Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Transcrição

1 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011

2 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende, 2005).

3 Representação conhecimento Lógica proposicional e lógica de 1a ordem - Proposicional: permite responder perguntas simples; - Primeira ordem: utiliza funções, relações, propriedades dos objetos para dar uma capacidade maior de expressão ao conhecimento. Exemplo: Lotkan é um personagem personagem(lotkan)

4 Representação conhecimento Redes semânticas É um grafo rotulado e direcionado introduzido por Quillian onde: - os nodos representam os objetos - os arcos representam relações entre esses objetos (um arco é rotulado com o nome da relação que ele representa).

5 Representação conhecimento Nodos objetos; propriedades dos objetos. Arcos relações pacote possui passagem aérea meio de transporte é-um avião parte_de

6 Representação conhecimento Quadros (frames) Esta técnica derivada das redes semânticas (por Minsky em 1975); Um quadro é uma estrutura de informação, ou seja, consiste em um conjunto de atributos que, através de seus valores, descrevem as características do objeto representado pelo quadro.

7 Exemplo Frame: Personagem Atributos Default Tipo Robert Drake Categoria - Histórico - Tipo string Lista de atributos Lista de históricos Frame: mocinho Atributos Nome Força Destreza Agilidade Constituição Visão Audição Default Robert Drake é-um: Personagem Tipo string Inteiro inteiro inteiro inteiro inteiro inteiro

8 Representação conhecimento Regras de produção Conhecimento descrito na forma de regras (se.. então..) formadas por premissas e conclusões; As regras são disparadas de acordo com o conjunto de fatos conhecido (inicialmente fornecido pelo usuário e posteriormente ampliado pelas deduções feitas pelo sistema).

9 Representação conhecimento Regras de produção Exemplo: Se temperatura estiver maior do que 30oC Entao ligar o ar condicionado

10 Representação conhecimento Regras de produção Dois tipos de raciocínio: - Encadeamento progressivo: o sistema dispara todas as regras aplicáveis a partir do conjunto inicial de fatos conhecidos. - Encadeamento regressivo o sistema tenta disparar somente as regras que podem alcançar objetivo, já conhecido pelo sistema.

11 Busca Problemas podem ser representados em árvores de busca (espaço de estados). Métodos: - Busca Cega: Amplitude e Profundidade (estruturas de dados) - Busca Heurística: Gulosa, A*, Subida de Encosta

12 Busca heurística Levam em conta o conhecimento sobre o problema. - Subinda de encosta - A*

13 Subida de encosta (Hill Climbing) A função de teste é incrementada com uma função heurística e o teste é realizado estado a estado, fornecendo a proximidade do estado-meta.

14 Subida de encosta (Hill Climbing) Passo 1 Se o estado inicial é igual ao estado-meta, retorna-se o estado inicial e ocorre o encerramento do programa. Caso contrário o estado inicial continua sendo o estado corrente. Passo 2 Um laço de repetição é executado até que o estado-meta seja encontrado ou até não haver operadores a serem aplicados ao estado corrente. Passo 2.1 Um operador ainda não utilizado é escolhido e aplicado ao estado corrente, gerando-se assim um novo estado. Passo 2.2 O novo estado é avaliado: * Se for um estado meta ele é retornado e o programa encerrado; * Se não for um estado meta, mas for melhor que o corrente, então ele é transformado em estado corrente; * Se não for melhor que o estado corrente, continua-se o laço com o estado corrente.

15 A* Utiliza a ideia da busca pela melhor escolha (best-first search), que combina vantagens das buscas em profundidade e em amplitude, para determinar um caminho ou rota a um destino.

16 Exemplo A* (Rich e Knight, 1994)

17 A* A função heurística utilizada no algoritmo A* normalmente é representada da seguinte forma: f(n) = g(n) + h(n). onde: g é qualidade ou custo do caminho percorrido até o nó n ; h é qualidade ou custo do nó n.

18 Redes Neurais Artificiais (RNAs) - Dificuldades dos sistemas convencionais em resolver certas classes de problemas, tais como, reconhecimento de formas, de objetos, classificação de padrões; - Inspiração biológica

19 Aplicações - Reconhecimento de caracteres/objetos/fala; - Diagnóstico médico; Reconhecimento

20 Aplicações - Reconhecimento de caracteres/objetos/fala; - Diagnóstico médico; - Agrupamento de sequências de DNA; - Mineração de dados; Classificação

21 Aplicações - Reconhecimento de caracteres/objetos/fala; - Diagnóstico médico; - Agrupamento de sequências de DNA; - Mineração de dados; - Previsão do tempo; - Previsão da bolsa valores. Previsão

22 Neurônio biológico sinapses dentritos corpo axiônio

23 Neurônio Artificial - Estímulos de entrada, ligações sinápticas e saída; - Estrutura lógico-matemática que simula o comportamento e as funções de um neurônio biológico; - Os estímulos captados pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio biológico foi substituído pela função de transferência.

24 Neurônio Artificial

25 Redes Neurais Artificiais (RNAs) A inteligência surge em sistemas de componentes simples, interativos (neurônios), através de um processo de aprendizado (ou adaptação) pelo qual as conexões entre os componentes são ajustadas.

26 Redes Neurais Artificiais (RNAs) As RNAs não aprendem adquirindo representações a sua base de conhecimento; As RNAs são treinadas; O conhecimento do sistema está implícito na organização e interação dos neurônios;

27 RNAs Os padrões de um domínio são codificados como vetores numéricos; As conexões entre os neurônios são representadas por valores numéricos; A transformação de padrões é o resultado de operações numéricas (multiplicação de matrizes); Os algoritmos são treinados e não programados.

28 Tipos de entrada - Binários: modelos que aceitam entradas discretas, ou seja, somente na forma de 0 e 1; - Intervalar: modelos que aceitam qualquer valor numérico como entrada (forma contínua).

29 - Competitiva: realiza a interação lateral dos sinais recebidos na entrada entre os elementos dentro de uma zona de vizinhança. Formas de conexão - Alimentação à frente: os sinais de entrada são simplesmente transformados em sinais de saída; - Retro-alimentação: os sinais ficam sendo alterados em diversas transições de estado, sendo a saída também alimentadora da entrada;

30 Classificação da rede Diretas: o fluxo de informações segue um uma única direção; Recorrentes: redes com retroalimentação, que possuem uma ou mais camadas de neurônios que alimentam a entrada dos outros neurônios da mesma camada com o seu sinal de saída.

31 Tipos de aprendizado Os algoritmos de treinamento ou regra de aprendizado ditam como são feitos os ajustes dos pesos sinápticos para que a rede adquira experiência ao longo do treinamento Supervisionado: atuam com o auxílio de um professor/supervisor. A rede precisa conhecer o conjunto de entrada e o conjunto de saída. A saída obtida pela rede é calculada conforme a saída desejada. Não supervisionado: atuam de forma competitiva ou autosupervisionada. Para este tipo de regras são fornecidas às redes apenas o conjunto de entrada. Os neurônios de rede competem entre si fornecendo uma classificação como saída. Por reforço: é um método por tentativa e erro. Existe um índice de desempenho chamado de sinal de reforço que é utilizado para otimização

32 Computação Evolutiva Trata de sistemas que resolvem problemas através de modelos computacionais que se baseiam na teoria da evolução natural; Algorítmos Genéticos: baseiam-se nos mecanismos de seleção de indivíduos, onde somente os mais aptos sobrevivem, adaptando-se às mudanças no ambiente.

33 Computação Evolutiva Algoritmo Genético (AG) - originado de estudos sobre autômatos celulares de John Holland, publicados em 1975 no livro "Adaption in Natural and Artificial Systems ; Inspirados na teoria da evolução de Charles Darwin (sobrevivência do mais apto), apresentada na obra A Origem das Espécies publicada em 1859.

34 Algoritmo básico Gera população inicial Calcula aptidão de cada indivíduo fim Convergiu? não Seleção dos pais mais aptos Crossover e mutação Substitução dos indivíduos

35 Referências para leitura Luger, George F. Inteligência artificial : estruturas e estratégias para a resolução de problemas complexos. Tradução Paulo Martins Engel. 4. ed. Porto Alegre : Bookmann, 2004 Russell, Stuart e Norvig, Peter. Inteligência artificial. Tradução Vandenberg D. de Souza. Rio de Janeiro : Campus, 2004