Aprendizagem de Máquina
|
|
- Antônio Castelhano Rocha
- 5 Há anos
- Visualizações:
Transcrição
1 Aprendizagem de Máquina Aprendizagem de Conceito Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR)
2 Mestrado/Doutorado em Informática Aprendizagem de Máquina 2 Plano de Aula Introdução Tarefa de Aprendizagem de Conceito Aprendizagem de Conceito como uma Busca Ordenação de Hipóteses Algoritmo Find-S Espaço Versão Eliminação de Candidato Exemplos Ilustrativos Resumo
3 Mestrado/Doutorado em Informática Aprendizagem de Máquina 3 Introdução O problema central da aprendizagem é induzir (construir) funções gerais a partir de exemplos de treinamento específicos. Exemplo: Aprendendo a jogar damas. O Que é Aprendizagem de Conceito?
4 Mestrado/Doutorado em Informática Aprendizagem de Máquina 4 Introdução Aprendizagem de Conceito: obtenção da definição de uma categoria geral a partir de exemplos de treinamento positivos e negativos da categoria. Pode ser formulado como um problema de busca em um espaço de hipóteses pré definido hipótese que melhor se ajusta aos exemplos de treinamento.
5 Mestrado/Doutorado em Informática Aprendizagem de Máquina 5 Introdução Duas situações serão consideradas: Algoritmos de Aprendizagem Situações onde eles convergem para a hipótese correta Natureza da Aprendizagem Indutiva Generalização além dos dados de treinamento observados
6 Mestrado/Doutorado em Informática Aprendizagem de Máquina 6 Introdução Aprendizagem envolve aquisição de conceitos gerais a partir de exemplos de treinamento específicos. Exemplo: pessoas aprendem conceitos gerais ou categorias, e.g. pássaro, carro, etc. Alternativamente, cada conceito pode ser visto como um função booleana. Pertence a tal categoria? Sim = 1 Não = 0
7 Mestrado/Doutorado em Informática Aprendizagem de Máquina 7 Introdução
8 Mestrado/Doutorado em Informática Aprendizagem de Máquina 8 Introdução
9 Mestrado/Doutorado em Informática Aprendizagem de Máquina 9 Introdução
10 Mestrado/Doutorado em Informática Aprendizagem de Máquina 10 Introdução Considerar o problema de inferir automaticamente a definição geral de alguns conceitos, a partir de exemplos rotulados como sendo membros ou não membros do conceito. Esta tarefa é dita aprendizagem de conceito ou aproximação de uma função de valor booleano a partir de exemplos.
11 Mestrado/Doutorado em Informática Aprendizagem de Máquina 11 Introdução Aprendizagem de Conceito: inferindo uma função de valor booleano a partir de exemplos de treinamento (entradas e saídas).
12 Mestrado/Doutorado em Informática Aprendizagem de Máquina 12 Tarefa de Aprendizagem Conceitual Vamos considerar a tarefa de aprender o conceito dias nos quais João pratica seu esporte favorito A tabela abaixo apresenta um conjunto de dias, cada um representado por um conjunto de atributos (ou características ou features)
13 Mestrado/Doutorado em Informática Aprendizagem de Máquina 13 Tarefa de Aprendizagem Conceitual Atributos (ou Características ou Features) Atributo Alvo ou Conceito Alvo Valor dos Atributos Valor do Atributo Alvo ou Valor do Conceito Alvo
14 Mestrado/Doutorado em Informática Aprendizagem de Máquina 14 Tarefa de Aprendizagem Conceitual No treinamento queremos encontrar a relação entre o valor dos atributos e o valor do atributo alvo/conceito alvo Uma vez treinado, dado um dia qualquer que é representado pelos 6 atributos, desejamos saber o valor do conceito alvo.????????????
15 Mestrado/Doutorado em Informática Aprendizagem de Máquina 15 Tarefa de Aprendizagem Conceitual O atributo EnjoySport indica se João pratica ou não seu esporte favorito naquele dia. Qual é a tarefa de aprendizagem? Aprender a predizer o valor de EnjoySport para um dia qualquer baseando se apenas nos valores dos outros atributos (Sky, Temp, Humid, Wind, Water, Forecast).
16 Mestrado/Doutorado em Informática Aprendizagem de Máquina 16 Tarefa de Aprendizagem Conceitual Que representação da hipótese devemos fornecer ao aprendiz neste caso? Consideramos uma representação simples onde cada hipótese consiste em uma conjunção de restrições sobre os atributos de entrada. Fazemos cada hipótese ser um vetor de restrições especificando os valores dos seis atributos: < Sky, AirTemp, Humidity,Wind, Water, Forecast >
17 Mestrado/Doutorado em Informática Aprendizagem de Máquina 17 Tarefa de Aprendizagem Conceitual Para cada atributo, a hipótese: Indicará através de um? que qualquer valor é aceitável para esse atributo Especificará um valor único necessário para o atributo (e.g. Warm), ou Indicará através do símbolo que nenhum valor é aceitável.
18 Mestrado/Doutorado em Informática Aprendizagem de Máquina 18 Tarefa de Aprendizagem Conceitual Se alguma instância x satisfizer todas as restrições da hipótese h, então, h classifica x como um exemplo positivo: h (x) = 1 (ou seja, Yes) Se uma instância x não satisfizer todas as restrições da hipótese h, então, h classifica x como um exemplo negativo: h (x) = o (ou seja, No)
19 Mestrado/Doutorado em Informática Aprendizagem de Máquina 19 Tarefa de Aprendizagem Conceitual Como ilustraríamos a hipótese de que João pratica seu esporte favorito somente em dias frios e com alta umidade (independente dos valores dos outros atributos)? <?, Cold, High,?,?,?>
20 Mestrado/Doutorado em Informática Aprendizagem de Máquina 20 Tarefa de Aprendizagem Conceitual A hipótese mais geral, de que todo dia é um exemplo positivo, é representado por: <?,?,?,?,?,?> A hipótese mais específica, de que nenhum dia é um exemplo positivo, é representado por: <,,,,, >
21 Mestrado/Doutorado em Informática Aprendizagem de Máquina 21 Tarefa de Aprendizagem Conceitual Em resumo, a tarefa de aprendizagem do conceito EnjoySport requer a: Aprendizagem do conjunto de dias para os quais EnjoySport = Yes, descrevendo este conjunto por uma conjunção de restrições sobre os atributos da instância (entrada).
22 Mestrado/Doutorado em Informática Aprendizagem de Máquina 22 Tarefa de Aprendizagem Conceitual Em geral, qualquer tarefa de aprendizagem de conceito pode ser descrita por: Um conjunto de instâncias sobre as quais a função objetiva é definida; Um conceito alvo (função alvo); O conjunto de hipóteses candidatas; O conjunto de exemplos de treinamento.
23 Mestrado/Doutorado em Informática Aprendizagem de Máquina 23 Definição da Tarefa de Aprendizagem Sendo fornecidos: Instâncias (X) Conceito Alvo (c) Conjunto de Hipóteses (H) Exemplos de Treinamento (D) Determinar: A hipótese h em H tal que h(x)=c(x) para todo x em X.
24 Mestrado/Doutorado em Informática Aprendizagem de Máquina 24 Definição da Tarefa de Aprendizagem Instâncias (X): dias possíveis, cada um descrito pelos atributos: Sky (Sunny/ Cloudy / Rainy) AirTemp (Warm / Cold) Humidity (Normal / High) Wind (Strong / Weak) Water (Warm / Cold) Forecast (Same / Change)
25 Mestrado/Doutorado em Informática Aprendizagem de Máquina 25 Definição da Tarefa de Aprendizagem Conjunto de Hipóteses (H): conjunções de restrições sobre os atributos, por exemplo: <?,Cold,High,?,?,?> <Cloudy,Cold,High,?,?,?> <Rainy,Cold,High,?,?,?> <?,Warm,High,Weak,?,?>... <?,Cold,High,Weak,Cool, Same> <Rainy,Cold,High,Weak,Cool,Same> <Sunny,?,?,?,?,?>
26 Mestrado/Doutorado em Informática Aprendizagem de Máquina 26 Definição da Tarefa de Aprendizagem Conceito Alvo (c): EnjoySport: X {0,1} onde 0 corresponde a No e 1 corresponde a Yes. Exemplos de Treinamento (D): exemplos positivos e negativos da função objetivo, e.g. < x 1,c(x 1 ) >,..., < x n, c(x n )> < ( Rainy, Cold, High,Weak,Cool, Same), No > < ( Sunny, Warm, Normal,Weak,Cool, Same), Yes >... <(Sunny, Warm, Normal,Weak,Warm,Same), Yes>
27 Mestrado/Doutorado em Informática Aprendizagem de Máquina 27 Aprendizagem Conceitual: Notação Conjunto de itens sobre os quais o conceito é definido conjunto de instâncias X Ex: conjunto de todos os dias possíveis, cada um representado pelos atributos Sky, AirTemp,..., Forecast. O conceito ou função a ser aprendida é chamada de: conceito alvo c (em geral c ébooleano c : X {0,1}) Ex: valor do atributo EnjoySport. c(x)=1 se EnjoySport = Yes, c(x)=0 se EnjoySport = No.
28 Mestrado/Doutorado em Informática Aprendizagem de Máquina 28 Aprendizagem Conceitual: Notação Conjunto de exemplos de treinamento D cada um consistindo de uma instância x de X com o valor do conceito alvo c(x), i.e., < x, c(x)> Conjunto de todas as hipóteses possíveis H que possam ser consideradas com respeito a identidade do conceito alvo.
29 Mestrado/Doutorado em Informática Aprendizagem de Máquina 29 Aprendizagem Conceitual: Notação Geralmente, H é determinado a partir da escolha da representação das hipóteses feita pelo projetista humano. Em geral, cada hipótese h em H representa uma função de valor booleano definida sobre X, i.e. h : X {0,1}. O objetivo do aprendiz é encontrar uma hipótese h tal que h(x) = c(x) x em X.
30 Mestrado/Doutorado em Informática Aprendizagem de Máquina 30 Tarefa de Aprendizagem Conceitual Apesar da tarefa de aprendizagem ser: determinar a hipótese h idêntica ao conceito alvo sobre o conjunto inteiro de instâncias X A única informação disponível a respeito de c é seu valor sobre os exemplos de treinamento. Assim, algoritmos de aprendizagem indutiva pode no máximo garantir que a hipótese resultante represente o conceito alvo sobre os dados de treinamento.
31 Mestrado/Doutorado em Informática Aprendizagem de Máquina 31 Tarefa de Aprendizagem Conceitual A hipótese da aprendizagem indutiva: Qualquer hipótese que aproxima bem a função objetiva sobre um conjunto suficientemente grande de exemplos de treinamento aproximará também bem a função objetiva sobre outros exemplos não observados. Esta é a suposição fundamental da aprendizagem indutiva!!
32 Mestrado/Doutorado em Informática Aprendizagem de Máquina 32 Aprendizagem como Tarefa de Busca A aprendizagem de conceito pode ser vista como uma tarefa de busca em um grande espaço de hipóteses definido pela representação das hipóteses. O objetivo desta busca é: encontrar a hipótese que melhor se ajusta aos exemplos de treinamento.
33 Mestrado/Doutorado em Informática Aprendizagem de Máquina 33 Aprendizagem como Tarefa de Busca É importante notar que: Em selecionando uma representação das hipóteses: o projetista do algoritmo de aprendizagem define implicitamente o espaço de todas as hipóteses que o programa pode sempre representar e, portanto, pode aprender.
34 Mestrado/Doutorado em Informática Aprendizagem de Máquina 34 Aprendizagem como Tarefa de Busca Voltando ao problema anterior... Temos os atributos e seus possíveis valores: Sky (Sunny/Rainy/Cloudy) [3 valores possíveis] AirTemp (Warm/Cold) [2 valores possíveis] Humidity (Normal/High) [2 valores possíveis] Wind (Strong/Weak) [2 valores possíveis] Water (Warm/Cool) [2 valores possíveis] Forecast (Same/Change) [2 valores possíveis]
35 Mestrado/Doutorado em Informática Aprendizagem de Máquina 35 Aprendizagem como Tarefa de Busca Assim, o espaço de instâncias X contém: = 96 instâncias distintas Existem = hipóteses sintaticamente distintas dentro de H Porém, toda hipótese contendo um ou mais símbolos representam hipóteses negativas 1+( ) = 973 hipóteses sintaticamente distintas
36 Mestrado/Doutorado em Informática Aprendizagem de Máquina 36 Aprendizagem como Tarefa de Busca O problema deste exemplo é relativamente simples pois tem um número finito de hipóteses. Porém, os problemas reais geralmente são muito mais complexos envolvendo, as vezes, um espaço de hipóteses infinito.
37 Mestrado/Doutorado em Informática Aprendizagem de Máquina 37 Aprendizagem como Tarefa de Busca Muitos algoritmos de aprendizagem de conceito organizam a busca no espaço de hipóteses baseando se em uma estrutura: A ordenação das hipóteses de hipóteses mais gerais à hipóteses mais específicas Exemplo: h 1 = <Sunny,?,?, Strong,?,?> h 2 = <Sunny,?,?,?,?,?> Qual destas instâncias positivas é a mais geral?
38 Mestrado/Doutorado em Informática Aprendizagem de Máquina 38 Aprendizagem como Tarefa de Busca Dadas as hipóteses h j e h k h j é mais_geral_que_ou_igual_à h k (h j h g k ), se e somente se qualquer instância que satisfaça h k também satisfaça h j. ( x X )[( h ( x) = 1) ( h ( x) = k j 1)]
39 Mestrado/Doutorado em Informática Aprendizagem de Máquina 39 Aprendizagem como Tarefa de Busca Instâncias, hipóteses e a relação: mais_geral_que
40 Mestrado/Doutorado em Informática Aprendizagem de Máquina 40 Aprendizagem como Tarefa de Busca Como as hipóteses h 1, h 2 e h 3 podem ser relacionadas através do símbolo g? h 1 = < Sunny,?,?, Strong,?,? > h 2 = < Sunny,?,?,?,?,? > h 3 = < Sunny,?,?,?, Cool,? > h 2 g h 3 g h 1 ou h 2 g h 1 g h 3
41 Mestrado/Doutorado em Informática Aprendizagem de Máquina 41 Algoritmo Find S Como usar a ordenação parcial g para organizar a busca por uma hipótese consistente com os exemplos de treinamento observados? Começar com a hipótese mais específica possível em H, e então generalizá la, cada vez que ela falhar em cobrir um exemplo positivo. Considerando o algoritmo...
42 Mestrado/Doutorado em Informática Aprendizagem de Máquina 42 Algoritmo Find S 1. Inicialize h como sendo a hipótese mais específica em H. 2. Para cada instância de treinamento positiva x Para cada restrição de atributo a i em h Se a restrição a i é satisfeita por x Então não faça nada Senão troque a i em h pela próxima restrição mais geral que é satisfeita por x 3. Forneça a hipótese h.
43 Mestrado/Doutorado em Informática Aprendizagem de Máquina 43 Aplicando o Algoritmo Find S Aplicando o algoritmo ao exemplo anterior (EnjoySport)...
44 Mestrado/Doutorado em Informática Aprendizagem de Máquina 44 Aplicando o Algoritmo Find S Aplicando o algoritmo ao exemplo anterior (EnjoySport)... Passo 1: Inicializar h com a hipótese mais específica em H: h <,,,,, > olhando o primeiro exemplo da tabela hipótese muito específica.
45 Mestrado/Doutorado em Informática Aprendizagem de Máquina 45 Aplicando o Algoritmo Find S Passo 2: Trocar as restrições pela próxima restrição mais geral que se ajusta ao exemplo (ou seja, os valores dos atributos). h < Sunny, Warm, Normal, Strong, Warm, Same> h é ainda muito específica...
46 Mestrado/Doutorado em Informática Aprendizagem de Máquina 46 Aplicando o Algoritmo Find S
47 Mestrado/Doutorado em Informática Aprendizagem de Máquina 47 Aplicando o Algoritmo Find S Passo 2: Trocar as restrições pela próxima restrição mais geral que se ajuste ao exemplo (ou seja, os valores dos atributos). h < Sunny, Warm,?, Strong, Warm, Same> O segundo exemplo de treinamento faz o algoritmo generalizar ainda mais.
48 Mestrado/Doutorado em Informática Aprendizagem de Máquina 48 Aplicando o Algoritmo Find S
49 Mestrado/Doutorado em Informática Aprendizagem de Máquina 49 Aplicando o Algoritmo Find S Passo 2: Find S ignora o exemplo negativo... pois h já é consistente com o novo exemplo negativo.
50 Mestrado/Doutorado em Informática Aprendizagem de Máquina 50 Aplicando o Algoritmo Find S
51 Mestrado/Doutorado em Informática Aprendizagem de Máquina 51 Aplicando o Algoritmo Find S Passo 2: O quarto exemplo positivo leva a h < Sunny, Warm,?, Strong,?,? > Passo 3: h = < Sunny, Warm,?, Strong,?,? > Este algoritmo ilustra como a ordenação parcial mais_geral_que pode ser usada para organizar a busca por uma hipótese aceitável.
52 Mestrado/Doutorado em Informática Aprendizagem de Máquina 52 Algoritmo Find S A busca no espaço de hipóteses.
53 Mestrado/Doutorado em Informática Aprendizagem de Máquina 53 Algoritmo Find S A propriedade chave do algoritmo Find S é: Para espaços de hipóteses descritos pela conjunção de atributos é garantido que Find S produza a hipótese mais específica dentro de H que é consistente com os exemplos de treinamento positivos.
54 Mestrado/Doutorado em Informática Aprendizagem de Máquina 54 Algoritmo Find S Porém... Não podemos dizer se o aprendiz convergiu para o conceito correto. Porque preferir a hipótese h mais específica? Não podemos dizer quando os exemplos de treinamento são inconsistentes Depende de H. Podem haver diversas outras hipóteses específicas consistentes
55 Mestrado/Doutorado em Informática Aprendizagem de Máquina 55 Algoritmo Eliminação de Candidatos O algoritmo Find S tem várias limitações, então... um outro algoritmo... A idéia chave do algoritmo Eliminação de Candidatos é fornecer uma descrição do conjunto de todas as hipóteses consistentes com os exemplos de treinamento. Também utiliza a propriedade do ordenamento parcial mais_geral_que.
56 Mestrado/Doutorado em Informática Aprendizagem de Máquina 56 Algoritmo Eliminação de Candidatos O algoritmo Eliminação de Candidatos encontra todas as hipóteses descritíveis que são consistentes com os exemplos de treinamento observados. Definição: Uma hipótese h é consistente com os exemplos de treinamento D se e somente se ela classifica corretamente estes exemplos. Consistent e( h, D) ( x, c( x) D) h( x) = c( x)
57 Mestrado/Doutorado em Informática Aprendizagem de Máquina 57 Algoritmo Eliminação de Candidatos O algoritmo Eliminação de Candidatos representa o conjunto de todas as hipóteses consistentes com os exemplos de treinamento observados. Este subespaço de todas hipóteses é chamado, Espaço Versão (version space) com respeito ao espaço de hipóteses H e os exemplos de treinamento D, porque ele contém todas as versões plausíveis do conceito alvo. VS { h H Consistente( h, )} H, D D
58 Mestrado/Doutorado em Informática Aprendizagem de Máquina 58 Algoritmo Lista e Elimina Para representar o Espaço Versão, listamos todos os seus membros algoritmo de aprendizagem Lista e Elimina. Pode ser aplicado sempre que o espaço de hipóteses for finito. É garantido que ele forneça todas as hipóteses consistentes com os dados de treinamento.
59 Mestrado/Doutorado em Informática Aprendizagem de Máquina 59 Algoritmo Lista e Elimina 1. Espaço Versão uma lista contendo cada hipótese em H. 2. Para cada exemplo de treinamento < x, c(x) > remover do Espaço Versão qualquer hipótese h para qual h(x) c(x) 3. forneça a lista de hipóteses no Espaço Versão.
60 Mestrado/Doutorado em Informática Aprendizagem de Máquina 60 Algoritmo Lista e Elimina Aplicando ao exemplo EnjoySport... Um espaço versão com seus conjuntos fronteira geral e específico.
61 Mestrado/Doutorado em Informática Aprendizagem de Máquina 61 Algoritmo Eliminação de Candidatos O algoritmo Eliminação de Candidatos representa o Espaço Versão armazenando somente seus membros mais gerais (G) e mais específicos (S) Dado somente G e S, é possível enumerar todos os membros do espaço versão.
62 Mestrado/Doutorado em Informática Aprendizagem de Máquina 62 Algoritmo Eliminação de Candidato
63 Mestrado/Doutorado em Informática Aprendizagem de Máquina 63 Algoritmo Eliminação de Candidato Inicializar G com a hipótese mais geral em H. Inicializar S com a hipótese mais geral em H. Para cada exemplo de treinamento d, faça -Se d for um exemplo positivo -Remova de G qualquer hipótese inconsistente com d - Para cada hipótese s em S que não for consistente com d -Remova s de S -Adicione a S as generalizações mínimas h de s tais que -hseja consistente com d e algum membro de G émais geral do que h -Remova de S qualquer hipótese que seja mais geral do que outra hipótese em S.
64 Mestrado/Doutorado em Informática Aprendizagem de Máquina 64 Algoritmo Eliminação de Candidato -Se d for um exemplo negativo -Remova de S qualquer hipótese inconsistente com d - Para cada hipótese g em G que não for consistente com d -Remova g de G -Adicione a G as especializações mínimas h de g tais que -hseja consistente com d e algum membro de S émais específico do que h -Remova de G qualquer hipótese que seja menos geral do que outra hipótese em G.
65 Mestrado/Doutorado em Informática Aprendizagem de Máquina 65 Algoritmo Eliminação de Candidato Passo 1 Passo 2 Estas duas fronteiras delimitam o espaço de hipóteses inteiro...
66 Mestrado/Doutorado em Informática Aprendizagem de Máquina 66 Aplicando Algo Elim. De Candidato
67 Mestrado/Doutorado em Informática Aprendizagem de Máquina 67 Algoritmo Eliminação de Candidato
68 Mestrado/Doutorado em Informática Aprendizagem de Máquina 68 Algoritmo Eliminação de Candidato
69 Mestrado/Doutorado em Informática Aprendizagem de Máquina 69 Algoritmo Eliminação de Candidato
70 Mestrado/Doutorado em Informática Aprendizagem de Máquina 70 Algoritmo Eliminação de Candidato
71 Mestrado/Doutorado em Informática Aprendizagem de Máquina 71 Algoritmo Eliminação de Candidato Este Espaço Versão aprendido é independente da seqüência na qual os exemplos de treinamento são apresentados. Se mais dados de treinamento forem usados, as fronteiras S e G se moverão monotonicamente mais perto umas das outras, delimitando um Espaço Versão de Hipóteses Candidatas cada vez menor.
72 Mestrado/Doutorado em Informática Aprendizagem de Máquina 72 Algoritmo Eliminação de Candidato O algoritmo Eliminação de Candidato convergirá para hipótese correta? Sim, se não houverem erros nas amostras de treinamento existir alguma hipótese em H que descreve corretamente o conceito alvo. E se houverem erros nos dados de treinamento? Se o segundo exemplo de treinamento for incorretamente apresentado como NO?
73 Mestrado/Doutorado em Informática Aprendizagem de Máquina 73 Algoritmo Eliminação de Candidato E se houverem erros nos dados de treinamento? Se o segundo exemplo de treinamento for incorretamente apresentado como NO? Neste caso o algoritmo removerá o conceito alvo correto do Espaço Versão!!!! Se o número de exemplos de treinamento for suficiente, as fronteiras S e G convergirão para um Espaço Versão vazio.
74 Mestrado/Doutorado em Informática Aprendizagem de Máquina 74 Algoritmo Eliminação de Candidato Como podem ser usados os conceitos parcialmente aprendidos? Exemplo:
75 Mestrado/Doutorado em Informática Aprendizagem de Máquina 75 Espaço Versão Final Aprendido
76 Mestrado/Doutorado em Informática Aprendizagem de Máquina 76 Algoritmo Eliminação de Candidato A instância A é classificada como positiva por todas as hipóteses no espaço versão final. A instância B é classificada como negativa por todas as hipóteses no espaço versão final. A instância C apresenta uma situação diferente. Metade das hipótese do espaço versão classificam como positiva e metade como negativa não pode classificar esta instância com confiança
77 Mestrado/Doutorado em Informática Aprendizagem de Máquina 77 Algoritmo Eliminação de Candidato A instância D é classificada como positiva por 2 hipótese do espaço versão e como negativa por 4 hipóteses do espaço versão A maioria vence classificada como negativa Porém esta é uma decisão de menor confiança!!!!
78 Mestrado/Doutorado em Informática Aprendizagem de Máquina 87 Resumo Aprendizagem de conceito pode ser vista como um problema de busca em um espaço amplo pré definido de hipóteses em potencial; A ordenação parcial geral à específica das hipóteses fornece uma estrutura útil para organizar a busca no espaço de hipóteses.
79 Mestrado/Doutorado em Informática Aprendizagem de Máquina 88 Resumo O algoritmo Find S utiliza este ordenamento geral a específico, realizando uma busca de específica à geral no espaço de hipóteses para encontrar a hipótese mais específica consistente com os exemplos de treinamento; O algoritmo Eliminação de Candidatos utiliza este ordenamento parcial geral a específico para calcular o Espaço Versão através da computação incremental dos conjuntos mais específicos (S) e mais gerais (G).
80 Mestrado/Doutorado em Informática Aprendizagem de Máquina 89 Resumo Como os conjuntos S e G delimitam o conjunto inteiro de hipóteses consistente com os dados, eles fornecem uma descrição da incerteza em relação à identidade exata do conceito alvo. As aplicações práticas são limitadas pelo fato de que os dois algoritmos tem um desempenho fraco na presença de dados de treinamento com ruído.
Aprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Conceito Alessandro L. Koerich 2007 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução Tarefa de Aprendizagem
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Conceito Aula 2 Alessandro L. Koerich Mestrado em Informática Aplicada Introdução Tarefa de Aprendizagem de Conceito Aprendizagem de Conceito como
Leia maisAprendizado de Máquina
Aprendizado de Máquina Aprendizagem de Conceito Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina
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 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 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 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 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 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 de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação
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 maisAprendizagem de Máquina
Introdução Aprendizagem de Máquina Para ilustrar a construção de um sistema inteligente, vamos considerar um problema simples, porém interessante. Alessandro L. Koerich Estudo de Caso Suponha que desejamos
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 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 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 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 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 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Rejeição Introdução Em aplicações reais, sistemas de reconhecimento
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Árvores de Decisão Aula 3 Alessandro L. Koerich Introdução Representação de Árvores de Decisão Algoritmo de Aprendizagem ID3 Entropia e Ganho de Informação
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 de Máquina Conceitos. Conceitos. Introdução... Projeto de um Sistema de Aprendizado. Conceitos
Aprendizado de Máquina Conceitos Surge com a intenção de explorar possibilidades de máquinas aprenderem sobre diversos assuntos e contextos Reconhecimento de discurso Detecção de fraude em sistemas de
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 maisAprendizagem Bayesiana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes
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 maisAurora Trinidad Ramirez Pozo Universidade Federal do Paraná
Aurora Trinidad Ramirez Pozo Universidade Federal do Paraná 1 Um dos métodos práticos mais usados Induz funções discretas robustas a ruído Capaz de aprender expressões disjuntivas Se pais = Inglaterra
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisUniversidade Estadual do Ceará Laboratório de Redes de Computadores e Segurança - LARCES
Universidade Estadual do Ceará Laboratório de Redes de Computadores e Segurança - LARCES Máquinas de Aprendizagem Árvores de Decisão Felipe de Almeida Xavier João Gonçalves Filho FORTALEZA 2011 1 Sumário
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aula 1 Alessandro L. Koerich Introdução Mestrado em Informática Aplicada Pontifícia Universidade Católica do Paraná (PUCPR) Introdução à Aprendizagem de Máquina Por
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
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 maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
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 maisSaída: Representação de conhecimento
Saída: Representação de conhecimento Kate Revoredo katerevoredo@uniriotec.br 1 Saída: Representando padrões estruturais Existem muitas maneiras diferentes de representar padrões: Árvores de decisão, regras,
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 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 maisAlgoritmos Indutores de Árvores de. Fabrício J. Barth
Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Maio de 2018 Problema: Diagnóstico para uso de lentes de contato 2 Diagnóstico para o uso de lentes de contato O setor de oftalmologia de um
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Introdução Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Combinação de Classificadores Filosofia O objetivo
Leia maisAprendizado de Máquina. Conteudo. Terminologia. Notes. Notes. Notes. Notes. Aprendizagem Bayesiana. Luiz Eduardo S. Oliveira
Aprendizado de Máquina Aprendizagem Bayesiana Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1
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 maisAulas 10 e 11 / 18 e 20 de abril
1 Conjuntos Aulas 10 e 11 / 18 e 20 de abril Um conjunto é uma coleção de objetos. Estes objetos são chamados de elementos do conjunto. A única restrição é que em geral um mesmo elemento não pode contar
Leia maisRegras Rudimentarias
Regras Regras Rudimentarias 1R: aprende uma regra por atributo atribuí a classe mais freqüente taxa de erro: proporção de instâncias que não pertence a classe majoritária escolhe o atributo com menor taxa
Leia maisAprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
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 maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisAprendizado indutivo. Marcelo K. Albertini. 17 de Abril de 2014
Aprendizado indutivo Marcelo K. Albertini 17 de Abril de 2014 2/22 Aprendizado indutivo O que é? Porque é difícil? Como podemos resolver problemas de indução? 3/22 Aprendizado supervisionado Temos: exemplos
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 maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Exemplos de situações do dia a dia em que a aprendizagem de máquina é importante A partir de informações sobre pacientes relativas a gravidez aprender a prever
Leia maisCap.1 Introdução a NTI, DataMining, e Aprendizagem Automática V 3.0, V.Lobo, EN/ISEGI, 2005
Objectivos gerais Novas Tecnologias de Informação Victor Lobo Abrir horizontes em temas actuais Aprender técnicas de Business Intelligence, ou Sistemas de apoio à decisão Métodos de Mining Pesquisa de
Leia maisNovas Tecnologias de Informação
Novas Tecnologias de Informação Victor Lobo Objectivos gerais Abrir horizontes em temas actuais Aprender técnicas de Business Intelligence, ou Sistemas de apoio à decisão Métodos de DataMining Pesquisa
Leia maisSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES Profa. Roseli Ap. Francelin Romero Representação de Árvores de Decisão Algoritmo ID3 Conceito de e Ganho de Informação Overfitting Sistemas Inteligentes 1 Sistemas Inteligentes 2
Leia mais1R: aprende uma regra por atributo
1R: aprende uma regra por atributo atribuí a classe mais freqüente taxa de erro: proporção de instâncias que não pertence a classe majoritária escolhe o atributo com menor taxa de erro Para cada atributo
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 maisAprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendendo com Exemplos 2. Classificação 3. Conceitos Gerais 4. Vizinho Mais Próximo 1 Aprendendo com Exemplos
Leia maisAula 3 Representação do Conhecimento
Aula 3 Representação do Conhecimento Sumário (Representação do Conhecimento) - Introdução - Tabelas - Modelos Lineares - Árvores - Regras - Baseada em Instância - Clusters (Aglomerado) - Prática: Árvore
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
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 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 DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerih / Aleu S Britto Programa de Pós-Graduação em Informátia Pontifíia Universidade Católia do Paraná (PUCPR) Aprendizagem Bayesiana Plano de Aula Introdução Teorema
Leia maisINF 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 maisNaïve Bayesian Learning. Marcílo Souto DIMAp/UFRN
Naïve Bayesian Learning Marcílo Souto DIMAp/UFRN 1 Teorema de Bayes Probabilidade de um evento H dada evidência E: Pr[ H E] Pr[ E H ]Pr[ H ] Pr[ E] Probabilidade a priori de H: Probabilidade do evento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisCompiladores - Especificando Sintaxe
Compiladores - Especificando Sintaxe Fabio Mascarenhas - 2013.1 http://www.dcc.ufrj.br/~fabiom/comp Análise Sintática A análise sintática agrupa os tokens em uma árvore sintática de acordo com a estrutura
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 02 Representação do Conhecimento Prof. Max Pereira Para que um computador possa solucionar um problema
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 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 maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Classificação I: Algoritmos 1Rule e KNN Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões dos originais:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisCI208 - Programação de Computadores. Aula 24: Arrays. Prof. MSc. Diego Roberto Antunes
CI208 - Programação de Computadores Aula 24: Arrays Prof. MSc. Diego Roberto Antunes diegor@inf.ufpr.br www.inf.ufpr.br/diegor Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Informática
Leia maisRESOLUÇÃO DE PROBLEMAS POR MEIO DE BUSCA (PARTE 1) *Capítulo 3 (Russel & Norvig)
RESOLUÇÃO DE PROBLEMAS POR MEIO DE BUSCA (PARTE 1) *Capítulo 3 (Russel & Norvig) 1 Tópicos 1. Agentes para resolução de problemas 2. Formulação de problemas 3. Exemplos de problemas 4. Soluções aos problemas
Leia maisT6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 12 Árvores de Decisão Prof. Augusto Baffa Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso. Uma
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
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 maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Combinação de Classificadores Filosofia O objetivo da combinação de
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisINFORMÁTICA APLICADA AULA 02 ALGORITMOS
UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO CURSO: Bacharelado em Ciências e Tecnologia INFORMÁTICA APLICADA AULA 02 ALGORITMOS Profª ª Danielle Casillo ALGORITMOS Um algoritmo é uma sequência de instruções
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Árvores de Decisão Poda e extensões Prof. Paulo Martins Engel UFRGS 2 Questões sobre Árvores de Decisão Questões práticas do aprendizado de AD incluem: Determinar até quando se
Leia maisAulas 5 e 6 / 28 e 30 de março
Aulas 5 e / 8 e 30 de março 1 Notação de soma e produto Como expressar a seguinte soma de uma maneira mais concisa? 1 + + 3 3 + + 10? Note que as parcelas são semelhantes, e que a única coisa que varia
Leia maisResolução de Problemas de Busca
Resolução de Problemas de Busca 1 Ao final desta aula a gente deve Compreender o que é um problema de busca em IA Ser capaz de formulá-lo Conhecer algumas aplicações Entender como buscar a solução do problema
Leia mais21/02/17. Aprendendo pelas observações. PCS 5869 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 5869 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente para a atuação
Leia mais24/11/13. Aprendendo pelas observações. PCS 2428 / PCS 2059 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 2428 / PCS 2059 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente
Leia maisLinguagens de Programação I. Introdução a Algoritmos e Lógica de Programação
Linguagens de Programação I Introdução a Algoritmos e Lógica de Programação 1 INTRODUÇÃO Que é um programa de computador? Um programa de computador é o produto resultante da atividade intelectual de um
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Introdução
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Introdução Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceito básicos de reconhecimento
Leia maisEm contraste aos métodos de aprendizado que constroem uma descrição explicita genérica da função alvo. Os métodos baseados em instâncias guardam os
Em contraste aos métodos de aprendizado que constroem uma descrição explicita genérica da função alvo. Os métodos baseados em instâncias guardam os exemplos de treinamento A generalização é posposta até
Leia mais