planificação º Ano - MACS º Período Número de Aulas Previstas 0 Apresentação
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Bioestatística Aula 3
Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento
Calculando probabilidades
A UA UL LA Calculando probabilidades Introdução evento E é: P(E) = Você já aprendeu que a probabilidade de um nº deresultadosfavoráveis nº total de resultados possíveis Nesta aula você aprenderá a calcular
Solução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com
Solução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com Python e AI (Re)-introdução ao Python. Problemas de busca e principais abordagens. Exemplos em Python Por que
Francisca Raquel de Vasconcelos Silveira Gustavo Augusto Lima de Campos Mariela Inés Cortés
Francisca Raquel de Vasconcelos Silveira Gustavo Augusto Lima de Campos Mariela Inés Cortés Introdução Trabalhos Relacionados Abordagem Proposta Considerações Finais Conclusão Trabalhos Futuros 2 Agentes
Agentes Inteligentes. Inteligência Artificial. Exemplos. Agentes Inteligentes. Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com
Agentes Inteligentes Inteligência Artificial Um agente é algo capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por meio de atuadores. Agente Prof. Ms. Luiz Alberto Contato:
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Estratégias de busca auxiliadas por heurísticas (A*, BRPM)
FAENAC FACULDADE EDITORA NACIONAL
FAENAC FACULDADE EDITORA NACIONAL LEONARDO DA SILVA MICHAEL VOLPINI LOPES THIAGO DA ANUNCIAÇÃO SEAOF - SISTEMA ESPECIALISTA PARA AUXÍLIO A OPERAÇÕES FINANCEIRAS São Caetano do Sul 2008 LEONARDO DA SILVA
Como Eu Começo meu A3?
Como Eu Começo meu A3? David Verble O pensamento A3 é um pensamento lento. Você está tendo problemas para começar seu A3? Quando ministro treinamentos sobre o pensamento, criação e uso do A3, este assunto
SISTEMAS 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
TCC04040 Inteligência Artificial. Inteligência Artificial
Inteligência Artificial Aula 2 Profª Bianca Zadrozny TCC04040 Inteligência Artificial Página web: http://www.ic.uff.br/~bianca/ia Material: Livro texto: Inteligência Artificial, Russell & Norvig, Editora
CONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Exercícios de Eletrônica Digital Instrutor Gabriel Vinicios Tecnologia Eletrônica II - Tarde
Exercícios de Eletrônica Digital Instrutor Gabriel Vinicios Tecnologia Eletrônica II - Tarde 1.0 - Projeto de ircuitos ombinacionais 1.1 Três botões controlam três motores de potências diferentes. O botão
AGENTES INTELIGENTES. Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com
AGENTES INTELIGENTES Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com Agentes Inteligentes Um agente é tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre
Noções de Pesquisa e Amostragem. André C. R. Martins
Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.
Lista de exercícios sobre cálculo de probabilidades, axiomas, propriedades, teorema da probabilidade total e teorema de Bayes (com respostas)
Lista de exercícios sobre cálculo de probabilidades, axiomas, propriedades, teorema da probabilidade total e teorema de Bayes (com respostas) 1. Quais dos valores abaixo não podem ser probabilidades? 0,
Como melhorar a Qualidade de Software através s de testes e nua. Cláudio Antônio de Araújo 22/11/2008
Como melhorar a Qualidade de Software através s de testes e integração contínua. nua. Cláudio Antônio de Araújo 22/11/2008 Objetivos Fornecer uma visão geral da área de testes de software, com ênfase em
Inteligência 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
Lógica Indutiva. Aula 4. Prof. André Martins
Lógica Indutiva Aula 4 Prof. André Martins É uma bruxa? Lógica Clássica (Dedutiva) Na Lógica Clássica, determinamos a veracidade de proposições a partir de outras proposições que julgamos verdadeiras.
Universidade Federal do ABC. Sinais Aleatórios. Prof. Marcio Eisencraft
Universidade Federal do ABC Sinais Aleatórios Prof. Marcio Eisencraft São Paulo 2011 Capítulo 1 Probabilidades Neste curso, trata-se dos fenômenos que não podem ser representados de forma determinística
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Complemento 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
AULA 5. Embora o termo segurança da informação já diga muito, é interessante descrever um pouco mais sobre objetivos da segurança de informação.
AULA 5 OBJETIVOS EM SEGURANÇA DA INFORMAÇÃO Embora o termo segurança da informação já diga muito, é interessante descrever um pouco mais sobre objetivos da segurança de informação. Podemos listar como
KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?
KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule
Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros.
Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. José Luís Mourão Faculdade de Ciências Universidade do Porto 28 de Janeiro de 2013 José Luís Mourão
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data
MODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,
Integração entre Banco de Dados e Redes de Bayes no Suporte à Medicina
Integração entre Banco de Dados e Redes de Bayes no Suporte à Medicina Ademar Rosa de Souza, Anderson Francisco Talon Departamento de Computação Faculdade de Tecnologia de Bauru (FATEC) Bauru, SP Brasil
Juciara Nepomuceno de Souza Rafael Garcia Miani. Teste de Software
Juciara Nepomuceno de Souza Rafael Garcia Miani Teste de Software Técnicas de Teste de Software Testabilidade Operabilidade; Observabilidade; Controlabilidade; Decomponibilidade; Simplicidade; Estabilidade;
Manual de utilização da Ferramenta para disparo de E-mkt
Manual de utilização da Ferramenta para disparo de E-mkt 1 Índice Menu e-mail marketing...03 Conteúdo da mensagem...04 Listas de contatos...15 Ações de e-mail marketing...19 Perguntas frequentes...26 2
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução. Prof. Humberto Brandão humberto@dcc.ufmg.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal de
Protótipo tipo de Sistema Especialista Para Área Comercial Utilizando a Ferramenta SPIRIT
Protótipo tipo de Sistema Especialista Para Área Comercial Utilizando a Ferramenta SPIRIT Jonas Luchtenberg Orientador: Maurício Capobiano Lopes Roteiro de Apresentação Introdução Objetivo Principal Sistemas
Inteligência Artificial (SI 214) Aula 2 Agentes Inteligentes
Inteligência Artificial (SI 214) Aula 2 Agentes Inteligentes Prof. Josenildo Silva jcsilva@ifma.edu.br 2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material é derivado dos slides de Hwee Tou Ng,
Aprendizagem 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
Tópicos Especiais em Redes: Introdução a Teoria dos Jogos com Aplicações a Redes de Computadores
Tópicos Especiais em Redes: Introdução a Teoria dos Jogos com Aplicações a Redes de Computadores Aula passada: Discussão sobre situações de conflito Exemplos de jogos Jogo em aula Aula de hoje: Introdução
A MÁQUINA INTELIGENTE. O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br
A MÁQUINA INTELIGENTE O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br APRESENTAÇÃO Júlio Cesar da Silva Mestrando em Administração MBA em Gestão da Tecnologia
Problemas de Satisfação de Restrições
Problemas de Satisfação de Restrições Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach junho/2007
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO
Data, 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
REDE BAYESIANA PARA ESTIMAÇÃO DE FALHAS INCIPIENTES EM TRANSFORMADORES DE POTÊNCIA UTILIZANDO DETECÇÃO DE DESCARGAS PARCIAIS POR EMISSÃO ACÚSTICA
REDE BAYESIANA PARA ESTIMAÇÃO DE FALHAS INCIPIENTES EM TRANSFORMADORES DE POTÊNCIA UTILIZANDO DETECÇÃO DE DESCARGAS PARCIAIS POR EMISSÃO ACÚSTICA Pedro Henrique da S. PALHARES 1, Leonardo da C. BRITO 1,
Aula 05 Raciocínio Lógico p/ INSS - Técnico do Seguro Social - Com Videoaulas
Aula 05 Raciocínio Lógico p/ INSS - Técnico do Seguro Social - Com Videoaulas Professor: Arthur Lima AULA 05: RESUMO Caro aluno, Para finalizar nosso curso, preparei um resumo de toda a teoria vista nas
Design Pedagógico do módulo III Origem dos Movimentos, Variação
Design Pedagógico do módulo III Origem dos Movimentos, Variação Escolha do tópico O que um aluno entre 14 e 18 anos acharia de interessante neste tópico? Que aplicações / exemplos do mundo real podem ser
Programas Interativos: Valores Aleatórios
Programação Funcional UFOP DECOM 2013 2 Aula prática Programas Interativos: Valores Aleatórios José Romildo Malaquias Resumo O objetivo desta aula é aprender a usar números aleatórios em Haskell. Para
Revisão 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,
Aula 3 Introdução à Avaliação de Impacto Aula 3
Aula 3 Introdução à Avaliação de Impacto Aula 3 Introdução à Avaliação de Impacto Quando a chuva cai, necessariamente, a rua fica molhada. Se a rua está molhada, pode ter chovido. Mas, não necessariamente!
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II! Como implementar o escore de crédito?! Como avaliar o escore de crédito?! Como calcular a função discriminante usando o Excel?! Como aplicar a função
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Edirlei Soares de Lima Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de
INTELIGÊNCIA ARTIFICIAL E SUA APLICABILIDADE NOS JOGOS
INTELIGÊNCIA ARTIFICIAL E SUA APLICABILIDADE NOS JOGOS Aline Ferraz da Silva 1 Carine Bueira Loureiro 2 Resumo: Este artigo trata do projeto de Trabalho
Revisão de Estatística Básica:
Revisão de Estatística Básica: Estatística: Um número é denominado uma estatística (singular). Ex.: As vendas de uma empresa no mês constituem uma estatística. Estatísticas: Uma coleção de números ou fatos
Espaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
( ) Prova ( ) Prova Semestral
( ) Prova ( ) Prova Semestral (x) Exercícios ( ) Segunda Chamada ( ) Prova Modular ( ) Prova de Recuperação ( ) Prática de Laboratório ( ) Exame Final/Exame de Certificação ( ) Aproveitamento Extraordinário
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
MANUAL DE UTILIZAÇÃO Aplicativo Controle de Estoque Desktop
MANUAL DE UTILIZAÇÃO Aplicativo Controle de Estoque Desktop 1 1 INICIANDO O APLICATIVO PELA PRIMEIRA VEZ... 3 2 PÁGINA PRINCIPAL DO APLICATIVO... 4 2.1 INTERFACE INICIAL... 4 3 INICIANDO PROCESSO DE LEITURA...
Roteiro. Arquitetura. Tipos de Arquitetura. Questionário. Centralizado Descentralizado Hibrido
Arquitetura Roteiro Arquitetura Tipos de Arquitetura Centralizado Descentralizado Hibrido Questionário 2 Arquitetura Figura 1: Planta baixa de uma casa 3 Arquitetura Engenharia de Software A arquitetura