Sistemas Inteligentes, 11-12
|
|
- Vítor Gabriel Vasques
- 5 Há anos
- Visualizações:
Transcrição
1 Sistemas Inteligentes, Inês Dutra - CRACS & INESC-Porto LA DCC-FCUP April 23, 2012
2 Representação de Dados e de Conhecimento Refs para este tópico: caps. 7, 8 e 12, Artificial Intelligence: a Modern Approach, 3rd ed., by Stuart Russell and Peter Norvig part II, Artificial Intelligence, 2nd ed., by Elaine Rich and Kevin Knight What is a Knowledge Representation?: groups.csail.mit.edu/medg/ftp/psz/k-rep.html Informal intro to Knowledge Representation and state-of-the-art: Decision Support and Expert Systems in Public Health: The Unified Medical Language Systems (UMLS): nih.gov/research/umls/new_users/online_learning/ovr_001.htm The Cyc Language: Prolog:
3 Representação Conhecimento x Dados? Conhecimento: representação simbólica de aspectos de algum universo de discurso Exemplos de conhecimento José é um funcionário da UP Todos os funcionários da UP têm salários maiores que euros (:-) Todos os funcionários da UP sabem que devem ter um bom estilo de vida José não acha que tem um bom estilo de vida Todos que sabem que ele deveria ter um bom estilo de vida, mas pensa que não tem, estão desapontados
4 Representação Dados: representação simbólica de aspectos simples de algum universo de discurso Dado: caso especial de conhecimento Exemplos de dados José é casado com Maria José é funcionário da UP O salário médio da UP é de euros
5 Representação Representação do Conhecimento: expressar conhecimento de forma tratável pelo computador. Diferentes formalismos Linguagem natural Bases de dados Frames Scripts Redes Semânticas Algoritmos genéticos Restrições Linguagens Regras Árvores de decisão Lógica Ontologias Redes causais Redes neuronais Orientação a objetos etc!
6 Representação em Linguagem Natural Texto Clínico Enviada por densidade assimétrica no QSE da mama esquerda. Esta alteração existe desde 2005 mas a avaliação ecográfica do exterior sugere a necessidade de biópsia. Exame mamário com alteração palpável com cerca de 30 mm no QSE da mama esquerda. Desvantagens: ambígua, redundante, pouca estrutura, sintaxe e semântica não são bem entendidas.
7 Representação em Bases de Dados Base de Dados person record = { name : max 20 characters age : 3 digits in range sex : male or female marital status : married, bachelor, spinster, divorced, widowed, or engaged first names of children : up to 10 names each max 15 characters }
8 Representação em Bases de Dados: uma instância Instância J. J. ADAMS 025 male married Sally Richard Bob Discussão apenas aspectos simples podem ser representados (dados) entidades e relações Reasoning = lookup
9 Representação em uma única tabela Usual: agregar dados em uma única tabela! Patient Location Size Date Calcifications P1 C F, A P1 C F P A P M
10 Representação em Redes Semânticas
11 Propriedades de Redes Semânticas permite estruturar o conhecimento para refletir a parte do universo que está sendo representada valores default sintaxe clara, mas semântica precisa ser trabalhada
12 Exemplo baseado em Cyc (linguagem) Bill Clinton belongs to the collection of U.S. presidents (#$isa #$BillClinton #$UnitedStatesPresident) All trees are plants (#$genls #$Tree-ThePlant #$Plant) Paris is the capital of France. (#$capitalcity #$France #$Paris) if OBJ is an instance of the collection SUBSET and SUBSET is a subcollection of SUPERSET, then OBJ is an instance of the collection SUPERSET. (#$implies (#$and (#$isa?obj?subset) (#$genls?subset?superset)) (#$isa?obj?superset))
13 Frames Um frame consiste numa coleção de slots, cujo conteúdo pode ser um valor ou um apontador para outro Frame. Vestuário: Presente: Jogos: Decoração: Menu: Bolo: Gelado: Festa de aniversário social desportivo deve agradar o aniversariante deve ser comprado e embrulhado escondidas colocar o rabo no burro balões, brindes, papel crepe Bolo, Gelado, Refri, Cachorro quente acender velinhas, assoprar velinhas, fazer um pedido, cantar parabéns napolitano
14 Frames Um frame consiste numa coleção de questões a serem respondidas sobre uma situação hipotética: especifica as questões e os métodos. O que causou (agente)? Qual é o propósito (intenção)? Quais são as consequências (efeitos)? A quem afeta (receptor)? Como é feito (instrumentos/métodos)?
15 Exemplo Objeto composto por relações.
16 Exemplo Diferentes aspectos de um cubo.
17 Frame para um aspecto do cubo Um aspecto de um cubo usando representação em Frame View-of-a-Cube Slot Filler Constraint Name View 1 region of A parallelogram & visible region of B parallelogram & visible region of C parallelogram & invisible region of D parallelogram & invisible region of E parallelogram(e) & visible & left-above(e,a) & right-above(e,b)
18 Mais um exemplo
19 Importante! distinguir: conceitos (representações) e objetos (instâncias) conceitos individuais e conceitos gerais
20 Associação de procedimentos à representação Procedimentos rectangle superclass: Coordinates: length: width: area: perimeter: polygon (0cm,0cm) 5cm 2cm procedure(z) length(z) * width(z) procedure(z) 2 * (length(z) + width(z))
21 Scripts Um script é uma representação estruturada que descreve uma sequência de eventos em um determinado contexto. Estende os frames através de representação explícita de ações e mudanças de estados. Define primitivas para descrever o universo: PTRANS transferência física de um objeto ( go ) ATRANS transferência de relações ( give ) MTRANS transferência mental ( tell )
22 Script para um restaurante Exemplo de Script Script: RESTAURANT Track: Coffee Shop Entry cond.: S hungry Props: Tables S has money Menu F=Food Results: S has less money Check O has more money Money S is not hungry Roles: S=Customer W=Waiter C=Cook M=Cashier O=Owner
23 Script para um restaurante (cont.)
24 Representação procedural ou declarativa Como? Procedural O que? Declarativo
25 Propriedades das boas Representações objetos importantes e suas relações estão explícitos expressam restrições que são naturais representam objetos e relações de forma conjunta omite detalhes irrelevantes transparente: fácil de entender completa concisa de armazenamento e recuperação rápidos computáveis
26 Propriedades das boas Representações Parte léxica que determina quais símbolos devem ser utilizados Parte estrutural que descreve a forma (restrições) como os símbolos podem ser organizados Parte procedural que especifica procedimentos de acesso que permitem a criação e modificação de descrições além de permitir fazer perguntas Parte semântica que estabelece uma forma de associar significado à descrição
27 Propriedades das boas Representações Por exemplo, redes semânticas: Parte léxica: nodes, links, link labels Parte estrutural: grafo dirigido, com arestas etiquetadas Parte procedural: constructors, readers, writers, erasers (para criar e modificar o grafo) Parte semântica: significado dos nós e arestas depende da aplicação
28 Representação Lógica Linguagens: sintaxe: descreve as possíveis configurações da linguagem que constituem sentenças válidas. semântica: determina o significado de cada sentença. exemplo: x > y, sintaxe: se x é um número e y é um número, então x > y é uma sentença sobre números. semântica: se x > y retorna verdadeiro, senão retorna falso.
29 Representação Lógica Linguagem com sintaxe e semântica precisas: lógica. Mecanismo de inferência: derivado da sintaxe e da semântica. Importante: distinguir entre os fatos e sua representação não podemos colocar todos os fatos do mundo no computador! neste caso, devemos operar em representações dos fatos (codificação em alguma linguagem) Raciocínio: processo de construir novas configurações a partir de configurações já existentes. Bom raciocínio deve assegurar que as novas configurações representam fatos que se seguem dos fatos já existentes (lógica monotônica).
30 Representação Lógica Entailment : relação entre sentenças tal que novas sentenças geradas são verdadeiras, dado que as anteriores também são. KB α (consequência lógica) Mecanismo de inferência: dada uma base de conhecimento KB, pode gerar novas sentenças que seguem de KB. dada uma base de conhecimento e uma sentença α, pode dizer se α é consequência lógica de KB. é sound ou truth-preserving se somente produzir sentenças que sejam consequência lógica de KB.
31 Representação Lógica Prova: procedimento de inferência sound. Analogia: procurar uma agulha num palheiro. entailment : a agulha está no palheiro. prova: encontrar a agulha. palheiro de tamanho finito + procedimento sistemático de busca agulha vai ser encontrada: procedimento de inferência completo. Como obter um procedimento sound? passos de inferência devem respeitar a semântica das sentenças já existentes no KB. derivar novas sentenças que sejam consequência lógica dos fatos já representados no KB.
32 Representação Lógica Mundo do Wumpus :-)
33 Representação Lógica Representação: duas classes de linguagens, programação e natural. Vantagens de linguagens de programação: descrever algoritmos e estruturas de dados concretas. Ex: World[2,2] Pit. Desvantagem: pouca expressividade. Como representar: há um buraco em [2,2] ou [3,1]? há um monstro em algum quadrado?
34 Representação Lógica Lógica proposicional e lógica de primeira ordem (cálculo de predicados de primeira ordem com igualdade). Lógica proposicional: símbolos são proposições. Ex: D pode ter a interpretação de que o wumpus está morto. Pode assumir valor falso ou verdadeiro. símbolos proposicionais combinados através de conectivos booleanos formando sentenças mais complexas. Linguagem bem simples. Lógica de primeira ordem: objetos e predicados relacionando objetos. Admite quantificadores ( e ). Mais expressiva do que proposicional.
35 Lógica Proposicional Sintaxe: S AS CS AS True False P Q R... CS ( S ) S C S S C
36 Lógica Proposicional Exemplo: S = ((P H) H) P é uma fórmula válida. P H P H (P H) H S F F F F T F T T F T T F T T T T T T F T P: wumpus está na posição [1,3]. H: wumpus está na posição [2,2]. Se sabemos que (P H) é verdadeiro e H também é verdadeiro, então o wumpus só pode estar na posição [1,3].
37 Lógica Proposicional Agente para o mundo do wumpus! B: brisa, S: mau cheiro, W: wumpus. S 1,1, S 2,1, S 1,2, B 1,1, B 2,1, B 1,2 : fatos. Regras: R 1 : S 1,1 W 1,1 W 1,2 W 2,1 R 2 : S 2,1 W 1,1 W 2,1 W 2,2 W 3,1 R 3 : S 1,2 W 1,1 W 1,2 W 2,2 W 1,3 R 4 : S 1,2 W 1,1 W 1,2 W 1,3 W 2,2
38 Lógica Proposicional Problemas com lógica proposicional: muitas proposições para o quadrado 4x4. Ex: não ande para a frente se o wumpus estiver na sua frente precisa de um conj de 64 regras (16 quadrados x 4 orientações). não tem memória do caminho a menos que se represente uma proposição para cada instante no tempo. Ex: move para A 2,1 se torna verdade e A 1,1 se torna falso. Mas pode ser importante guardar o fato de que o agente esteve em A 1,1. problema: não sabemos o tempo que vai levar para terminar o jogo.
39 Lógica Proposicional Exemplo de proposições adicionais: A 0 1,1 East0 A W 2,1 0 F orward0 A 1 1,1 East1 A W 2,1 1 F orward1 A 2 1,1 East2 A W 2,1 2 F orward2. índice no topo de cada símbolo indica tempo. para 100 unidades de tempo: 6400 destas regras, somente para dizer: não mova para a frente se o wumpus estiver lá. lógica de primeira ordem: reduz as 6400 para apenas 1!
40 Lógica de Primeira Ordem (First-Order Logic or FOL) objetos e relações entre objetos, propriedades, funções. Objetos: pessoas, casas, números, teorias, Fernando Henrique, cores, jogos de futebol, séculos etc. Relações: irmão/irmã de, parte de, maior que, tem cor, ocorreu depois, pertence etc. Funções: pai de, melhor amigo de, vencedor de, um mais que etc. Ex: quadrados vizinhos ao quadrado do wumpus têm mau cheiro. Objetos: wumpus, quadrado; Propriedade: mau cheiro; Relação: vizinhança. Motivação para o uso de lógica de primeira ordem: formalismo mais estudado e melhor entendido que outras abordagens.
41 Lógica de Primeira Ordem (First-Order Logic or FOL) S AS SCS QV ar,... S S (S) AS P red(t erm,...) T erm = T erm T erm F unc(t erm,...) Const V ar C Q Const A X 1 John... V ar a x s... P red Mother LeftLegOf...
42 Lógica de Primeira Ordem (First-Order Logic or FOL) Agente lógico para o mundo do wumpus. três tipos de agentes: reflexos, baseados em modelo e baseados em objetivos. 1 o passo: definir a interface com o mundo externo sentença (interface) típica: Percept([Maucheiro,Brisa,Brilho,N,N],5), onde: elem1: percebe ou não percebe mau cheiro, elem2: percebe ou não percebe brisa, elem3: percebe ou não percebe brilho, elem4: percebe ou não percebe parede, elem5: percebe ou não percebe grito (wumpus sendo morto). Ações: Turn(Right), Turn(Left), Forward, Shoot, Grab, Release, Climb.
43 Lógica de Primeira Ordem (First-Order Logic or FOL) Um agente reflexo simples. s, b, u, c, t P ([s, b, Brilho, u, c], t) Action(Grab, t) b, g, u, c, t P ([MauCheiro, b, g, u, c], t) MauCheiro(t) s, g, u, c, t P ([s, Brisa, g, u, c], t) Brisa(t) s, b, u, c, t P ([s, b, Brilho, u, c], t) Ouro(t) t AtOuro(t) Action(Grab, t)
44 Lógica de Primeira Ordem (First-Order Logic or FOL) Limitações de um agente reflexo: não faz parte da percepção deste tipo de agente saber onde está ou se está com o ouro. é incapaz de evitar loops. Ex: assuma que o agente conseguiu pegar o ouro e está no caminho de volta para casa. Se passar novamente pelo mesmo quadrado visitado na ida, entra em loop. problema: não está representado neste agente o fato dele estar carregando o ouro e a situação ser diferente da situação da ida. precisa de representação de modificações no mundo.
45 Lógica de Primeira Ordem (First-Order Logic or FOL) Representação de modificações: uma das áreas mais importantes em representação do conhecimento. regras diacrônicas. representação de situações e ações não é diferente de representação de objetos e relações. Cálculo de Situações: forma de descrever modificações em lógica de primeira ordem.
46 Lógica de Primeira Ordem (First-Order Logic or FOL)
47 Lógica de Primeira Ordem (First-Order Logic or FOL) Considera o mundo como uma sequência de situações. formato: At(Agente,posição,situação). Ex: At(Agent, [1, 1], S 0 ) At(Agent, [1, 2], S 1 ) cálculo de situações utiliza Result(action, situation) para representar a situação decorrente da execução de uma ação em situação anterior. Ex: Result(F orward, S0 ) = S 1 Result(T urn(right), S 1 ) = S 2 Result(F orward, S 2 ) = S 3
48 Lógica de Primeira Ordem (First-Order Logic or FOL) Ações: são descritas através de seus efeitos: Axiomas de efeito P ortable(ouro) s AtOuro(s) P resent(ouro, s) x, s P resent(x, s) P ortable(x) Holding(x, Result(Grab, s)) x, s Holding(x, Result(Release, s)) não suficiente para saber se o agente está segurando o ouro ou continua segurando o ouro.
49 Lógica de Primeira Ordem (First-Order Logic or FOL) necessário: regras para dizer se o mundo continuou o mesmo. Axiomas de frame a, x, s Holding(x, s) (a Release) Holding(x, Result(a, s)) a, x, s Holding(x, s) (a Grab (P resent(x, s) P ortable(x)) Holding(x, Result(a, s)) combinação de axiomas de efeito e de frame: verdadeiro posteriormente [uma ação fez ser verdadeiro já era verdadeiro antes]
50 Lógica de Primeira Ordem (First-Order Logic or FOL) Axioma do estado sucessor a, s, x Holding(x, Result(a, s)) [ (a = Grab P resent(x, s) P ortable(x)) (Holding(x, s) a Release) ] Necessário para cada predicado que pode mudar seu valor no decorrer do tempo.
51 Lógica de Primeira Ordem (First-Order Logic or FOL) Dedução de propriedades escondidas. l, s At(Agent, l, s) Brisa(s) F resco(l) l, s At(Agent, l, s) MauCheiro(s) MauCheiroso(l) Regras sincrônicas para relacionar propriedades de um estado ao mesmo estado. Causais (sistemas baseados em modelos): l 1, l 2, s At(W umpus, l 1, s) Adj(l 1, l 2) MauCheiroso(l 2) l 1, l 2, s At(Buraco, l 1, s) Adj(l 1, l 2) F resco(l 2) Diagnósticas (sistemas baseados em diagnósticos): l, s At(Agent, l, s) Brisa(s) F resco(l) l, s At(Agent, l, s) MauCheiro(s) MauCheiroso(l) l 1, s MauCheiroso(l 1) ( l 2 At(W umpus, l 2, s) (l 2 = l 1 Adj(l 1, l 2))
52 Regras
53 Árvores de Decisão Simples e fácil de implementar. Recebe como entrada um objeto ou situação descrita por um conj de propriedades e produz uma resposta sim ou não. Representam funções booleanas. Exemplo: esperar por uma mesa num restaurante. Objetivo: aprender a definição do predicado VouEsperar, com a definição expressa por uma árvore de decisão.
54 Árvores de Decisão Decidimos (p eqto, pois isto poderia ser decidido pelo algoritmo de aprendizagem) as propriedades ou atributos: Alternativo: algum restaurante alternativo perto? Bar: restaurante tem uma área de espera? Sex/Sab: V se for sexta ou sábado. ComFome: estamos com fome? Clientes: número de pessoas no restaurante (Nenhuma, Algumas, Cheio). Preço: $, $$, $$$. Chovendo: está chovendo. Reserva: temos reserva? Tipo: Francês, Italiano etc. EsperaEstimada: 0 10min, 10 30, 30 60, > 60.
55 Árvores de Decisão Ex Attributes Goal Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait X1 Yes No No Yes Some $$$ No Yes French 0 10 Yes X2 Yes No No Yes Full $ No No Thai 0 10 Yes X3 No Yes No No Some $ No No Burger 0 10 Yes X4 Yes No Yes Yes Full $ No No Thai 0 10 Yes X5 Yes No Yes No Full $$$ No Yes French 0 10 Yes X6 No Yes No Yes Some $$ Yes Yes Italian 0 10 Yes X7 No Yes No No None $ Yes No Burger 0 10 Yes X8 No No No Yes None $$ Yes Yes Thai 0 10 Yes X9 No Yes Yes No Full $ Yes No Burger 0 10 Yes X10 Yes Yes Yes Yes Full $$$ No Yes Italian 0 10 Yes X11 No No No No None $ No No Thai 0 10 Yes X12 Yes Yes Yes Yes Full $ No No Burger 0 10 Yes
56 Árvores de Decisão
57 Redes de Bayes
58 Redes de Bayes
59 MetaTheasaurus The major component of the UMLS is the Metathesaurus, a repository of inter related biomedical concepts. The two other knowledge sources in the UMLS are the Semantic Network, providing high level categories used to categorize every Metathesaurus concept, and lexical resources including the SPECIAL- IST lexicon and programs for generating the lexical variants of biomedical terms. (Nucleic Acids Research, Oxford Journals) Unified Medical Language System UMLS
60 Unified Medical Language Systems Example
61 1 <? xml version=" 1.0 " encoding="utf -8"?> 2 < Patient id=" 122 "> 3 < General > 4 <Weight -kg>35</ Weight -kg> 5 <Height -cm>128</ Height -cm> 6 <Day >05 </ Day > 7 <Month >02 </ Month > 8 <Year >2004 </ Year > 9 <Sex >1</ Sex > 10 <AuscultationPosition >2</ AuscultationPosition > 11 </ General > 12 <SystemicPressure > 13 <SystemicPressureMethod >1</ SystemicPressureMethod > 14 < SystolicSystemicPressure - mmhg >130 </ SystolicSystemicPressure - mmhg > 15 < DiastolicSystemicPressure - mmhg >90 </ DiastolicSystemicPressure - mmhg > 16 </ SystemicPressure > 17 <PulmonaryPressure > 18 < PulmonaryPressureMethod /> 19 < SystolicPulmonaryPressure - mmhg /> 20 < DiastolicPulmonaryPressure - mmhg /> 21 < CatheterismSimultaneousMeasurement /> 22 < EchocardiograSameConsultation /> 23 </ PulmonaryPressure > 24 < Murmur > 25 <Cycle >2</ Cycle > 26 </ Murmur > 27 <S1 > 28 < S1Status >1</ S1Status > 29 </S1 > 30 <S2 > 31 < S2Status >1</ S2Status > 32 < IfAbnormal >0</ IfAbnormal > 33 <PulmonaryComponent >1</ PulmonaryComponent > XML
62 Estado da Arte
63 Exercícios 1. Representar as frases abaixo em lógica proposicional ou de primeira ordem a) Cavalos, vacas e porcos são mamíferos. b) Um descendente de um cavalo é um cavalo. c) Barbazul é um cavalo. d) Barbazul é pai de Silver. e) descendente e pais são relações inversas. f) Todo mamífero tem pais.
64 Exercícios 2. Seja a Tabela abaixo com a categorização de doenças reumáticas. Class Name Number of patients A1 degenerative spine diseases 158 A2 degenerative joint diseases 128 B1 inflammatory spine diseases 16 B234 other inflammatory diseases 29 C extra-articular rheumatism 21 D crystal-induced synovitis 24 E non-specific rheumatic manifestations 32 F non-rheumatic diseases 54 Table: Doenças reumáticas
65 Exercícios Com base nesta tabelas, grupos de sintomas foram criados por especialistas. Representar estes grupos de sintomas utilizando lógica de primeira ordem. Dores nas juntas Dores nos homens Sex Other pain Joint pain Morning male thorax stifness male heels no pain 1 hour arthrotic 1 hour Relações entre dores nas arthritic > 1 hour juntas e dores na coluna Dores na coluna Spinal pain no pain spondylotic spondylitic Morning stifness 1 hour 1 hour > 1 hour Joint pain no pain arthrotic no pain arthritic arthritic no pain Spinal pain spondylotic no pain spondylitic spondylitic no pain no pain
66 Exercícios 3. Dadas as variáveis observadas sobre cancro da próstata, qual seria a melhor rede de Bayes para representar estas variáveis? Variável age wt hx sbp dbp hg stage dtime sz bm status Significado idade Peso História familiar de cancro Pressão arterial sistólica Pressão arterial diastólica Hemoglobina Estado Clínico Doubling Time PSA Tamanho da próstata Metástases ósseas Status após 5 anos de cirurgia PSA=Prostate Specific-Antigen Doubling Time PSA: tempo decorrido até que os valores de PSA atinjam o dobro.
Linguagem com sintaxe e semântica precisas: lógica. Mecanismo de inferência: derivado da sintaxe e da
istemas de Apoio à Decisão Clínica, 09-1 1 Linguagem com sintaxe e semântica precisas: lógica. Mecanismo de inferência: derivado da sintaxe e da semântica. Importante: distinguir entre os fatos e sua representação
Lógica Proposicional. Modelo: qualquer mundo em que a sentença é verdadeira para alguma interpretação.
istemas Inteligentes, 10-11 1 Lógica Proposicional Modelo: qualquer mundo em que a sentença é verdadeira para alguma interpretação. Uma sentença α é consequência lógica de um KB se os modelos de KB forem
Lógica Proposicional. Modelo: qualquer mundo em que a sentença é verdadeira para alguma interpretação.
istemas de Apoio à Decisão Clínica, 09-1 1 Lógica Proposicional Modelo: qualquer mundo em que a sentença é verdadeira para alguma interpretação. Uma sentença α é consequência lógica de um KB se os modelos
Environment. Agent. Cap. 18: Aprendendo através de observações Performance standard. Critic. feedback. changes. Learning element. Performance element
istemas Inteligentes, 10-11 1 Cap. 18: Aprendendo através de observações Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem
5 - Lógica Matemática Representação e Inferência
EA 072 Inteligência Artificial em Aplicações Industriais 5 - Lógica Matemática Representação e Inferência 5.5 Lógica de Primeira Ordem Lógica proposicional assume que o mundo contém fatos Lógica de primeira
Aprendizagem de Máquina. May 29, 2014
Aprendizagem de Máquina May 29, 2014 Componentes de um Agente Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator
Conhecimento e Raciocínio Agente Lógicos Capítulo 7. Leliane Nunes de Barros
Conhecimento e Raciocínio Agente Lógicos Capítulo 7 Leliane Nunes de Barros leliane@ime.usp.br Agentes Lógicos Agentes que podem formar representações do mundo, usar um processo de inferência para derivar
Aprendizagem de Máquina. April 28, 2016
Aprendizagem de Máquina April 28, 2016 Componentes de um Agente Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator
Sistemas Inteligentes
Sistemas Inteligentes Aula 21/10 Agentes Lógicos Agente Baseado em Conhecimento Agentes Baseados em Conhecimento ou Agentes Lógicos. Podem lidar mais facilmente com ambientes parcialmente observáveis.
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 05 Introdução à Lógica Edirlei Soares de Lima Introdução Humanos possuem conhecimento e raciocinam sobre este conhecimento. Exemplo: João jogou
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 07 Agentes Lógicos Edirlei Soares de Lima Introdução Humanos possuem conhecimento e raciocinam sobre este conhecimento. Exemplo: João jogou
Inteligência Artificial. Sistemas Baseados em Conhecimento. Representação de Conhecimento (continuação)
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2018.html Inteligência Artificial Sistemas Baseados em Conhecimento Representação
Lógica de primeira ordem (Capítulo 8 - Russell) Inteligência Artificial
Lógica de primeira ordem (Capítulo 8 - Russell) Inteligência Artificial Estrutura 1- Contextualização 2- Definições 3- Lista de exercício 4- Prolog 5- Regras em Prolog - Mundo Wumpus 6- Aplicação do Mundo
Retomada aula. Introdução sobre Inteligência Artificial Abordagem sobre Agentes Resolução de problemas estratégias de busca - apresentação trabalhos
Retomada aula Introdução sobre Inteligência Artificial Abordagem sobre Agentes Resolução de problemas estratégias de busca - apresentação trabalhos 1 Estratégias de busca Algoritmos de busca local e otimização:
MAC425/5739 Inteligência Artificial 6. Agentes lógicos
MAC425/5739 Inteligência Artificial 6. Agentes lógicos Denis Deratani Mauá (largamente baseado no material de aula dos Profs. Edileri de Lima e Leliane de Barros) REPRESENTAÇÃO DE CONHECIMENTO Busca (cega,
Conhecimento e Raciocínio Lógica Proposicional
Conhecimento e Raciocínio Lógica Proposicional Agente Baseado em Conhecimento ou Sistema Baseado em Conhecimento Representa conhecimento sobre o mundo em uma linguagem formal (KB) Raciocina sobre o mundo
Agentes Baseados em Conhecimento
Raciocínio Lógico Agentes Baseados em Conhecimento Conhecem alguma coisa sobre o mundo. Podem raciocinar para decidir sobre suas possíveis ações. São capazes de aceitar novas tarefas metas explícitas.
Árvore 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
Lógicas de Descrição Visão Geral
Lógicas de Descrição Visão Geral The Description Logic Handbook Cesar Augusto Tacla UTFPR/CPGEI INTRODUÇÃO 05/11/2013 2 Lógicas de Descrição É uma família de linguagens formais para representação de conhecimentos
decisão em comparação com a curva para árvores de decisão.
function Decision-Learning(examplos) returns a decision list or failure if examples is empty then return the trivial decision list t a test that matches a nonempty subset examples t of examples such that
Capítulo 7 - Agentes lógicos (Agentes baseados em Conhecimento)
Capítulo 7 - Agentes lógicos (Agentes baseados em Conhecimento) Tópicos Definição geral - Agentes Baseados em Conhecimento (BC) Linguagens de representação do conhecimento Algoritmo Geral Exemplo de aplicação
Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 15 Agentes que Raciocinam Logicamente
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 15 Agentes que Raciocinam Logicamente 1 Bem-vindos ao Mundo do Wumpus Wumpus Agente caçador de tesouros 2 Codificação do Mundo do Wumpus 4 3 fedor
Representação de Conhecimento
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Representação de Conhecimento Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Lógica Proposicional. Prof. Dr. Silvio do Lago Pereira. Departamento de Tecnologia da Informação Faculdade de Tecnologia de São Paulo
Lógica Proposicional Prof. Dr. Silvio do Lago Pereira Departamento de Tecnologia da Informação aculdade de Tecnologia de São Paulo Motivação IA IA estuda estuda como como simular simular comportamento
Agentes que Raciocinam Logicamente. Prof. Júlio Cesar Nievola PPGIA PUC-PR
Agentes que Raciocinam Logicamente Prof. Júlio Cesar Nievola PPGIA PUC-PR Um agente baseado em conhecimento Componente central: a base de conhecimentos (KB ou BC) A BC é um conjunto de representações de
Representação de Conhecimento Considerações Gerais
Representação de Conhecimento Considerações Gerais 1 Representação de Conhecimento Objetivo: reduzir problemas de ação inteligente para problemas de busca. O papel da representação de conhecimento em Inteligência
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 06 Lógica Proposicional Lógica Proposicional Lógica simples. A sentenças são formadas por conectivos como: e, ou, então.
INF 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
Inteligência Artificial. Sistemas Baseados em Conhecimento. Técnicas para Representação de Conhecimento Continuação
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Sistemas Baseados em Conhecimento Técnicas para Representação de Conhecimento Continuação
Inteligência Artificial
Inteligência Artificial Metodologia CommonKADS Utilizando um formalismo para modelar conhecimento Prof. Paulo Martins Engel História dos sistemas de conhecimento Máquinas de busca de propósito geral (1965)
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Prentice-Hall.
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Prentice-Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Lógica de Descrições Visão Geral
Lógica de Descrições Visão Geral The Description Logic Handbook Cesar Augusto Tacla UTFPR/CPGEI Lógica de Descrições É uma linguagem formal para representação de conhecimentos e para raciocínio Permite
INF 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.
Cálculo proposicional
O estudo da lógica é a análise de métodos de raciocínio. No estudo desses métodos, a lógica esta interessada principalmente na forma e não no conteúdo dos argumentos. Lógica: conhecimento das formas gerais
Inteligência Artificial. Sistemas Baseados em Conhecimento. Técnicas para Representação de Conhecimento Continuação
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Sistemas Baseados em Conhecimento Técnicas para Representação de Conhecimento Continuação
Representação de Conhecimento
Representação de Conhecimento Introdução à Inteligência Artificial Profa. Josiane David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach - cap. 5 julho/2007 1 Problemas
Aprendizagem 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
Introdução à Lógica Proposicional Sintaxe
Bacharelado em Ciência e Tecnologia BC&T Introdução à Lógica Proposicional Sintaxe PASSOS PARA O ESTUDO DE LÓGICA Prof a Maria das Graças Marietto graca.marietto@ufabc.edu.br 2 ESTUDO DE LÓGICA O estudo
Aprendizado de Máquina para a Automação da Aquisicão de Conhecimento
Aprendizado de Máquina para a Automação da Aquisicão de Conhecimento Maria Carolina Monard mcmonard@icmc.usp.br Laboratório de Inteligência Artificial (LABIC) Instituto de Ciências Matemática e Computação
Nelma Moreira. Departamento de Ciência de Computadores da FCUP. Aula 12
Fundamentos de Linguagens de Programação Nelma Moreira Departamento de Ciência de Computadores da FCUP Fundamentos de Linguagens de Programação Aula 12 Nelma Moreira (DCC-FC) Fundamentos de Linguagens
Descrição do Mundo de Wumpus. Inteligência Artificial
Descrição do Mundo de Wumpus Mundo de Wumpus Mundo de Wumpus -1 Mundo de Wumpus - 2 Mundo de Wumpus - 3 Mundo de Wumpus - 4 Wumpus Outros Pontos Críticos Descrição Lógica do Mundo de Wumpus Identidades
Introdução. História. História 18/03/2012. Lógica para Ciência da Computação. O que é Lógica?
IFMG-Formiga Introdução Lógica para Ciência da Computação O que é Lógica? É a formalização de linguagem e raciocínio, além de meios para expressar (dar significado) a essas formalizações. Profª. Danielle
Aprendizado 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
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Lógica Proposicional Edirlei Soares de Lima Lógica Proposicional Lógica muito simplificada. A sentenças são formadas por conectivos como:
Nelma Moreira. Departamento de Ciência de Computadores da FCUP. Aula 2. Nelma Moreira (DCC-FC) Fundamentos de Linguagens de Programação Aula 2 2 / 12
Fundamentos de Linguagens de Programação Nelma Moreira Departamento de Ciência de Computadores da FCUP Fundamentos de Linguagens de Programação Aula 2 Nelma Moreira (DCC-FC) Fundamentos de Linguagens de
Obedecendo essa estrutura definida para a linguagem, podemos dividir a sua definição em duas partes: os elementos da linguagem e as suas regras.
3 Metamodelo Um modelo é uma representação abstrata de um sistema e um metamodelo é uma descrição abstrata de um modelo. Ele consiste em um conjunto de conceitos e relacionamentos dentro de um determinado
Sistemas Baseados em Conhecimento (Sistemas Especialistas) Profa. Dra. Sarajane Marques Peres
Sistemas Baseados em Conhecimento (Sistemas Especialistas) Profa. Dra. Sarajane Marques Peres Sistema (agente) baseado em conhecimento Deve haver um modo de adicionar novas sentenças à base de conhecimento
Aprendizagem 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
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 I) Prof. a
Inteligência Artificial. Categorias de Conhecimento
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Categorias de Conhecimento Roteiro Conclusão
Pensamento e linguagem
Pensamento e linguagem Função da linguagem Comunicar o pensamento É universal (há situações que nem todos sabem fazer), mas todos se comunicam Comunicação verbal Transmissão da informação Características
Tópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. Fatec Indaiatuba Principais diferenças de um SBC e os convencionais Organização dos dados SBCs: métodos que fazem busca em um espaço de possíveis soluções e fazem uso intensivo
Introdução ao Conceito de Algoritmo e Programação Estruturada
Prof. Alceu Britto Aula Teórica 02 Introdução ao Conceito de Algoritmo e O Conceito de Algoritmo e as Estruturas Básicas de Controle Enquanto existir um quadrado livre e não tenha vencido (ou perdido)
Cap. 6. Introdução a Lógicas Modais
Cap. 6. Introdução a Lógicas Modais Logic based Agents It s possible to construct agent that reason based on knowledge expressed in terms of logic statements We are going to make a short review of Classic
Fundamentos da Computação 1. Aula 03
Fundamentos da Computação 1 Aula 03 Conteúdo Introdução à Lógica. Definição da Sintaxe. Traduzindo Sentenças. Introdução à Lógica O que é lógica? Introdução à Lógica O que é lógica? Lógica é a análise
Sistemas de Banco de Dados
Sistemas de Banco de Dados Fundamentos em Bancos de Dados Relacionais Wladmir Cardoso Brandão www.wladmirbrandao.com Departamento de Ciência da Computação (DCC) Instituto de Ciências Exatas e Informática
Inteligência Artificial
Inteligência Artificial Representação de conhecimento Nível do conhecimento e nível simbólico Prof. Paulo Martins Engel Informática UFRGS Prof. Paulo Martins Engel Representação do conhecimento As técnicas
Algoritmos e Programação
Algoritmos e Programação Prof. Alceu Britto Slides cedidos por Prof. Edson J. R. Justino (PUCPR) Aula Teórica 02 O Conceito de Algoritmo e as Estruturas Básicas de Controle Enquanto existir um quadrado
3 Kuaba: Uma Ontologia para Design Rationale
3 Kuaba: Uma Ontologia para Design Rationale Para que o conhecimento registrado durante o design possa ser automaticamente processado, é desejável representar o design rationale de uma maneira formalmente
Sistemas Especialistas
Agenda Sistemas Especialistas Revisão Conceitos Básicos Entender uma ferramenta para S.E. Sistemas de Informação Inteligentes Prof. Esp. MBA Heuber G. F. Lima Aula2 Page 2 Conceitos I.A. Sistemas Especialistas
Conferência Predicados de corte e falha
Inteligência Artificial Conferência Predicados de corte e falha O Docente: MSc. Angel Alberto Vazquez Sánchez Objetivo Descreva como funcionam os predicados "!" E "fail". Use os predicados de corte e falha
INE5416 Paradigmas de Programação. Ricardo Azambuja Silveira INE CTC UFSC E Mail: URL:
INE5416 Paradigmas de Programação Ricardo Azambuja Silveira INE CTC UFSC E Mail: silveira@inf.ufsc.br URL: www.inf.ufsc.br/~silveira Conceitos Léxica estudo dos símbolos que compõem uma linguagem Sintaxe
Linguagens de Programação Princípios e Paradigmas
Copyright The McGraw-Hill Companies, Inc. Permission required for reproduction or display. Linguagens e Ambientes de Programação 2002-2003 Linguagens de Programação Princípios e Paradigmas Gladys Castillo
SCC Capítulo 2 Lógica de Predicados
SCC-630 - Capítulo 2 Lógica de Predicados João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo - São Carlos http://www.icmc.usp.br/~joaoluis
Expandindo o Vocabulário. Tópicos Adicionais. Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antônio Caminha Muniz Neto. 12 de junho de 2019
Material Teórico - Módulo de INTRODUÇÃO À LÓGICA MATEMÁTICA Expandindo o Vocabulário Tópicos Adicionais Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antônio Caminha Muniz Neto 12 de junho de 2019
Introdução aos Sistemas Especialistas. Professor Celso A A Kaestner, Dr. Eng.
Introdução aos Sistemas Especialistas Professor Celso A A Kaestner, Dr. Eng. 1 Inteligência Artificial O campo da Inteligência Artificial (IA) tenta compreender as entidades inteligentes para construir
Árvores (ordenadas) Departamento de Ciência de Computadores da FCUP MC Aula 11 1
Árvores (ordenadas) Recordemos que, uma árvore é grafo (não dirigido) em que o número de vértices excede em 1 o número de arcos. Um vértice é acessível a todos os outros: a raiz. Os vértices que são acessíveis
Aprendizagem a partir de observações. Inteligência Artificial. Aprendizagem Indutiva Clássica. Aprendizagem Indutiva. Aprendizagem indutiva
Inteligência Artificial Aula 19 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Aprendizagem a partir de observações Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica
Departamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: 2 horas)
Departamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: horas) Nome: Data: 7 de Abril de 016 1) Considere a aplicação da busca em profundidade
Paradigmas de Programação
Paradigmas de Programação Sintaxe e semântica Aula 4 Prof.: Edilberto M. Silva http://www.edilms.eti.br Prof. Edilberto Silva / edilms.eti.br Sintaxe A sintaxe de uma linguagem de programação é a forma
Inteligência Artificial - IA. Resolução de problemas por meio de busca
Resolução de problemas por meio de busca 1 Agente reativo - definido por ação reação Agente de resolução de problemas (ou baseado em objetivos) encontra sequencias de ações que leva ao estado desejável.
Representação do Conhecimento
Representação do Conhecimento O Estudo do Conhecimento Aprender - ato que produz um comportamento diferente a um estímulo externo devido a excitações recebidas no passado e é, de uma certa forma, sinônimo
Capítulo 6: Linguagens de Programação
Capítulo 6: Linguagens de Programação Ciência da Computação: Uma Visão Abrangente 11a Edição by J. Glenn Brookshear Copyright 2012 Pearson Education, Inc. Capítulo 6: Linguagens de programação 6.1 Perspectiva
Lógica de primeira ordem First Order Logic (FOL)
Lógica de primeira ordem First Order Logic (FOL) Prós e Contras da Lógica Proposicional É declarativa: partes da sintaxe correspondem a fatos Permite informação disjuntiva e/ou negada (a diferença da maioria
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Paradigma Simbólico. Sistemas de Informação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 2)
Paradigma Simbólico Sistemas de Informação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 2) Revisão da aula anterior: definição de IA Podemos associar o termo IA com: Parte da ciência da computação
Inteligência 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
1 TEORIA DOS CONJUNTOS
1 TEORIA DOS CONJUNTOS Definição de Conjunto: um conjunto é uma coleção de zero ou mais objetos distintos, chamados elementos do conjunto, os quais não possuem qualquer ordem associada. Em outras palavras,
BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka
BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Mining Árvores de Decisão Categorização de Dados Parte II Rogério
Pine Cliffs Hotel - Luxury Collection Resort
Accommodation Hotels / Apartment hotels / Hostels / Guesthouses Street Pinhal do Concelho, 8200-912 Albufeira E Olhos De Água, Albufeira (Faro) Portugal gui.contacto Tel +351 289 500 100 info@pinecliffs.com
Lógica de Primeira Ordem. Capítulo 8
Lógica de Primeira Ordem Capítulo 8 Lógica Proposicional Linguagem declarativa sua semântica se baseia em uma relação-verdade entre sentenças e mundos possíveis Capacidade de expressão para lidar com informações
Programação I Apresentação
Programação I Apresentação Prof. Carlos Alberto carlos.batista@facape.br carlos36_batista@yahoo.com.br Referências JUNIOR, D. P.; NAKAMITI, G. S.; ENGELBRECHT, A. de M. E.; BIANCHI, F. Algoritmos e Programação
Lógica Proposicional. Prof. Dr. Silvio do Lago Pereira. Departamento de Tecnologia da Informação Faculdade de Tecnologia de São Paulo
Lógica Proposicional Prof. Dr. Silvio do Lago Pereira Departamento de Tecnologia da Informação Faculdade de Tecnologia de São Paulo Motivação IA estuda como simular comportamento inteligente comportamento
Matemática discreta e Lógica Matemática
AULA 1 - Lógica Matemática Prof. Dr. Hércules A. Oliveira UTFPR - Universidade Tecnológica Federal do Paraná, Ponta Grossa Departamento Acadêmico de Matemática Ementa 1 Lógica Sentenças, representação
Inteligência Artificial. Sistemas Baseados em Conhecimento. Aula IV Técnicas para Representação de Conhecimento
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Sistemas Baseados em Conhecimento Aula IV
NHI Lógica Básica (Lógica Clássica de Primeira Ordem)
NHI2049-13 (Lógica Clássica de Primeira Ordem) página da disciplina na web: http://professor.ufabc.edu.br/~jair.donadelli/logica O assunto O que é lógica? Disciplina que se ocupa do estudo sistemático
Representação de Conhecimento
Representação de Conhecimento Solange O. Rezende Thiago A. S. Pardo 1 Representação de Conhecimento O papel da representação de conhecimento em Inteligência Artificial é o de reduzir problemas de ação
MAC425: EP2 Data de entrega: 4 de dezembro de 2006
MAC425: EP2 Data de entrega: 4 de dezembro de 2006 4 brisa 3 brisa brisa 2 brisa 1 brisa brisa 1 2 3 4 Simulador do Mundo do Wumpus em Prolog Ambiente As alterações com relação ao livro AIMA, estão descritas
Variantes de Máquinas de Turing
Variantes de Máquinas de Turing 1 Máquinas de Turing Input-Output TM s Input/output (ou IO ou transdutoras) diferem de TM s reconhecedoras por terem um estado de parada neutro q halt, ao invés de estados
Ciência da Computação. Prof. Dr. Leandro Alves Neves Prof. Dr. Adriano Cansian
Algoritmos e Programação Informática II Ciência da Computação Prof. Dr. Leandro Alves Neves Prof. Dr. Adriano Cansian 1 Sumário Noções de lógica Representação do Conhecimento Lógica na Programação Lógica
Linguagens Lógicas. Aluno: Victor Rocha
Linguagens Lógicas Aluno: Victor Rocha Roteiro Introdução Cálculo de Predicados Proposições Conectores Lógicos Variáveis Tipos de Cláusulas fatos regras Banco de Dados Prolog Fatos em Prolog Questões Unificação
Sumário. Ciência da Computação. Prof. Dr. Leandro Alves Neves. Aula 06. Algoritmos e Programação. Informática II. q Noções de lógica
Algoritmos e Programação Informática II Ciência da Computação Prof. Dr. Leandro Alves Neves Aula 06 1 Sumário Noções de lógica Representação do Conhecimento Lógica na Programação Lógica e Algoritmo: Resolução
Introdução. Conceitos Básicos. Conceitos Básicos. Conceitos Básicos
Introdução Laboratório de Computação para Ciências Módulo II Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Mestrado Profissional
istemas Inteligentes,
istemas Inteligentes, 12-13 1 Cap. 11: PLANNING Uma vez tendo estabelecido um conjunto de estados e construído um modelo completo e correto, precisamos traçar um plano de ação de forma que o agente possa
Inteligência Computacional
Inteligência Computacional CP78D Aula 5 Prof. Daniel Cavalcanti Jeronymo Introdução à aprendizado de máquina. Árvores de Decisão. Sistemas Especialistas e motores de inferência. Universidade Tecnológica
Inteligência Artificial IA II. LÓGICA DE PREDICADOS PARA REPRESENTAÇÃO DO CONHECIMENTO
Inteligência Artificial IA Prof. João Luís Garcia Rosa II. LÓGICA DE PREDICADOS PARA REPRESENTAÇÃO DO CONHECIMENTO 2004 Representação do conhecimento Para representar o conhecimento do mundo que um sistema