Tópicos Especiais I - Jogos IA para Jogos
|
|
- Bernardo Domingos Beltrão
- 7 Há anos
- Visualizações:
Transcrição
1 Tópicos Especiais I - Jogos IA para Jogos Machine Learning Aprendizado Indutivo CBR, IDT, Perfil de Usuário Reinf. Learning, ANN Fernando Osório 11/05/2007
2 IA para Jogos Aula 03 Tópicos abordados... Aprendizado de máquinas em Jogos Machine Learning for Games Raciocínio baseado em Casos (RBC / CBR) Árvores de Decisão (AD / IDT) Perfil de Usuários Aprendizado por Reforço (RL) Redes Neurais Artificiais (RNA / ANN) Aplicações... Bibliografia Machine Learning. Tom Mitchell, em M.L. Sistemas Inteligentes. Solange Rezende, Redes Neurais. Simon Haykin, C4.5: Programs for machine learning. Ross Quinlan, 1993 Raciocínio Baseado em Casos. Von Wangenheim, 2003.
3 Machine Learning / Aprendizado de Máquinas... Conceitos básicos Aprendizado = Adaptação do Comportamento Melhorar a Performance Evitar de Repetir os Erros Interação com o Meio, Experimentação, Descoberta Uso da Experiência, Memória do Passado Generalização Criar Regras Gerais SBIA/SBRN 2003
4 Machine Learning / Aprendizado de Máquinas... Conceitos básicos Aprendizado = Adaptação do Comportamento Melhorar a Performance Evitar de Repetir os Erros Interação com o Meio, Experimentação, Descoberta Uso da Experiência, Memória do Passado Generalização Criar Regras Gerais Jogos: SBIA/SBRN Aprendizado de Comportamentos - Estratégias - Ação Agentes - Reação Inteligentes - Inteligência!
5 Machine Learning / Aprendizado de Máquinas... Conceitos básicos Aprendizado = Adaptação do Comportamento Melhorar a Performance Evitar de Repetir os Erros Interação com o Meio, Experimentação, Descoberta Uso da Experiência, Memória do Passado Generalização Criar Regras Gerais Conceitos: - Experiência & Memória (casos passados) - Otimização & Adaptação (medida de performance) - Interação (passivo, ativo) - Geração de Conhecimentos Novos (regras, generalização)
6 Machine Learning / Aprendizado de Máquinas... Conceitos básicos Aprendizado: - Adaptação do Comportamento - Melhorar a Performance - Evitar de Repetir os Erros - Interação com o Meio, Experimentação, Descoberta - Uso da Experiência, Memória do Passado - Generalização Criar Regras Gerais Conceitos: - Experiência & Memória (casos passados) - Otimização & Adaptação (medida de performance) - Interação (passivo, ativo) - Geração de Conhecimentos Novos (regras, generalização) Modos de Aprendizado Aprendizado Indutivo Aprendizado Supervisionado Aprendizado Não Supervisionado Classificação Regressão (Aproximação de funções)
7 Machine Learning / Aprendizado de Máquinas... Modos de Aprendizado Aprendizado Indutivo Exemplos Professor (Supervisão) Aprendizado Supervisionado Aprendizado Não Supervisionado Similaridade (Agrupamento) Classificação Classes, Categorias Regressão (Aproximação de funções) Valores estimados
8 Machine Learning / Aprendizado de Máquinas... Modos de Aprendizado Aprendizado Indutivo Exemplos Professor (Supervisão) Aprendizado Supervisionado Aprendizado Não Supervisionado Similaridade (Agrupamento) Classificação Regressão (Aproximação de funções) CBR Case Based Reasoning (Raciocínio Baseado em Casos) K-NN K-Means Lazy Learning Classes, Categorias Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Indução de Árvores de Decisão Exemplo: C4.5 (Simbólico) Valores estimados Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Regressão Linear Aprendizado Semi-Supervisionado Reinforcement Learning (RL) Exemplo: Q-Learning
9 Machine Learning / Aprendizado de Máquinas... Modos de Aprendizado Aprendizado Indutivo Exemplos Outras Técnicas de ML: Algoritmos Genéticos ILP (Inductive Logic Programming) Bayesian Learning... Professor (Supervisão) Aprendizado Supervisionado Aprendizado Não Supervisionado Similaridade (Agrupamento) Classificação Regressão (Aproximação de funções) CBR Case Based Reasoning (Raciocínio Baseado em Casos) K-NN K-Means Lazy Learning Classes, Categorias Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Indução de Árvores de Decisão Exemplo: C4.5 (Simbólico) Valores estimados Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Regressão Linear Aprendizado Semi-Supervisionado Reinforcement Learning (RL) Exemplo: Q-Learning
10 Machine Learning... Por onde começar?!? Outras Técnicas de ML: Outras Técnicas de ML: Algoritmos Genéticos ILP (Inductive Logic Programming) Bayesian Learning... Exemplos Redes Neurais Exemplos Classificação Classes, Categorias Professor (Supervisão) Professor (Supervisão) Aprendizado Supervisionado Exemplos Aprendizado Supervisionado Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Indução de Árvores de Decisão Exemplo: C4.5 (Simbólico) Exemplos Aprendizado Indutivo Regressão (Aproximação de funções) Valores estimados Exemplos Similaridade (Agrupamento) Redes Neurais Artificiais (Conexionista) Exemplo: MLP BackPropagation Regressão Linear Algoritmos Genéticos ILP (Inductive Logic Programming) Bayesian Learning... Similaridade (Agrupamento) Aprendizado Exemplos CBR Case Based Reasoning Não Supervisionado (Raciocínio Baseado em Casos) K-NN K-Means CBR Case Based Reasoning (Raciocínio Baseado em Casos) K-NN K-Means Exemplos Aprendizado Semi-Supervisionado Lazy Learning Reinforcement Learning (RL) Exemplo: Q-Learning
11 Machine Learning... Por onde começar? Aprendizado Indutivo Exemplos Comece pelos Exemplos!!! No aprendizado indutivo, seja ele não supervisionado ou supervisionado, voltado para classificação, regressão ou apenas agrupamento de dados, neste tipo de aprendizado é necessário um conjunto de exemplos que servirá para introduzir (induzir) o conhecimento a ser aprendido. Esquema simples de Aprendizado Indutivo... Registrar dados: Controle Humano (Log <= Usuário) Machine Learning: Aprendizado do Comportamento (Controle automatizado) Controle Inteligente Exemplos Conhecimento
12 Machine Learning... Por onde começar? Aprendizado Indutivo Exemplos Comece pelos Exemplos!!! No aprendizado indutivo, seja ele não supervisionado ou supervisionado, voltado para classificação, regressão ou apenas agrupamento de dados, neste tipo de aprendizado é necessário um conjunto de exemplos que servirá para introduzir (induzir) o conhecimento a ser aprendido. O exemplo mais básico de aprendizado indutivo é o presente nos Sistemas CBR (Case-Based Reasoning) > O que não implica que sua implementação não possa vir a ser complexa > e seus resultados interessantes
13 CBR Case Based Reasoning Usuário Caso Novo RETRIEVE Recuperar Caso Novo Casos Recuperados RETAIN Salvar na Memória Sistema de Indexação Knowledge Base Base de Casos REUSE Selecionar, Reutilizar Caso Testado e Revisado Sucesso REVISE Adaptar, Revisar Solução CICLO CBR Falha Usuário
14 CBR Case Based Reasoning Usuário RETAIN Salvar na Memória Caso Novo Caso RETRIEVE Novo1. Retrieve: Recuperar os casos mais similares Casos Recuperar Recuperados ao novo caso 2. Reuse: Reutilizar um destes casos cuja informação e conhecimento resolva o problema Sistema 3. Revise/Adapt: de Revisar Indexação Base a solução proposta 4. Retain: Guardar as partes de desta experiência que podem Knowledge ser úteis para Casos a solução de novos problemasbase REUSE Selecionar, Reutilizar Caso Testado e Revisado Sucesso REVISE Adaptar, Revisar Solução CICLO CBR Falha Usuário
15 CBR Case Based Reasoning CBR em Jogos... do Xadrez ao Half Life! O computador Deep Blue possuia arquivadas partidas e jogadas importantes de jogos anteriores ( knowledge base of games played by grandmasters ); Existem citações sobre o uso de CBR em Jogos como... o Space Invaders: Case-Based Plan Recognition in Computer Games. Michael Fagan & Pádraig Cunningham. Lecture Notes in Computer Science (LNCS): Springer-Verlag. Vol / Jan o Half Life ( ) (?) o SimCity: Real-Time Case-Based Reasoning in a Complex World. Fasciano, Mark J.; TR CS Dept., Univ. of Chicago, Feb o BATTLE [Goo89], COACH[Col87] apud Wangenheim 2003 (RBC). inclusive sendo usado para acelerar simulações... o Using Case-Based Reasoning to Overcome High Computing Cost Interactive Simulations. Javier Vázquez-Salceda, Miquel Sànchez-Marrè, Ulises Cortés LNCS: Springer-Verlag Heidelberg. Vol / Jan
16 CBR Case Based Reasoning CBR em Jogos... Exemplo (para discussão) Gravando um motorista... Estratégias: Memória de Casos... Possibilidades Uso das posições na pista... Adaptação de casos...
17 IDT Induction of Decision Trees (Árvores de Decisão) Aprendizado Supervisionado Condição Ação Day Outlook Temp. Humidity Wind Play Tennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No Tabela de Decisão Indução Conhecimento: Estruturação Generalização Inferência Aplicação Prática
18 IDT Induction of Decision Trees (Árvores de Decisão) Aprendizado Supervisionado C o n d iç ã o A ç ã o D a y O u t l o o k T e m p. H u m i d i t y W i n d P l a y T e n n i s D 1 S u n n y H o t H i g h W e a k N o D 2 S u n n y H o t H i g h S t r o n g N o D 3 O v e r c a s t H o t H i g h W e a k Y e s D 4 R a i n M i l d H i g h W e a k Y e s D 5 R a i n C o o l N o r m a l W e a k Y e s D 6 R a i n C o o l N o r m a l S t r o n g N o D 7 O v e r c a s t C o o l N o r m a l S t r o n g Y e s D 8 S u n n y M i l d H i g h W e a k N o D 9 S u n n y C o o l N o r m a l W e a k Y e s D 1 0 R a i n M i l d N o r m a l W e a k Y e s D 1 1 S u n n y M i l d N o r m a l S t r o n g Y e s D 1 2 O v e r c a s t M i l d H i g h S t r o n g Y e s D 1 3 O v e r c a s t H o t N o r m a l W e a k Y e s D 1 4 R a i n M i l d H i g h S t r o n g N o Árvores de Decisão Objetivo: Automatizar o processo de geração de uma árvore de decisão (menor possível)
19 IDT Induction of Decision Trees (Árvores de Decisão) Aprendizado Supervisionado Algoritmos IDT: ID3 - Quinlan / 1986 C4.5 - Quinlan / (Atualmente See5) ASSISTANT - Cestnik, Kononenko, Bratko / 1987 CART (Classification and Regression Trees) Breitman et al / 1984 CN2 - Clark, Niblett / ID5R, ITI (Incremental DT induction) - Utgoff / Métodos similares... Família AQ - Michalski Árvores de Decisão Algoritmo Básico: Selecionar o atributo que melhor discrimine os dados em relação as classes definidas. C4.5: utiliza uma medida baseada na entropia ( grau de mistura dos dados ), obtendo para cada atributo o ganho ( redução da mistura ) caso este seja selecionado como atributo discriminante.
20 IDT Induction of Decision Trees (Árvores de Decisão) Aprendizado Supervisionado Árvores de Decisão 9(+):5(-) C o n d iç ã o A ç ã o D a y O u t l o o k T e m p. H u m i d i t y W i n d P l a y T e n n i s D 1 S u n n y H o t H i g h W e a k N o D 2 S u n n y H o t H i g h S t r o n g N o D 3 O v e r c a s t H o t H i g h W e a k Y e s D 4 R a i n M i l d H i g h W e a k Y e s D 5 R a i n C o o l N o r m a l W e a k Y e s D 6 R a i n C o o l N o r m a l S t r o n g N o D 7 O v e r c a s t C o o l N o r m a l S t r o n g Y e s D 8 S u n n y M i l d H i g h W e a k N o D 9 S u n n y C o o l N o r m a l W e a k Y e s D 1 0 R a i n M i l d N o r m a l W e a k Y e s D 1 1 S u n n y M i l d N o r m a l S t r o n g Y e s D 1 2 O v e r c a s t M i l d H i g h S t r o n g Y e s D 1 3 O v e r c a s t H o t N o r m a l W e a k Y e s D 1 4 R a i n M i l d H i g h S t r o n g N o 2(+):3(-) 4(+):0(-) 3(+):2(-) Nodo = Atributo testado Aresta = Valor do atributo Nodos: Está indicada a contagem total de YES (+) e de NO (-) Regras obtidas: (exemplos) 0(+):3(-) 2(+):0(-) 3(+):0(-) 0(+):2(-) IF Outlook = Overcast Then Yes IF OutLook = rain AND Windy = True Then No
21 IDT Induction of Decision Trees (Árvores de Decisão) Aprendizado Supervisionado Características das Árvores de Decisão: Aprendizado fácil e rápido Fácil integração em outras aplicações (obtenção de regras) Apesar de permitirem trabalhar com atributos quantitativos (discretizados de forma automática, sendo codificados como se fossem atributos nominais), as árvores de decisão são melhores na manipulação de informações simbólicas SOFTWARES: C4.5 Dtree Weka R CN2 ITI AQ Family See5 CART Clementine
22 IDT Induction of Decision Trees (Árvores de Decisão) IDT em Jogos... Árvores de Decisão Usando o Conhecimento Adquirido Decision Tree: Atributo outlook = overcast: Yes (3.2) Numérico outlook = sunny: humidity <= 75 : Yes (2.0) humidity > 75 : windy = false: No (2.0) windy = true: temperature <= 75 : Yes (0.4) temperature > 75 : No (1.0) outlook = rain: windy = false: Yes (3.0) windy = true: temperature <= 71 : No (2.0) temperature > 71 : Yes (0.4) Exemplos IDT C4.5 Regras Regras IF/THEN IF Outlook = Overcast Then Yes IF Outlook = Rain AND Windy = False Then Yes IF Outlook = Sunny AND Humidity <= 75 Then Yes... Procuction Rule Classifier Rule 1: outlook = sunny -> class Play [100.0%] Default class: Play Percepção Inferência baseada nas Regras Inference Engine Ação G A M E
23 IDT Induction of Decision Trees (Árvores de Decisão) IDT em Jogos... Árvores de Decisão Usando o Conhecimento Adquirido Sense Registrar dados: Controle Humano (Log <= Usuário) Machine Learning: Aprendizado do Comportamento (Controle automatizado) Controle Inteligente Think Exemplos Conhecimento Act Exemplos Gerar exemplos Criar a árvore (Aprendizado indutivo) Usar as regras obtidas (RBS Rule Based System) IDT C4.5 Regras Percepção Inferência baseada nas Regras Inference Engine Ação G A M E
24 IDT Induction of Decision Trees (Árvores de Decisão) IDT em Jogos... Aplicações possíveis - Exemplos... Robocup - CMUnited RoboCup-98 Simulator Peter Stone and Manuela Veloso. Using decision tree confidence factors for multiagent control. In Proceedings of the First International Workshop on RoboCup, Nagoya,Japan, August Aquisição de Conhecimento para Agentes Yusuf Pisan Building Characters: A Form of Knowledge Acquisition AAAI Spring Symposium on AI and Interactive Entertainment Jogos de Tabuleiro Agentes baseados em Regras Ferramenta necessária: Inference Engine / RBS (Rule Based System)
25 Levantamento do Perfil de Usuários ( oponentes ) Aprendizado Não-Supervisionado Determinando o comportamento de um agente humano... Concepção de Um Ambiente Virtual Inteligente e Adaptativo Cássia Trojahn dos Santos, Fernando Osório Revista Scientia Unisinos (Artigo Submetido V.14 N ) Definição: Modelo de Usuário (Perfil) [Santos03 / SBIE] Um modelo de usuário é uma representação explícita das características, preferências e necessidades de um usuário. Conforme Kobsa (1995), é uma coleção de informações e suposições sobre usuários individuais ou sobre grupos de usuários, necessárias para que o sistema adapte diversos aspectos de suas funcionalidades e interface. Compreende toda a informação sobre o usuário, extraída da sua interação com o sistema [Abbattista et al, 2002]. O termo perfil de usuário [Wasfi, 1999] também é utilizado com o propósito de representar o conhecimento sobre o usuário. Ao processo de aquisição e representação de um modelo dá-se o nome de modelagem de usuário.
26 Levantamento do Perfil de Usuários ( oponentes ) Aprendizado Não-Supervisionado Aquisição do Modelo de Usuário [Santos03 / PIPCA]* Os métodos para coleta dos dados podem ser agrupados em dois conjuntos: Explícitos Implícitos. Os métodos explícitos coletam as informações diretamente do usuário, questionando-o sobre os seus interesses, preferências e necessidades. Este tipo de coleta, geralmente, é feita através do uso de formulários (identificação do perfil inicial do usuário). Os métodos implícitos inferem informações dos usuários através do monitoramento do comportamento durante a interação com o sistema (atualização do perfil do usuário). Exemplo: Modelo de Usuário => Conservador (informado) Modelo de Usuário => Agressivo (após adaptação ~ análise do comportamento) * Mais detalhes podem ser encontrados nos trabalhos relacionados a dissertação de mestrado de Cássia T. dos Santos
27 Levantamento do Perfil de Usuários ( oponentes ) Aprendizado Não-Supervisionado Exemplo de Aplicação [Santos03 / PIPCA] Ambiente Tridimensional Virtual e Adaptativo As salas mudam de lugar de acordo com o perfil do usuário (interesses)
28 Levantamento do Perfil de Usuários ( oponentes ) Aprendizado Não-Supervisionado Adaptação do Modelo de Usuário [Santos03 / PIPCA] A atualização do modelo está baseada no uso de regras e fatores de certeza (CF): SE Evidência(s) ENTAO Hipótese com CF = x Neste trabalho, as evidências correspondem às áreas do ambiente visitadas e aos conteúdos solicitados (a partir de um mecanismo de busca) e acessados (clicados) pelo usuário. O interesse inicial do usuário por determinada área (valor inicial de P(H)) é obtido a partir da coleta explícita de dados e pode ser alterado durante o processo de atualização do modelo, com base em limiares de aumento e diminuição.
29 Levantamento do Perfil de Usuários ( oponentes ) Aprendizado Não-Supervisionado Adaptação do Modelo de Usuário [Santos03 / PIPCA] As evidências são usadas para inferir a hipótese de interesse do usuário em cada área do conhecimento, a partir das regras e dos fatores de certeza correspondentes. Para a atualização do modelo, as seguintes regras foram definidas: SE solicitou ENTAO interesse em Y com CF = x SE navegou ENTAO interesse em Y com CF = x SE acessou ENTAO interesse em Y com CF = x A cada N sessões, para cada área, são verificadas as evidências (navegação, solicitação e acesso) e feitas as inferências de interesse, com base nas regras apresentadas acima. A partir da ordenação dos fatores de certeza resultantes é estabelecido um ranking das áreas de interesse do usuário, através do qual é possível verificar as alterações no modelo inicial (obtido a partir da coleta explícita) e atualizar o modelo. A partir dessa atualização (alterar perfil = alterar os fatores de certeza sobre o interesse em uma determinada área), é feita a re-organização do ambiente.
30 Levantamento do Perfil de Usuários ( oponentes ) Modelo de Usuário em Jogos... Jogos de Ação Modelo de Comportamento... - Tipo de Usuário: Agressivo, Impulsivo, Conservador,... - Comportamento no ambiente: Lugares que costuma visitar - Análise de ações do usuário: Ataque, Defesa Baseado no comportamento... - Criar estratégias de jogo - Antecipar movimentos e ações Modelo de Usuário em Jogos... Jogos de Estratégia e Simulação Modelo de Comportamento é Importante / Indispensável
31 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Referências: Artificial Intelligence: A Modern Approach. Russell & Norvig, 1995 (cap. 20). A Standart Interface for Reinforcement Learning Software in C++. Sutton & Samtamaria (Umass / 2003) Reinforcement Learning: A Survey. Kaelbling, Littman & Moore, Journal of Artificial Intelligence Research 4 (1996) Sensores Agente Ações Ausência do professor Falta de uma medida exata do erro Punição Recompensa Ambiente Ambiente dinâmico Ambiente estocástico MDP: Markov Decision Problem
32 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Referências: Artificial Intelligence: A Modern Approach. Russell & Norvig, 1995 (cap. 20). A Standart Interface for Reinforcement Learning Software in C++. Sutton & Samtamaria (Umass / 2003) Reinforcement Learning: A Survey. Kaelbling, Littman & Moore, Journal of Artificial Intelligence Research 4 (1996) Agente Sensores Ações Sensores Agente Ações Punição Recompensa Punição Ambiente Recompensa Ambiente ESTADO DO AGENTE E DO AMBIENTE: EVOLUEM NO TEMPO
33 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Conceitos Básicos: Aprendizado baseado no Sucesso / Falha Punição x Recompensa (Punish x Reward) Estímulos: Pain / Pleasure - Food / Hunger [Pavlov 1849/1936] Aplicação em Jogos de Tabuleiro... Xadrez: Aprendizado com professor => Imitar o professor! Indica qual jogada faria... Aprendizado sem professor =>?
34 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Conceitos Básicos: Aprendizado baseado no Sucesso / Falha Punição x Recompensa (Punish x Reward) Estímulos: Pain / Pleasure - Food / Hunger [Pavlov 1849/1936] Aplicação em Jogos de Tabuleiro... Aprendizado sem professor => Random Moves Status: End of the Game (Terminal State) Retorno sobre desempenho: Feed-Back Vitória: Sucesso / Perda: Fracasso Diferencial: Não copia o professor Tentativa de melhor a performance (tentativa/erro)
35 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Tipos de Aprendizagem por Reforço... segundo: Ambiente: Acessível (sensores) ou Inacessível (estado interno) Recompensa: Em qualquer estado Apenas no estado final Agente: Aprendiz passivo (observa passivamente o resultado das ações) Aprendiz ativo (sugere novas ações) Função: Evaluation Utility function - U(i) ou Action-Value function ADP Adaptive Dynamic Programing TD Temporal Difference Learning U(i) = R(i) + Σ M ij U(j) : Mij = Probabilidades U(i) U(i) + α ( R(i) + U(j) U(i) ) j de Transição α = Learning Rate
36 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Artificial Intelligence: A Modern Approach. Russell & Norvig, 1995 (capit. 20) Exemplo: Seqüências de Treinamento: (1,1) > (1,2) > (1,3) > (1,2) > (1,3) > (1,2) > (1,1) > (2,1) > (3,1) > (4,1) > (4,2) > -1 (1,1) > (1,2) > (1,3) > (2,3) > (3,3) > (4,3) > +1 (1,1) > (1,2) > (1,1) > (1,2) > (1,1) > (2,1) > (3,1) > (3,2) > (4,2) > -1 (1,1) > (1,2) > (1,1) > (1,2) > (1,3) > (2,3) > (1,3) > (2,3) > (3,3) > (4,3) > +1 (1,1) > (2,1) > (3,1) > (2,1) > (1,1) > (1,2) > (1,3) > (2,3) > (3,3) > (4,3) > +1 (1,1) > (2,1) > (1,1) > (1,2) > (1,3) > (2,3) > (3,3) > (3,2) > (4,2) > -1
37 Aprendizado por Reforço (Reinforcement Learning) Aprendizado Semi-Supervisionado Q-Learning: Learning an Action-Value Function The agent learns an action-value function giving the expected utility of taking a given action in a given state Q(a,i) U(i) = Max Q(a,i) a Q-Learning / ADP Adaptive Dynamic Programing Q(a,i) = R(i) + Σ M a ij Max Q(a,j) M a ij = Probabilidade de Transição do estado i ao j j a para uma dada ação a Q-Learning / TD Temporal Difference Learning Q(a,i) Q(a,i) + α ( R(i) + Max Q(a,j) Q(a,i) ) a α = Learning Rate
38 Aprendizado por Reforço (Reinforcement Learning) Reinforcement Learning em Jogos... Aprendizado de Agentes baseado na punição e recompensa Agente Sensores Ações Punição Recompensa Ambiente Vantagens: - Não precisa de um professor - Possibilidade de realizar um aprendizado contínuo Demo:
39 ANN Artificial Neural Networks (Redes Neurais Artificiais) Aprendizado Supervisionado MLP Multi-Layer Perceptron / Algoritmo Back-Propagation X... 1 X 2 X N... W 1 W 2 W N N Net = Σ Wi.Xi + Biais i Ft (Net) Entradas (Dendritos) Pesos Sinápticos (Efeito de inibição ou de excitação sobre a ativação dos sinais de entrada) Ativação (Considera o conjunto total das entradas e dos seus pesos associados) Função de Transferência (Regulagem da saída da rede) Perceptron Saída (Axônio: Conexões com as Sinapses de outras unidades)
40 ANN Artificial Neural Networks (Redes Neurais Artificiais) Aprendizado Supervisionado MLP Multi-Layer Perceptron / Algoritmo Back-Propagation Saída / Output Pesos Unit j MLP Perceptron de Múltiplas Camadas Hidden Layer Wij Saída Camada Oculta Unit i Camada Oculta Entradas / Input A B A B
41 ANN Artificial Neural Networks (Redes Neurais Artificiais) Aprendizado Supervisionado MLP Multi-Layer Perceptron / Algoritmo Back-Propagation Saída Classificação / Regressão (não linear) Saída da Rede: Ai Saída dos Exemplos: Di Aprendizado: Minimizar Erro Quadrático na saída de rede A B Y (0,1) (1,1) (0,0) (1,0) Entrada X Erro quadrático: E = 1 2 Saída = W 1. X + W 2. Y + C Se Saída > 0 então Classe 1 Se Saída <= 0 então Classe 0 i ( Di Ai) Determinar w1 e w2 que satisfaça as restrições... (várias retas, várias restrições/exemplos) 2 Exemplos X,Y: Entradas Di (Xor) X Y XOR Aprendizado: Ajuste dos Pesos Processo Iterativo de Otimização
42 ANN Artificial Neural Networks (Redes Neurais Artificiais) Aprendizado Supervisionado MLP Multi-Layer Perceptron / Algoritmo Back-Propagation Saída de Rede Regressão: Aproximando a Função Seno... Entrada: X = Ângulo Saída: F(X) = Sin(X) Base de Aprendizado
43 ANN Artificial Neural Networks (Redes Neurais Artificiais) Aprendizado Supervisionado Na prática... 1) Criar uma base de dados com exemplos de entradas e saídas 2) Especificar uma topologia de rede neural 3) Definir os parâmetros de aprendizado 4) Simular... Executar o aprendizado até minimizar o erro em um nível aceitável, ou, rever base de dados, topologia e parâmetros Simuladores a considerar... SNNS JNNS (Linux) Java SNNS (Windows) Ferramentas... Interface Gráfica (JNNS / Xgui) Linguagem de Script (batchman Linux / Windows-Dos) Gerador de Aplicações (snns2c Linux / Windows-Dos)
44 ANN: SNNS
45 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Agentes reativos: Robo Khepera C1 C2 C3 C4 C0 C5 M1 M2 C7 C6 IF S1 < Limite and S2 < Limite and S3 > Limite and S4 > Limite THEN Action(Turn_Left) Controle Sensorial-Motor Aprendizado IF S2 > Limite and S3 > Limite and S2 > S3 and S1 > S4 THEN Action(Turn_Right)
46 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Agentes reativos: Robo Khepera C1 C2 C3 C4 Sensores: 8 - C0 à C7 Comandos: 3 ações (L=Turn Left, F=Forward, R=Turn Right) C0 C5 M1 M2 C7 C6 Controle Sensorial-Motor S0 C0 S1 C1 S2 C2 C3 C4 C5 C6 C7 L F R S4 S5 S6 S7 L F R Situações de Aprendizado
47 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Agentes reativos: Resultado do Apredizado... Evitar paredes Seguir paredes Osório Doutorado INPG Grenoble, 1998
48 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Agentes reativos: Apredizado Neural... Snake + ANNeF Jogo Snake Neural : Controle Neural da Cobra Mundo Módulo Neural Visão Serpente Dx Dy Pos. Comida Pos. Serpente Comida Serpente João Bittecourt TC 2002 / Unisinos Snake: Celular Controle Humano
49 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Agentes reativos: Apredizado Neural... MAGES / ANNEF Artigo sobre o MAGES e ANNeF: WJOGOS Fortaleza Criação de Agentes Inteligentes aplicados aos Jogos Eletrônicos usando o Ambiente de Simulação João Ricardo Bittencourt e Fernando Osório
50 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Problemas: Comportamento reativo puro SIM 2.0 C O N T R O L E Controle Básico K H E P E R A Ação Estado Estado Ação Controle Híbrido Comandos do Teclado (Tele-operação) Ação Estado Aprendizado Módulo de Simulação Neural NeuSim Khepera: Descrição dos Mundos Usuário Dados de Aprendizado Arquivo de Pesos Conhecimento Neural Tarefas: Problemas: Evitar as paredes * Tempo / Seqüência Seguir as paredes * Controle bem comportado
51 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Problemas: Comportamento reativo puro Seguir uma trajetória e, ao mesmo tempo, evitar os obstáculos Objetivo Pontos a serem considerados: * Visão local - Cego com a bengala (Global x Local) * Armadilhas - Solução Local (Mínimos locais) * Problema do posicionamento em um mapa global * Modularidade: evitar, seguir, passar,... * Conhecimentos de alto nível: estratégias
52 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Problemas: Comportamento reativo puro Seguir uma trajetória e, ao mesmo tempo, evitar os obstáculos Objetivo Pontos a serem considerados: * Visão local - Cego com a bengala (Global x Local) * Armadilhas - Solução Local (Mínimos locais) * Problema do posicionamento em um mapa global * Modularidade: evitar, seguir, passar,... * Conhecimentos de alto nível: estratégias Solução: Sistema Híbrido!
53 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Mais exemplos Lembrado do SEVA-A? Pois ele foi re-implementado usando uma Rede Neural SEVA-N SEVA - Simulador de Estacionamento de Veículos Autônomos (F.( Heinen Heinen / PIPCA) Sistema Híbrido: Autômato Finito + Rede Neural Reativa
54 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Mais exemplos SEVA - Simulador de Estacionamento de Veículos Autônomos (F.( Heinen Heinen / PIPCA) SEVA-N FSA Neural Artigo descrevendo o SEVA-N: Controle da Tarefa de Estacionamento de um Veículo Autônomo através do Aprendizado de um Autômato Finito usando uma Rede Neural J-CC F. Osório, F. Heinen, L. Fortes SBRN 2002 Porto de Galinhas Sensores Estado Atual Perspectivas: SEVA-3D RNA Cascade Correlation Turn Speed Próximo Estado
55 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Mais exemplos: Modelos Comportamentais Neurais Modelos Comportamentais e Modelos Físicos... Opção 1: Physics for Game Developers. David M. Bourg. O Reilly, Opção 2: Redes Neurais Artificiais usada para simplificar e acelerar a simulação de modelos complexos Behaviour Cloning Neural Physics Modeling Referência clássica: R. Grzeszczuk, D. Terzopoulos, and G. Hinton. "Neuroanimator: fast neural network emulation and control of physics-based models." In SIGGRAPH: Proceedings of the 25th annual conference on Computer graphics and interactive techniques, pp ACM Press, 1998
56 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Modelos Comportamentais Neurais Modelos da Dinâmica do Pêndulo Inverso Simon & Cechin 03 Referência: Extração de um Autômato Finito a partir de Redes Neurais Recorrentes na Modelagem do Pêndulo Inverso. Denise R. P. Simon e Adelmo L. Cechin. IV ENIA Campinas. 2003
57 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Modelos Comportamentais Neurais Modelos Comportamentais... Em algumas situações não dispomos de um modelo matemático do comportamento do sistema dinâmico em questão. Nestes casos, podemos observar o sistema e a partir dos dados de observação treinar uma Rede Neural para aproximar o comportamento do sistema real. ANN em Jogos... Outras Aplicações Possíveis Reconhecimento de Padrões, Controle de Processos e Agentes e aplicações em jogos tradicionais (de tabuleiro).
58 ANN Artificial Neural Networks (Redes Neurais Artificiais) ANN em Jogos... Outras Aplicações Possíveis Reconhecimento de Padrões, Controle de Processos e Agentes e aplicações em jogos tradicionais (de tabuleiro). Processamento de Imagens: Augmented Reality Reconhecimento de Padrões: Interface com dispositivos especiais Data Glove Reconhecimento de Gestos
59 IA para Jogos Aula 03 Tópicos abordados... Aprendizado de máquinas em Jogos Machine Learning for Games Raciocínio baseado em Casos (RBC / CBR) Árvores de Decisão (AD / IDT) Perfil de Usuários Aprendizado por Reforço (RL) Redes Neurais Artificiais (RNA / ANN) Aplicações... Bibliografia Machine Learning. Tom Mitchell, em M.L. Sistemas Inteligentes. Solange Rezende, Redes Neurais. Simon Haykin, C4.5: Programs for machine learning. Ross Quinlan, 1993 Raciocínio Baseado em Casos. Von Wangenheim, 2003.
60 Aprendizado: Aprendizado de Máquinas para Jogos... Outras técnicas possíveis de serem usadas: - Algoritmos Genéticos (custo computacional alto) - Modelos probabilistas / Redes Bayesianas - Lógica Nebulosa - Sistemas Híbridos - Entre outros...
Tópicos Especiais I - Jogos IA para Jogos
Tópicos Especiais I - Jogos IA para Jogos Game AI 03 Fernando Osório 14/10/2003 IA para Jogos Aula 03 Tópicos abordados... de máquinas em Jogos Machine Learning for Games Raciocínio baseado em Casos (RBC
Tópicos Especiais I - Jogos IA para Jogos
Tópicos Especiais I - Jogos IA para Jogos Game AI 04 Fernando Osório 21/10/2003 IA para Jogos Aula 04 Tópicos abordados... (continuação Aula 03) Aprendizado de máquinas em Jogos Machine Learning for Games
Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando em Computação Aplicada - PIP/CA)
Seminário de Pesquisa - Mestrado em Computação Aplicada Robótica Autônoma: Projeto de Sistemas Inteligentes usando Aprendizado de Máquinas Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' #$4!*.+5 #76$8 8'9
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' 2 +3 2#$4!*.+5 #76$8 8'9 :?
Inteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Universidade 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
Robótica Móvel Inteligente: Aplicações da Inteligência Artificial nas Pesquisas em Robótica
! " # $% #'&()(& Robótica Móvel Inteligente: Aplicações da Inteligência Artificial nas Pesquisas em Robótica * +, -. - / 012 34 5 1 6 7 8 7 9 : 7 ;< = >? > 8 @ A B : 8 : B 7 8 @ C 9 D 0 E. F 0,. / 0, +
Aprendizado 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
REDES NEURAIS ARTIFICIAIS: Do Aprendizado Natural Ao Aprendizado Artificial
REDES NEURIS RTIFICIIS: Do prendizado Natural o prendizado rtificial I FORUM DE INTELIGÊNCI RTIFICIL utor/presentador: Prof. Dr. Fernando Osório* ULR Canoas - gosto 1999 * UNISINOS - Centro de Ciências
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/2-3o. Trimestre - AULA 06 / FSO
PIP/C - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação plicada da UIIO 2000/2-3o. Trimestre - UL 06 / FO Professor Responsável: ITEM DPTTIVO ITELIGETE Prof. Dr. Fernando Osório E-Mail:
Aula 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
Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Métodos para Classificação: - Naïve Bayes.
Métodos para Classificação: - 1R; - Naïve Bayes. Visão Geral: Simplicidade em primeiro lugar: 1R; Naïve Bayes. 2 Classificação: Tarefa: Dado um conjunto de exemplos préclassificados, construir um modelo
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
1ª Lista de Exercícios
Universidade Federal de Campina Grande Disciplina: Mineração de Dados Período: 2008.3 Data: 21/10/08 Aluno: Halley F. S. de Freitas 1ª Lista de Exercícios O arquivo de dados é o do tempo: @relation weather.symbolic
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
A evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Classificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
REDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Aprendizagem 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
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Tópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Mineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Aprendizado 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
Redes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5004 - APRENDIZADO DE MÁQUINA
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Aprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Algarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Aprendizagem 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
Aprendizagem 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
Lista 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
Aprendizagem 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
Temas Principais: Tipos de Robôs Sensores e Atuadores Modelos Sensoriais Modelos Cinemáticos Controle Robótico: Controle Reativo Controle
4 e Veículos Autônomos Temas Principais: Tipos de Robôs Sensores e Atuadores Modelos Sensoriais Modelos Cinemáticos Controle Robótico: Controle Reativo Controle Deliberativo Controle Hierárquico Localização
Por que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Pontifícia Universidade Católica de São Paulo Programa de TIDD
Disciplina: 2854 - Sistemas Inteligentes e Ambientes Virtuais Turma A Área de Concentração: Processos Cognitivos e Ambientes Digitais Linha de Pesquisa: Inteligência Coletiva e Ambientes Interativos Professor:
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Aprendizado por Reforço
Aprendizado por Reforço SCC5865-Robótica Roseli A F Romero Introdução O modelo padrão de aprendizado por reforço Aprendizado por Reforço Formalmente, o modelo consiste de: Um conjunto discreto de estados
Redes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Naïve 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
Echo State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Classificação. Eduardo Raul Hruschka
Classificação Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada Combinação de Modelos
serotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
IN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Redes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Método para Classificação: - Naïve Bayes.
Método para Classificação: - Naïve Bayes. Modelagem statística (Bayesiana): Contrariamente ao 1R, usa todos os atributos; Duas premissas: Atributos igualmente importantes; Atributos estatisticamente independentes
Disciplina de Informação Profissional Eng. de Computação SSC0671
USP - ICMC / EESC - SSC Graduação Eng. Comp. SSC 0671 Info Profissional EC - 1o. Semestre 2016 Disciplina de Informação Profissional Eng. de Computação SSC0671 Prof. Fernando S. Osório - Grupo de Robótica
Aprendizado 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
Disciplina de. Robôs Móveis Autônomos SSC-0714
USP - ICMC - SSC SSC 0714 (RMA) - 1o. Semestre 2010 Disciplina de SSC-0714 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário PAE: Maurício Acconcia Dias - macccdias
REDES NEURAIS. Marley Maria B.R. Vellasco. ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada CONTEÚDO
REDES NEURAIS Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos
Aprendizado 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
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Introdução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL IBM RESEARCH NO MUNDO IBM RESEARCH NO MUNDO CIÊNCIA DO COMPORTAMENTO CIÊNCIA DOS MATERIAIS QUÍMICA MATEMÁTICA CIÊNCIA DA COMPUTAÇÃO
Classificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
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: jacsonrcsilva@gmail.com
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? O que é Inteligência Artificial? Área de pesquisa que tem
SCC0173 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:
Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Aurora 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
Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
CC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
JAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Disciplina de. Robôs Móveis Autônomos SSC-0714
USP - ICMC - SSC LRM (Lab. de Robótica Móvel) SSC 0714 (RMA) - 1o. Semestre 2013 Disciplina de SSC-0714 1 Março 2013 Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Estagiário
Inteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
PIPCA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2003/1-2o. Trimestre - AULA 0 (Introdução) / FSO
PIPCA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2003/1-2o. Trimestre - AULA 0 (Introdução) / FSO Professores Responsáveis: INTELIGÊNCIA ARTIFICIAL & SISTEMAS
Robótica Móvel Inteligente: Aplicações da Inteligência Artificial nas Pesquisas em Robótica
! " # $% #'&()(& Robótica Móvel Inteligente: Aplicações da Inteligência Artificial nas Pesquisas em Robótica * +, -. - / 012 34 5 1 6 7 8 7 9 : 7 ;< = >? > 8 @ A B : 8 : B 7 8 @ C 9 D 0 E. F 0,. / 0, +
Universidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC3311 - Inteligência Artificial
Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Redes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Redes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
INTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
JADEX: A BDI REASONING ENGINE. Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp.
JADEX: A BDI REASONING ENGINE Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp. 149-174 Volume 15 Motivação Existem muitas plataformas para desenvolvimento
1R: 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
INF 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
Weka. Universidade de Waikato - Nova Zelândia. Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining
Weka Universidade de Waikato - Nova Zelândia Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining implementado em Java open source software http://www.cs.waikato.ac.nz/ml/weka/
Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 4 Tipos de Agentes Inteligentes Racionais e Ambientes
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 4 Tipos de Agentes Inteligentes Racionais e Ambientes 1 Um programa de IA pode ser visto como um Agente Racional Plano da aula Ambientes e arquiteturas
Fabrício Jailson Barth BandTec
Introdução à Inteligência Artificial Fabrício Jailson Barth fabricio.barth@bandtec.com.br BandTec 1 o semestre de 2012 Objetivos e Sumário O que é Inteligência Artificial (IA)? Objetivos da IA. Influência
Ambientes Virtuais Interativos e Inteligentes: Fundamentos, Implementação e Aplicações Práticas. Ambientes Virtuais Interativos e Inteligentes
Ambientes Virtuais Interativos e Inteligentes: Fundamentos, Implementação e Aplicações Práticas Fernando S. Osório Soraia Raupp Musse Cássia Trojahn dos Santos Farlei Heinen Adriana Braum André Tavares
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? O que é Inteligência Artificial? Área de pesquisa que tem como
Tópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Inteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Árvores 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
Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Redes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
CRI Minas Indústria 4.0. Case Vallourec: Golden Batch na produção de tubos
CRI Minas Indústria 4.0 Case Vallourec: Golden Batch na produção de tubos 02 05 2018 G o l d e n B a t c h A n a l y s i s Case Vallourec Líder mundial em soluções tubulares premium, a Vallourec assegura