Representação de Conhecimento
|
|
|
- Amanda Palmeira Rios
- 9 Há anos
- Visualizações:
Transcrição
1 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
2 Problemas e soluções Tipicamente o problema a ser resolvido ou a tarefa a ser feita também constitui uma solução e é definida informalmente Entregue os pacotes prontamente quando eles chegarem Determine o que está errado com o sistema elétrico da casa Para resolver um problema precisamos: Expandir a tarefa e determinar o que constitui uma solução Representar o problema E somente então usar um computador para resolvê-lo 2
3 O que considerar para resolver um problema O que é uma solução para o problema? O que é necessário na linguagem para representar o problema? Como podemos mapear a descrição informal do problema para uma representação? Quais distinções do mundo são importantes para resolver o problema? Qual é o conhecimento necessário? Qual é o nível de detalhes necessário? 3
4 O que considerar para resolver um problema Quais estratégias de raciocínio são adequadas? O desempenho do pior caso e do caso médio são tempos críticos a minimizar? É importante que alguém entenda como a resposta foi derivada? Como podemos adquirir conhecimento? De especialistas? Ou de experiências? Como podemos debugar, manter e melhorar o conhecimento? 4
5 Framework de Representação de Conhecimento 5
6 Definindo uma solução Com uma definição informal de um problema, precisamos determinar o que constituirá uma solução Tipicamente problemas não são bem definidos Muita coisa não é especificada, e o que não é especificado pode ser preenchido de qualquer forma Quando ordenamos a um robô entregador que leve todo o material dispensável para o lixo, não esperamos que ele leve todas as coisas para lá Muito do trabalho em IA é motivado pelo raciocínio de sensocomum: Queremos que o computador seja capaz de fazer conclusões de senso comum sobre suposições não-declaradas 6
7 Qualidade das soluções Qual é a importância se a resposta for errada ou alguma resposta estiver faltando? Classes de soluções: Solução Ótima: a melhor solução de acordo com alguma medida de qualidade (utilidade) Solução Satisfatória: uma que é boa o bastante de acordo com alguma descrição de quais soluções são adequadas Solução Aproximadamente Ótima: uma para qual a medida de qualidade está muito perto daquela teoricamente possível Solução Provável: uma que está apta a ser uma solução 7
8 Decisões e conseqüências Uma boa decisão é aquela que geralmente conduz a conseqüências boas. Boas decisões podem ter conseqüências ruins. Decisões ruins podem ter conseqüências boas. Um agente necessita de uma informação e decide acessar uma fonte de conhecimento A informação está lá conseqüência boa A informação não está lá conseqüência ruim 8
9 Disponibilidade da informação e qualidade da solução Atividades dos agentes tem custo associado - determinar custo x benefício Nem toda a informação necessária para o agente está diretamente disponível para ele Ações necessárias para obter informações tem custo associado Informação pode ser valiosa porque conduz a decisões melhores: valor da informação Quando definir uma solução temos que nos preocupar com: Qual informação é necessária? Como ela pode ser obtida? Custo x benefício associado com as ações de obtê-las? 9
10 Custo da computação e qualidade da solução Uma boa solução pode depender do tempo de inferência Ex: A decisão de atravessar a rua deve ser rápida Algoritmo a qualquer tempo: um algoritmo para o qual a qualidade da solução melhora com o tempo Compromisso entre encontrar a melhor solução e encontrar uma resposta rapidamente 10
11 Escolhendo uma linguagem de representação Necessitamos representar um problema para resolvê-lo no computador Problema Especificação do problema Computação apropriada Exemplos de representação: C++, CILog/Prolog, ling. natural Mapeamento (problema representação), ambigüidade Uma lógica é uma linguagem + a especificação do que segue de um conjunto de sentenças da linguagem 11
12 Hierarquia das representações 12
13 Hierarquia das representações 13
14 Níveis de abstração Nível de Conhecimento: em termos do que o agente sabe e quais são os objetivos dele (sobre o mundo externo) Não é especificado como a solução será computada Nem mesmo quais das muitas estratégias possíveis disponíveis o agente irá utilizar Nível de Símbolo: em termos de quais símbolos o agente irá manipular Quais símbolos o agente usa para implementar o nível de conhecimento 14
15 Mapeando o problema para a representação Qual é o nível de abstração do problema que queremos representar? Quais objetos e relações no mundo que queremos representar? Com podemos representar o conhecimento para assegurar que a representação é natural, modular e fácil de manter? Como podemos adquirir informações de dados, sensores, experiências ou outros agentes? 15
16 Escolhendo um nível de abstração Uma descrição de alto-nível é mais fácil para um ser humana especificar e entender Uma descrição de baixo-nível pode ser mais precisa e preditivo Descrições de alto nível extraem detalhes que podem ser importantes para resolver o problema Quanto mais baixo o nível, maior a dificuldade de raciocinar com ele Podemos não conhecer a informação necessária para uma representação de baixo-nível Algumas vezes é possível utilizar múltiplos níveis de abstração 16
17 Escolhendo objetos e relações Ex: vamos supor que vermelho é uma categoria apropriada para classificar objetos Podemos tratar vermelho como uma relação unária e escrever que um pacote a é vermelho: vermelho(a). Podemos perguntar o que é vermelho?:?vermelho(x). Mas é difícil perguntar qual é a cor do pacote a?: não podemos perguntar?x(a). Nomes de predicados podem ser variáveis. Vermelho não precisa ser um predicado. Podemos considerar cores como indivíduos Vermelho é uma constante, podemos usar o predicado cor(obj, Val), para significar que o objeto Obj tem a cor Val O pacote a é vermelho : cor(a, vermelho). Qual é a cor do pacote a?: cor(a, C). 17
18 Escolhendo objetos e relações Com a representação cor(obj, Val), não conseguimos perguntar Qual propriedade do pacote a tem valor vermelho? Podemos fazer para toda relação o que fizemos com cor? Podemos ver a relação cor como um indivíduo e escrever: prop(a,cor, red) Agora podemos responder todas as perguntas A representação objeto-atributo-valor prop(obj, Att, Val) significa que o objeto Obj tem o valor Val para o atributo Att O domínio de um atributo é o conjunto de valores que o atributo pode assumir 18
19 Escolhendo objetos e relações Para transformar a é um pacote (pacote(a)) na representação objeto-atributo-valor prop(a, é_um, pacote), onde é_um é um atributo especial prop(a, pacote, true), onde pacote é um atributo booleano 19
20 Escolhendo objetos e relações Para representar a relação programado(c, S, T, R), onde S é uma seção, C é um curso, T é a hora e R é a sala. seção 2 do curso cs422 está programada para às 10:30 na sala cc208 : programado(cs422, 2, 1030, cc208). Para representar da forma objeto-atributo-valor, precisamos inventar novos indivíduos Podemos chamar reserva que tem um número de propriedades como curso, seção, hora e sala Podemos nomear a reserva da sala como uma constante, b123: prop(b123, curso, cs422). prop(b123, seção, 2). prop(b123, hora, 1030). prop(b123, sala, cc208). Uma representação modular e fácil de adicionar um novo atributo 20
21 Redes Semânticas Quando temos somente uma relação, podemos omiti-la sem qualquer perca de informação Assim podemos representar uma relação prop(obj, Att, Val) como um grafo onde Obj e Val são nós e Att é o rótulo do arco Estes grafos são chamados de Redes semânticas 21
22 Um exemplo de uma rede semântica Informações sobre um computador 22
23 Programa equivalente em lógica Informações sobre um computador 23
24 A notação gráfica Vantagens: Os humanos entendem os relacionamentos com facilidade sem necessariamente saber a sintaxe Ajuda os construtores da BC a estruturar seu conhecimento Não temos que rotular nós os quais os nomes não fazem muito sentido (Ex: b123) Podemos agrupar todos os pares atributos-valores juntos em um simples objeto, isto é um frame É útil para trazer todas as informações sobre um objeto juntas Não é necessário criar constantes artificiais Atributos são chamados slots e valores são chamados fillers 24
25 Frames Um exemplo de um frame para um computador Podemos definir uma template de um frame para cada tipo de indivíduo Especifica quais slots são necessários e quais são opcionais para um indivíduo daquele tipo Ajuda a construir a BC 25
26 Um Frame pode ter vários níveis É formado por um conjunto de slots, que representam atributos dos objetos Slots podem possuir várias facets, que trazem informações particulares de cada slot (atributo) Exemplo: faixa de valores possíveis para o slot, ou forma de calculá-los Uma facet pode possuir várias views, que representam diferentes contextos em que aquela facet pode ser avaliada Cada view possui um filler, ou seja o valor daquela view, para aquela facet, para aquele slot Podemos ter deamons (procedimentos) associados a slots Ex: se o valor de determinada facet é x, crie a facet y e z.
27 Exemplo: um Frame de vários níveis Nome_frame1 Nome_slot1 Nome_facet1 Nome_view1 filler:valor Nome_slot2 Nome_facet1 Nome_view1 filler:valor Nome_facet2 Nome_view1 Frame1[ slot1[ facet1[ view1[ valor]] ], slot2[ facet1[ view1[ valor]], facet2[ view1[ valor]] ] ] filler:valor
28 Uma visão gráfica de um frame de vários níveis computador é_um tipo filler:frame valor filler:máquina nome tipo filler:string tamanho filler:30 valor filler:cp2347
29 Um frame de vários níveis representado como listas em Prolog computador[ é_um[ tipo[ [ frame]], valor[ [ máquina]] ] nome[ tipo[ [ string]], tamanho[ [ 30]], valor[ [ cp2347]] ] ]
30 Relações primitivas e derivadas Conhecimento primitivo: definido explicitamente pelos fatos Conhecimento derivado: definido pelas regras Permite uma representação mais compacta Permite que conclusões sejam tiradas das observações do domínio Importante porque não observamos tudo diretamente do domínio Muito do que sabemos do domínio é inferido pelas observações e pelo conhecimento mais geral 30
31 Relações primitivas e derivadas Ex: Ao invés de especificar que o computador comp_2347 tem como logo um lemon disc, podemos saber que todos os computadores da marca Lemon tem este logo Associar as propriedades com as classes e não com os indivíduos Permitir um atributo especial é_um entre um indivíduo e uma classe ou entre duas classes Permitindo herança de propriedade 31
32 Uma rede semântica estruturada 32
33 A lógica da herança de propriedade Uma arco p de uma classe c significa que todo indivíduo na classe tem valor n para o atributo p prop(obj, p, n) <-- prop(obj, é_um, c). Exemplo: 33
34 Herança múltipla Um indivíduo normalmente é membro de mais de uma classe Ex: a mesma pessoa pode ser uma mãe, uma professora, uma árbitra de futebol... Um indivíduo pode herdar propriedades de todas as classes herança múltipla Se existem valores default para as propriedades Podemos ter um problema quando um indivíduo herda valores default conflitantes de classes diferentes: problema da herança múltipla 34
35 Escolhendo entre relações primitivas e derivadas Associar um valor de um atributo com a classe mais geral que contém o valor Não associe propriedades contingentes de uma classe com a classe Ex: Pode ser que todos os computadores de uma empresa sejam de uma determinada marca, com gabinete preto. Não é uma boa idéia associar a cor preta a todos os computadores Podem ser comprados computadores de outras marcas com cores diferentes Axiomatize na direção causal. Queremos conhecimento que seja estável com as mudanças do mundo. a ^ b, a b ou b a? 35
36 Escolhendo um procedimento de inferência O que afeta a eficiência da computação de uma solução para um problema? Muitos algoritmos em IA são baseados em busca Tamanho do espaço de busca Fator de ramificação Profundidade das soluções Existência de boas heurísticas Mínimos locais também são globais Não existem platôs 36
37 Escolhendo um procedimento de inferência O que afeta a eficiência da computação de uma solução para um problema? O algoritmo usado Ele pode levar em consideração a informação disponibilizada pela heurística? O nível de detalhes afeta diretamente a eficiência, pois modifica o espaço de busca Talvez o fator que menos importa é a escolha da linguagem de programação Provavelmente é melhor utilizar uma linguagem que foi projetada para o tipo de problema que queremos resolver 37
Representação de Conhecimento
Representação de Conhecimento Profa. Josiane M. P. Ferreira David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach - cap. 5 agosto/2008 1 Problemas e soluções Tipicamente
Representação de Conhecimento Redes Semânticas e Frames
Representação de Conhecimento Redes Semânticas e Frames Profa. Josiane M. P. Ferreira e Prof. Sérgio R. P. da Silva David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach
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
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
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
Busca Heurística. Profa. Josiane M. P. Ferreira
Busca Heurística Profa. Josiane M. P. Ferreira Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach
Paradigmas de Representação de Conhecimento
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Representação de Conhecimento Inteligência Artificial Site: http://jeiks.net E-mail:
Introdução. Compiladores Análise Semântica. Introdução. Introdução. Introdução. Introdução 11/3/2008
Compiladores Análise Semântica Fabiano Baldo Análise Semântica é por vezes referenciada como análise sensível ao contexto porque lida com algumas semânticas simples tais como o uso de uma variável somente
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
Sistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
Sistemas Baseados em Conhecimento
Sistemas Baseados em Conhecimento Profa. Josiane M. P. Ferreira Baseado no capítulo 2 do livro Sistemas Inteligentes Fundamentos de Aplicações, organizadção: Solange Oliveira Rezende, ed. Manole, 2005.
Inteligência Artificial. Sistemas Inteligentes. Síntese baseada no cap.2 Sistemas Inteligentes da Solange Rezende
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Sistemas Inteligentes Síntese baseada no cap.2
Uma representação do conhecimento envolvendo nós, ligações e rótulos. Nós representam categorias, propriedades ou objetos.
Uma rede semântica é: Redes semânticas: definição Uma representação do conhecimento envolvendo nós, ligações e rótulos. Nós representam categorias, propriedades ou objetos. Ligações são orientadas e definem
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi ([email protected]) Informação - ICPG - Criciuma - SC 1 Conceitos de Inteligência e Inteligência Artificial.
Universidade Estadual de Maringá Departamento de Informática Disciplina Inteligência Artificial Profa. Josiane
Universidade Estadual de Maringá Departamento de Informática Disciplina 1018 - Inteligência Artificial Profa. Josiane Lista de Exercícios para o 3º bimestre: Problemas de Satisfação de Restrição Representação
Classes e Objetos. Sintaxe de classe em Java
Classes e Objetos Classes e Objetos A Programação Orientada a Objetos (POO) é uma técnica de programação que se baseia na construção de classes e utilização de objetos. Os objetos são formados por dados
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
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
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: [email protected]
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
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
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
Mário S. Alvim Fundamentos de Teoria da Computação (FTC) DCC-UFMG (2018/01)
Introdução Mário S. Alvim ([email protected]) Fundamentos de Teoria da Computação (FTC) DCC-UFMG (2018/01) Mário S. Alvim ([email protected]) Introdução DCC-UFMG (2018/01) 1 / 18 O que é a Teoria da
Estruturas de Dados. Prof.: Carlos Alberto Página da Disciplina:
Estruturas de Dados Prof.: Carlos Alberto Página da Disciplina: http://alged.webnode.com/ E-mail: [email protected] Estruturas de dados Programa da disciplina Estruturas de dados - referências
Paradigmas de Linguagens
Paradigmas de Linguagens Aula 2: Tipos de dados Professora Sheila Cáceres Tipos de dados Dados são a matéria prima da computação junto com os programas. LPs precisam manipular dados. LPS utilizam os conceitos
Inteligência Artificial Prof. Cláudio Luís Vieira Oliveira
Prof. Cláudio Luís Vieira Oliveira [email protected] Dave Bowman: Open the pod bay doors, HAL. HAL: I m sorry Dave, I m afraid I can t do that. (2001: Uma Odisséia no Espaço) 1 Área de pesquisa
Desenvolvimento de Algoritmos. Slides elaborados pela Prof(a). Simone do Rocio Senger de Souza ICMC/USP
Desenvolvimento de Algoritmos Slides elaborados pela Prof(a). Simone do Rocio Senger de Souza ICMC/USP Desenvolvimento de algoritmos Na computação, algoritmos representam os passos de um programa um conjunto
Inteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
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
Requisitos de sistemas
Requisitos de sistemas Unidade III - Casos de Uso Identificação de casos de uso Conceitos de orientação a objetos Modelagem do diagrama de classes e casos de uso 1 Casos de uso CONCEITO Especifica o comportamento
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
Aprendizado 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: [email protected]
4 Conceito de Herança
4 Conceito de Herança Hierarquia de classes e mecanismo de ligação Herança Uma classe pode herdar operações de uma superclasse e as suas operações podem ser herdadas por subclasses. O mecanismo de herança
Linguagens de Domínio Específico
Linguagens de Domínio Específico Fabio Mascarenhas 2017.1 http://www.dcc.ufrj.br/~fabiom/dsl Definindo DSLs Linguagem específica de domínio: uma linguagem de programação de computadores de expressividade
UML. Diagrama de Classe
UML Diagrama de Classe Em UML as classes são representadas por um retângulo dividido em três compartimentos: o compartimento de nome, que conterá apenas o nome da classe modelada, o de atributos, que possuirá
TAD: Tipo Abstrato de Dados (parte 1)
TAD: Tipo Abstrato de Dados (parte 1) SCC0502 Algoritmos e Estruturas de Dados I Prof. Thiago A. S. Pardo TADs e termos relacionados Termos relacionados, mas diferentes Tipo de dados Tipo abstrato de dados
SCC-202 Algoritmos e Estruturas de Dados I. Profa. Graça Nunes 2º. Semestre 2010
SCC-202 Algoritmos e Estruturas de Dados I Profa. Graça Nunes 2º. Semestre 2010 Objetivos Introduzir conceitos de Estruturas de Dados básicas e seus algoritmos, que são frequentemente usados na construção
Sistemas Especialistas (SE)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Sistemas Especialistas (SE) Inteligência Artificial Site: http://jeiks.net E-mail: [email protected]
Conhecimento e Raciocínio Agente Lógicos Capítulo 7. Leliane Nunes de Barros
Conhecimento e Raciocínio Agente Lógicos Capítulo 7 Leliane Nunes de Barros [email protected] Agentes Lógicos Agentes que podem formar representações do mundo, usar um processo de inferência para derivar
Linguagens de Programação e Programação Funcional
Linguagens de Programação e Programação Funcional GSI004 Aula 01* Faculdade de Computação UFU *baseada nos slides do Professor Paulo Henrique Ribeiro Gabriel 30 de setembro de 2014 GSI004 Aula 01 30 de
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
Linguagens Formais e Autômatos P. Blauth Menezes
Linguagens Formais e Autômatos P. Blauth Menezes [email protected] Departamento de Informática Teórica Instituto de Informática / UFRGS Matemática Discreta para Ciência da Computação - P. Blauth Menezes
Daniel Wildt
Orientação a Objetos 1 Daniel Wildt http://danielwildt.blogspot.com Agenda 2 Orientação a Objetos Classe x Objeto Representação classe Atributos / operações Construtores e Destrutores Liberando memória
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
Modelo do Mundo Real. Abstração. Interpretação
Modelo do Mundo Real Mundo Real Abstração Interpretação Sistema de Software Modelo Algoritmo Abstração: O modelo precisa capturar apenas as características do mundo real que são importantes para o sistema
TAD: Tipo Abstrato de Dados (parte 1)
TAD: Tipo Abstrato de Dados (parte 1) SCC0202 Algoritmos e Estruturas de Dados I Prof. Thiago A. S. Pardo TADs e termos relacionados Termos relacionados, mas diferentes Tipo de dados Tipo abstrato de dados
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Introdução à Análise e Projeto de Sistemas
Introdução à I. O Que vamos fazer na Disciplina? Saber uma linguagem de programação orientada a objeto (OO) não é suficiente para criar sistemas OO Tem que saber Análise e Projeto OO (APOO) Isto é, Análise
Conceitos de Programação Orientada a Objetos
Conceitos de Programação Orientada a Objetos [email protected] 80 Por que a Orientação a Objetos? As abstrações podem corresponder às "coisas" do domínio do problema, facilitando o entendimento Esta
Aula 1: Desenvolvimento de Algoritmos
Aula 1: Desenvolvimento de Algoritmos Profa. Dra. Elisa Yumi Nakagawa 1. Semestre de 2017 Slides inicialmente elaborados pela Profa. Dra. Simone do Rocio Senger de Souza (ICMC/USP) Motivação Na computação,
Algoritmos e Técnicas de Programação Introdução Givanaldo Rocha de Souza
Algoritmos e Técnicas de Programação Introdução Givanaldo Rocha de Souza [email protected] http://docente.ifrn.edu.br/givanaldorocha Conceitos Lógica de Programação técnica de encadear pensamentos
Capítulo 1. Aspectos Preliminares
Capítulo 1 Aspectos Preliminares Tópicos do Capítulo 1 Razões para estudar conceitos de linguagens de programação Domínios de programação Critérios de avaliação de linguagens Influências no projeto de
Protótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras
Protótipo de um Simulador de um Aspirador de Pó, Utilizando Algoritmo de Busca e Agentes Inteligentes, em Ambientes com Barreiras Jussara Vieira Ramos ROTEIRO Objetivo Introdução: I.A. X Robótica Agentes
ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS
1/18 ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS Algoritmos 2/18 Algoritmos Algoritmo - sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador)
Redes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
Linguagens de Programação
Linguagens de Programação Prof a Jerusa Marchi Departamento de Informática e Estatística Universidade Federal de Santa Catarina e-mail: [email protected] Linguagens de Programação p. 1/5 Linguagens de
FIC Introdução à Programação de Computadores
FIC Introdução à Programação de Computadores Edilson Hipolito da Silva [email protected] - http://www.hipolito.info Aula 03 Formas de representação de algoritmos Roteiro Representação de algoritmos
Linguagem de Programação Orientada a Objeto Polimorfismo, Classes Abstractas e Interfaces
Linguagem de Programação Orientada a Objeto Polimorfismo, Classes Abstractas e Interfaces Professora Sheila Cáceres Polimorfismo Polimorfismo Polimorfismo é a característica única de linguagens orientadas
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
Conceitos de Programação Orientada a Objetos
Conceitos de Programação Orientada a Objetos Tatyana Bitencourt Com as técnicas de orientação a objeto, é possível obter resultados considerados impossíveis pensando de maneira estruturada. Como Java não
Redes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Programação I Apresentação
Programação I Apresentação Prof. Carlos Alberto [email protected] [email protected] Referências JUNIOR, D. P.; NAKAMITI, G. S.; ENGELBRECHT, A. de M. E.; BIANCHI, F. Algoritmos e Programação
Programação Orientada a Objectos - P. Prata, P. Fazendeiro. Hierarquia de classes e mecanismo de ligação
4 Conceito de Herança Hierarquia de classes e mecanismo de ligação Herança Uma classe pode herdar operações de uma superclasse e as suas operações podem ser herdadas por subclasses. O mecanismo de herança
Requisitos de Software
Requisitos de Software Engenharia de requisitos Estabelece os serviços que o cliente requer de um sistema e as restrições sob as quais tal sistema operará e será desenvolvido. Tais serviços e restrições
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
AULA 11 PROJETO E ANÁLISE DE ALGORITMOS. Conceitos básicos e representação de grafos Karina Valdivia Delgado
AULA 11 PROJETO E ANÁLISE DE ALGORITMOS Conceitos básicos e representação de grafos Karina Valdivia Delgado Roteiro Motivação Conceitos básicos Representação Motivação Um grafo é uma abstração que permite
Visões Arquiteturais. Visões Arquiteturais
Visões Arquiteturais Separar diferentes aspectos em visões separadas com o objetivo de gerenciar complexidade. Cada visão descreve diferentes conceitos da Engenharia. Visões permitem reduzir a quantidade
Fabrício Jailson Barth BandTec
Introdução à Inteligência Artificial Fabrício Jailson Barth [email protected] BandTec 1 o semestre de 2012 Objetivos e Sumário O que é Inteligência Artificial (IA)? Objetivos da IA. Influência
