REDES NEURAIS ARTIFICIAIS
|
|
- Ísis Santarém Amorim
- 6 Há anos
- Visualizações:
Transcrição
1 REDES NEURIS RTIFIIIS urso de Informática Semestre 2001/2 Professor Responsável: Prof. Dr. Fernando Osório Web: TEMS DE ESTUDO: Hybrid Machine Learning Tools / Sistemas Híbridos Inteligentes onceitos básicos: Inteligência e prendizado Soluções Híbridas Representação de onhecimentos: Métodos Simbólicos e Métodos onexionistas - prendizado de Máquinas Sistemas Híbridos Inteligentes Sistemas Híbridos Neuro-Simbólicos SYNHESYS KNN INSS Discussão final ibliografia e Material omplementar 1
2 Inteligência: do Humano ao rtificial REPRODUZIR INTELIGÊNI HUMN - O que é Inteligência? - O que é um ser Inteligente? Inteligência: do Natural ao rtificial REPRODUZIR INTELIGÊNI HUMN - O que é Inteligência? - O que é um ser Inteligente? * ssociação de idéias e conceitos * oncluir coisas * apacidade de aprendizado * cúmulo de conhecimentos * Raciocínio: lógico, abstrato, dedução, analogia, indução, inferência, síntese, análise * Uso prático de experiências e conhecimentos passados * Tomada de decisões * riar coisas novas (criatividade) * Saber o que eu sei (saber explicar) * Interação * omunicação 2
3 Inteligência rtificial: onceitos ásicos REPRODUZIR INTELIGÊNI HUMN - onceito de Inteligência: PIDDE DE RESOLVER PROLEMS PIDDE DE PRENDER PIDDE DE SE DPTR / MELHORR - Realizar tividades Inteligentes - Sistemas Inteligentes: * Sistemas Especialistas * Sistemas de poio ao Diagnóstico e a Decisão * Reprodução de atividades típicas dos seres humanos: Fala, udição, Visão, Deslocamento, Manipulação de Objetos, etc. * Jogos: jogo da velha, xadrez, jogos de ação Sistemas Híbridos - Uma nova abordagem * aracterísticas / Propriedades: - Explorar a complementaridade dos módulos - Divisão de tarefas / Especialização - Modularidade = Múltiplas inteligências - Diversificação dos conhecimentos: Representação dos conhecimentos Novas fontes de conhecimentos Principal exemplo: SER HUMNO 3
4 Inteligência rtificial: Soluções Híbridas Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de onhecimentos Múltiplos Sistemas Híbridos * Sistemas Especialistas de 1a. Geração: - quisição manual de conhecimentos - Problemas: ase de onhecimentos (regras e fatos) * Sistemas Especialistas de 2a. Geração: - quisição automática de conhecimentos - Integração de diferentes métodos da I.. Sistemas Híbridos Inteligência rtificial: Soluções Híbridas Inteligência Humana Inteligência rtificial prendizado Humano prendizado de Máquinas Métodos de Raciocínio e quisição de onhecimentos Múltiplos Sistemas Híbridos Sistemas Inteligentes Híbridos Projeto de Pesquisa HMLT - Hybrid Machine Learning Tools Ferramentas Híbridas de prendizado para o Máquinas oordenador... Prof. Fernando Osório olsistas de Iniciação ientífica... arla Medeiros arros (ex-bolsista) João Ricardo de ittencourt Menezes Rafael Guterres Jeffman Mestrando... Farlei Heinen (PIP/ 2000) ooperação: Laboratoire LEINIZ - Grenoble, França 4
5 Inteligência rtificial: prendizado de Máquinas Inteligência rtificial Sistemas Inteligentes prendizado de Máquinas Representação de onhecimentos Sistemas Especialistas KS, robótica, visão artificial,... R, ILP, indução de árvores de decisão, redes neurais algoritmos genéticos,... Métodos Simbólicos Métodos baseados em: Redes Neurais rtificiais Regras Fuzzy Regras ayesianas (probab.) Métodos Simbólicos: quisição de onhecimentos ase de onhecimentos (regras + fatos) onversão para um formato de representação interno quisição Explicitação utomática onhecimentos sobre uma área de aplicação: onhecimentos do especialista Teorias sobre o domínio de aplicação Resultados de experiências praticas (casos conhecidos) 5
6 Métodos Simbólicos: Representação de onhecimentos * Sistemas baseados em conhecimentos: KS - Knowledge ase Systems, Expert Systems (Frames e Redes Semânticas) Rule asedsystems, Production Rule Systems * Sistemas baseados em regras de lógica difusa ou nebulosa Fuzzy Expert Systems * Sistemas baseados em probabilidades Redes ayesianas * Sistemas baseados em casos ou exemplos R - ase ased Reasoning * Árvores de decisão IDT - Inductive Decision Trees * lgoritmos Genéticos G - Genetic lgorithms Sistemas Especialistas baseados em onhecimento Simbólico Dado um problema: ssume-se usualmente => onhecimento é ompleto e orreto Métodos Simbólicos: Representação de onhecimentos onhecimentos Teóricos XOR = ( Or ) nd Not ( nd ) ou XOR = ( nd Not ( ) ) Or ( Not ( ) nd ) onhecimentos Empíricos XOR
7 Métodos Simbólicos: Representação de onhecimentos onhecimentos Teóricos / Simbólicos Se existem 2 casas na horizontal, vertical ou diagonal com uma marca do jogador oponente e a terceira casa está livre Então jogar nesta casa! onhecimentos Empíricos / Dados X2 X O1 O3 X4 O5 Métodos de prendizado de Máquinas prendizado por analogia / por instâncias Sistemas baseados em casos R - ase ased Reasoning prendizado por Indução Indução de Árvores de Decisão ID3, 4.5, N2 - Induction of Decision Trees ILP - Inductive Logic Programming (Prolog) prendizado por evolução/seleção lgoritmos Genéticos G e GP - Genetic lgorithms / Genetic Programming prendizado por reforço (reinforcement learning) prendizado ayesianno (probabilista) prendizado Neural MLP ack-propagation - rtificial Neural Networks 7
8 SE DE DDOS SORE O PROLEM NÚMERO ÉU TEMPERTUR HUMIDDE VENTO LSSE 1 ensolarado elevada alta não N 2 ensolarado elevada alta sim N 3 coberto elevada alta não P 4 chuvoso média alta não P 5 chuvoso baixa normal não P 6 chuvoso baixa normal sim N 7 coberto baixa normal sim P 8 ensolarado média alta não N 9 ensolarado baixa normal não P 10 chuvoso média normal não P 11 ensolarado média normal sim P 12 coberto média alta sim P 13 coberto elevada normal não P 14 chuvoso média alta sim N Tabela onjunto de dados de aprendizado : ondições meteorológicas N = Negativo (tempo ruim) P = Positivo (tempo bom) SIMÓLIO P=2 N=3 Ensolarado HUMIDDE ÉU oberto P=9 N=5 huvoso VENTO P=3 N=2 Normal lta Verdadeiro P Falso P=4 Questão (corte) aso Positivo (P) aso Negativo (N) P P=2 N N=3 N N=2 P P=3 lasse (folha) IF ( ( ÉU=Ensolarado and HUMIDDE=Normal ) or ( ÉU=oberto ) or ( ÉU=huvoso and VENTO=Falso) ) Then lasse = P RVORE DE DEISÃO 8
9 Métodos Simbólicos: Árvores de Decisão Y ção3 ção2 ção3 Entradas: X = [0..30] Y = [0..20] Saídas (ções): ção1, ção2, ção3 Árvore de Decisão: Sim Y<=10 Não 6 4 ção1 ção1 Sim X<=10 Não 2 ção X prendizado de Máquinas: lgoritmos Genéticos Reprodução Seleção Natural (Fitness) ombinação (rossover) Mutação População Original 9
10 prendizado de Máquinas: lgoritmos Genéticos XOR :- XOR :- XOR XOR : = ( or ) nd Not ( nd ) Reprodução ombinação Mutação Ok? lgumas gerações depois... XOR :- XOR :- or XOR :- and XOR :- Not () XOR :- Not () XOR :- or XOR :- Not() XOR :- Not () Seleção: Melhor Fitness Métodos Simbólicos: Vantagens e Desvantagens + onhecimento representado por regras (ou outra estrutura similar) que podem ser facilmente interpretadas e analisadas; + Permite a explicação do processo que levou a uma determinada resposta; + Fácil inserção de novos conhecimentos obtidos à partir do especialista ou através de métodos automáticos de aquisição de conhecimentos; - Necessidade de se trabalhar com conhecimentos completos e exatos sobre um determinado problema; - Dificuldade de explicitar todos os conhecimentos relativos ao problema através de regras simbólicas; - Dificuldade para tratar informações imprecisas ou aproximadas, e valores numéricos (dados quantitativos). 10
11 I.. - Métodos onexionistas: onceitos ásicos Redes Neurais rtificiais: Neurônio... Modelo Simulado Modelo SIMPLIFIDO aracterísticas ásicas: daptação prendizado utômato Representação de onhecimentos: aseada em onexões X 1 X 2 X N... Entradas (Dendritos) NEURL... W 1 W 2 W N Pesos Sinápticos (Efeito de inibição ou de excitação sobre a ativação dos sinais de entrada) N Net = Σ Wi.Xi + iais i tivação (onsidera o conjunto total das entradas e dos seus pesos associados) Fct (Net) Função de tivação (Regulagem da saída da rede) Saída (xônio: onexões com as Sinapses de outras unidades) 11
12 Métodos onexionistas: Representação de onhecimentos Reta, Plano ou Hiper-plano de separação das classes -1 lasse : X*W1+Y*W2 < 0 Entrada Y +1-1 X 1 Y 1 P(X 1,Y 1 ) - lasse - lasse P(X 1,Y 1 ) = lasse lasse : X*W1+Y*W2 > 0 Entrada X +1 Entradas: X, Y Reta: X*W1+Y*W2=0 Métodos onexionistas: Representação de onhecimentos Y Redes à base de Protótipos : Entradas - X,Y Saída - lasses (, ou ) Y 2 Y 1 Y 3 : Exemplos da classe : Exemplos da classe : Exemplos da classe X 1,Y 1 - Protótipo da classe X 2,Y 2 - Protótipo da classe X 3,Y 3 - Protótipo da classe Protótipos: * entro de Gravidade * Raio de influência (x,y) Teste de similaridade: * Distância Euclidiana X 1 X 2 X 3 X 12
13 Saída Saídas amada Oculta amadas Ocultas Entradas (a) Rede de três camadas (b) Rede com atalhos (c) Rede com múltiplas camadas tv = Σ W 1 +W 2 +W 3 W 3 W 1 W2 X Redes (d) Rede recorrente (e) Rede de ordem superior Neurais Erro na Saída da Rede PRENDIZDO: GENERLIZÇÃO prendizado: Parada tardia Dados de Teste Dados de prendizado Número de Épocas Erro na Saída da Rede Parada usando a Validação ruzada (ponto ótimo de generalização) Dados de Teste Dados de prendizado Número de Épocas 13
14 Métodos onexionistas: Vantagens e Desvantagens + quisição automática de conhecimentos empíricos à partir de uma base de exemplos de aprendizado referente a um problema; + Manipulação de dados quantitativos, aproximados e mesmo incorretos com uma degradação gradual das respostas; + Grande poder de representação de conhecimentos através da criação de relações ponderadas entre as entradas do sistema; - Dificuldade de configuração das redes em relação à sua estrutura inicial e também no que se refere aos parâmetros dos algoritmos de aprendizado; - Dificuldade de explicitar os conhecimentos adquiridos pela rede através de uma linguagem compreensível para um ser humano; - Dificuldade de convergência (bloqueios) e instabilidade, inerentes aos algoritmos de otimização empregados; - Lentidão do processo de aprendizado / adaptação. Sistemas Híbridos Inteligentes * onceitos ásicos: - omplementaridade - Divisão de tarefas / Especialização - Modularidade - Diversificação: Representação de onhecimentos Fontes de quisição de onhecimentos Exemplo: SER HUMNO 14
15 Sistemas Híbridos Inteligentes * ombinar as diferentes técnicas: - Árvores de Decisão - lgoritmos Genéticos - Redes Neurais rtificiais - S (ase ased Reasoning = Raciocínio baseado em asos) - RS (Rule ased Systems = Sistemas baseados em Regras) - Regras Nebulosas (Fuzzy Rules) - Sistemas Probabilistas (ayesian)... * Exemplos: Neuro+IDT, Neuro+Fuzzy, Neuro+R, Neuro+G, RS+R, G+RS,... Sistemas Híbridos Inteligentes: Integração * Módulos ásicos: - Métodos Simbólicos: R, KS, IDT, G, Fuzzy,... - Métodos onexionistas: Redes Neurais * Tipos de Integração: - Simbólico-Difuso - Simbólico-Genético - Neuro-Genético - Neuro-R - Neuro-Simbólicos Neuro-Fuzzy Neuro- IDT Neuro-KS 15
16 Sistemas Híbridos Neuro-Simbólicos S.H.N.S. Sistemas Híbridos Neuro-Simbólicos onexionista Puro Puramente onexionista = Módulo onexionista «simbólico» Módulo Simbólico + Módulo onexionista Puramente Simbólico = Módulo Simbólico «estendido» Simbólico Puro Sistemas Híbridos Método Unificado Método Híbrido Método Unificado Híbrido no sentido amplo Híbrido no sentido restrito Híbrido no sentido amplo 16
17 X Y X X Y mbiente / Usuário (a) Processamento em adeia mbiente / Usuário (b) Sub-Processamento X Y M MS mbiente / Usuário SHNS (c) Meta-Processamento mbiente / Usuário (d) o-processamento M: Módulo onexionista - MS: Módulo Simbólico X,Y: M ou MS - X diferente de Y quisição de onhecimentos onhecimentos Teóricos "Regras" quisição de onhecimentos "Exemplos" onhecimentos Empíricos 17
18 quisição de onhecimentos onhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de onhecimentos "Exemplos" onhecimentos Empíricos Módulo M onexionista quisição de onhecimentos onhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de onhecimentos "Exemplos" onhecimentos Empíricos Módulo M onexionista 18
19 quisição de onhecimentos Sistema Híbrido Neuro-Simbólico onhecimentos Teóricos "Regras" Módulo Simbólico MS quisição de onhecimentos "Exemplos" onhecimentos Empíricos Transferência de onhecimentos Módulo M onexionista Sistemas Híbridos Neuro-Simbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward haining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation ompilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo ascade-orrelation ompilação de regras, aprendizado, extração e validação 19
20 Sistema SYNHESYS Situação Expert Módulo Simbólico Transferência de onhecimentos Módulo onexionista Decisão Gestionário de interações Decisão Expert Sistema SYNHESYS Y Entradas - X,Y Saída - lasse (, ou ) Y 2 Y 1 Y 3 : Exemplos da classe : Exemplos da classe : Exemplos da classe X 1,Y 1 - Protótipo da classe X 2,Y 2 - Protótipo da classe X 3,Y 3 - Protótipo da classe Protótipos: * entro de Gravidade (x,y) * Raio de influência (rx,ry) Teste de similaridade: * Distância Euclidiana X X 1 X 2 X 3 Protótipos: Hiper-elipsoides / Hiper-Esferas 20
21 Sistema SYNHESYS Y ção3 ção2 ção Protótipos: Hiper-retângulos ção3 Entradas: X = [0..30] Y = [0..20] Saídas (ções): ção1, ção2, ção3 Regras: R1: Se Y in [0..10] então Y_Fraco R2: Se Y in [10..20] então Y_Forte R3: Se X in [0..10] então X_Fraco R4: Se X in [10..20] então X_Médio R5: Se X in [20..30] então X_Forte R6: Se Y_Fraco então ção1 R7: Se Y_Forte e X_Fraco então ção3 R8: Se Y_Forte e X_Forte então ção3 R9: Se Y in [14..20] e X_Médio então ção2 X Ds : Decisão do Módulo Simbólico Dc : Decisão do Módulo onexionista Dsc : Decisão Simboli-onexionista pagar ou adicionar uma regra S I T U Ç Ã O Sem Resposta Módulo onexionista Forward haining Módulo Simbólico ackward haining Dc Ds Dc=Ds Dc Ds Dsc Ds/Dc D E I S Ã O E X P E R T Synhesys prendizado / daptação (Pode usar Ds) 21
22 Sistemas Híbridos Neuro-Symbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward haining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation ompilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo ascade-orrelation ompilação de regras, aprendizado, extração e validação Sistema KNN onhecimentos simbólicos iniciais Rede Neural inicial Rede Neural após o aprendizado onhecimentos simbólicos refinados ompilação de regras dentro de uma rede prendizado onexionista Extração de regras à partir de uma rede 22
23 Sistema KNN ase de onhecimentos Simbólicos onclusões Finais Rede Neural rtificial Unidades de Saída onclusões Intermediárias amada Oculta Fatos de ase (Premissas) Unidades de Entrada KNN - Regras e Redes onhecimentos Teóricos XOR = ( Or ) nd Not ( nd ) ou XOR = ( nd Not ( ) ) Or ( Not ( ) nd ) onhecimentos Empíricos XOR Sistema KNN onhecimentos sobre um domínio de aplicação KNN - quisição de onhecimentos 23
24 Sistema KNN Operador E - onjunção: X :-,, Not(), Not(D). W > 0 P = 2 X ias: (-P+0.5)*W Operador OU - Disjunção: X :-. X :-. X :-. X :- D. W > 0 X ias: -0.5*W W W -W -W W W W W D D KNN - ompilação de Regras Sistema KNN RN : Multi-Layer Perceptron (MLP) - lgoritmo utilizado : ack-propagation Medida do Erro onfiguração Inicial Minimização do Erro: álculo baseado no gradiente da curva de erro Mudanças na onfiguração dos Pesos Sinápticos onfiguração Final (após adaptação) Mínimos Locais Mínimo Global KNN - prendizado 24
25 lgoritmo SUSET Sistema KNN X ias: θ = -5.0 X :=,,. X :=,, not(d). X :=,, not(d). X :=,, not(d) D IF ( and and ) or ( and and Not(D)) or ( and and Not(D)) or ( and and Not(D)) THEN X KNN - Extração de Regras Sistema KNN Pontos fracos do Sistema KNN lgoritmo de aprendizado pouco eficiente (ack-propagation) Redes Neurais estáticas ases de conhecimentos (regras e exemplos) com problemas significativos de incompletitude ou de incorreção Mudança do significado das unidades inseridas na rede neural Processo de extração de regras muito pesado (complexo) Extração de regras : implica na análise de todas as unidades da rede Utiliza unicamente regras simbólicas muito simples (compilação e extração) Regras de produção IF/THEN - Representação de conhecimentos pobre Dificuldade para trabalhar com atributos quantitativos (variáveis contínuas) 25
26 Sistemas Híbridos Neuro-Symbólicos 1. SYNHESYS -. Giacometti Symbolic and NEural Hybrid Expert SYstem Shell Rede incremental baseada em protótipos - RN2 Módulo simbólico de inferência com «Forward/ackward haining» 2. KNN - G. Towell Knowledge ased rtificial Neural Networks Rede do tipo MLP com uso do algoritmo ack-propagation ompilação de regras em uma RN, aprendizado e extração de regras 3. INSS - F. Osório Incremental Neuro-Symbolic System Rede incremental do tipo MLP com uso do algoritmo ascade-orrelation ompilação de regras, aprendizado, extração e validação Sistema INSS onhecimentos Teóricos onhecimentos Empíricos quisição de onhecimentos (Expert / Engenheiro de onhecimentos) Regras Módulo de Validação Exemplos MS Módulo Simbólico Inserção de Regras Extração de Regras M Módulo onexionista [RN] Transfêrencia de onhecimentos INSS - Incremental Neuro-Symbolic System 26
27 Sistema INSS Regras Simbólicas lips MÓDULO SIMÓLIO onversor Regras > Rede Neuomp Rede Inicial Sistema INSS Regras Simbólicas lips MÓDULO SIMÓLIO MÓDULO ONEXIONIST NeuSim onversor Regras > Rede Neuomp Rede Inicial Rede Refinada Exemplos 27
28 Sistema INSS Regras Simbólicas lips MÓDULO SIMÓLIO MÓDULO ONEXIONIST NeuSim onversor Regras > Rede Neuomp Rede Inicial Rede Refinada Regras Refinadas onversor Rede > Regras Extract Exemplos Sistema INSS Regras Simbólicas lips MÓDULO SIMÓLIO MÓDULO ONEXIONIST NeuSim Exemplos onversor Regras > Rédes Neuomp Rede Inicial Rede Refinada Regras Refinadas onversor Redes > Regras Extract M Ó D U L O D E V L I D Ç Ã O 28
29 Sistema INSS Regras Simbólicas lips MÓDULO SIMÓLIO MÓDULO ONEXIONIST NeuSim Exemplos onversor Regras > Rede Neuomp Rede Inicial Rede Refinada Regras Refinadas onversor Rede > Regras Extract M Ó D U L O D E V L I D Ç Ã O INSS : ompilação de Regras $Features: :binary; :binary. $End_Feat. $Rules: _OR_ <- ; _OR_ <- ; _ND_ <-,; XOR <- _OR_, _ND_(false). $End_rules. $End. %% %% Exclusive Or - Lógica ooleana %% Xor = ( Or ) nd Not( nd ) %% _OR_ XOR Wij / ias _ND_ 29
30 INSS: ompilação de Regras Regras de ordem 0 + Valor de Saída Valor de Entrada (Trait) Valor de Entrada (Trait) Greater_Than (Variável, Valor) In_Range (Variável, Min, Max) Greater_Than (Variável, Variável) Equal (Variável, Valor) Less_Than (Variável, Valor) Equal (Variável, Variável) Less_Than (Variável, Variável) INSS : Rede Neural Incremental lgoritmo ascade-orrelation (asor) 30
31 INSS e Rule_Out : Extração de Regras lgoritmo de extração de regras : SUSET [Towell] RULE_OUT: * Extrair os novos conhecimentos adquiridos * Extrair as regras mais importantes - Seleção das unidades (neurônios) para a extração - Seleção das conexões para a extração * Em estudo : regras de ordem 0 + (Fuzzy) X Vantagens: * Extração incremental de conhecimentos * Validação dos conhecimentos adquiridos INSS : Validação dos onhecimentos onhecimentos Teóricos R1 : If ( Or ) Then XOR=1 R2 : If Not ( nd ) Then XOR=1 R3 : If ( nd ) Then XOR=0 R4 : If Not () nd Not ( ) Then XOR=0 onhecimentos Empíricos Ex. XOR E E E E (! ) Validação Incoerência entre R3 (Saída=0) e E4 (Saída=1) Não existem regras que satisfaçam E4 31
32 Sistema INSS Pontos fortes do Sistema INSS lgoritmo de aprendizado com um ótimo desempenho (ascade-orrelation) Rede Neural do tipo incremental Permite o uso de conhecimentos (regras e exemplos) incompletos ou incoerentes Não modifica o significado das unidades inseridas na rede Processo incremental de extração de regras Extração de regras: análise parcial da rede (+ eficaz) Utiliza regras simbólicas de ordem 0 e 0 + (compilação) Trabalha com atributos quantitativos (variáveis contínuas) e qualitativos (variáveis discretas) prendizado de Máquinas onstrutivo Sistema INSS : plicações Problemas rtificiais de lassificação (Monk s Problems - S. Thrun) juda ao Diagnóstico Médico - omas Tóxicas (Projeto Esprit MIX) Robótica utônoma (Robô móvel Khepera) Problema da alança (alance Scale Problem - T. Shultz) 32
33 onsiderações Finais onhecimentos : regras / exemplos - incompletos / incoerentes lgoritmos de aprendizado eficientes Redes Neurais do tipo incremental / Redes Recorrentes ompilação e extração de regras de alto nível tributos quantitativos e qualitativos Validação dos conhecimentos adquiridos Evolução dos conhecimentos de forma continuada umento do poder de representação de conhecimentos Integração de múltiplos módulos: R, Fuzzy, G,... Sistema Híbrido Neuro-Simbólicos Hybrid Machine Learning Tools TEMS DE PESQUIS SORE SISTEMS HÍRIDOS * LIVROS: Obra clássica: ;^) OSORIO, F. S. INSS: Un Système Hybride Neuro-Symbolique pour l pprentissage utomatique onstructif. Thèse de Doctorat - INPG, IMG. Grenoble Nikolopulos, hris. Expert Systems - Introduction to 1st and 2nd Generation and Hybrid Knowledge ased Systems. Marcel Deker, Kandel, & Langholtz, G. Hybrid rchitectures for Intelligent Systems. R Press, oca Raton, Florida, Sun, Ron & lexandre, Frederic. onnectionist Symbolic Integration: From Unified to Hybrid pproaches. Lawrence-Erlbaum ssociates, Ian loete, Jacek Zurada. Knowledge ased Neuroomputing. MIT press, * PESQUISDORES: Ron Sun, V. Honavar, Medsker, Jude Shavlik, Geoffrey Towell, Dean Pomerleau, J. Fletcher Minski, LiMin Fu, Gallant, Hayes-Roth, Kasabov, Nauck, R. ndrews, Frasconi, Gori. F. Rocha, Ricardo Machado Melanie Hilario, hristian Pellegrini, Yanick Lallement, Fréderic lexandre F. Osório,. my, D. Memmi,. Orsier, M. Malek,. Giacometti / Projeto Europeu MIX Laboratoire Leibniz - Equipe Réseaux - * INTERNET: ENI 99 Lista de ibliografias
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
Leia maisSistemas Híbridos Inteligentes: Aprendizado e Integração Neuro-Simbólica
Sistemas Híbridos Inteligentes: prendizado e Integração Neuro-Simbólica >> HMLT - Hybrid Machine Learning Tools
Leia maisDesenvolvido 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
Leia maisSistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
Sistemas Inteligentes baseados em Redes eurais rtificiais aplicados ao Processamento de Imagens Coordenador do Projeto: Prof. Dr. Fernando Osório olsista CPq : João Ricardo ittencourt UISC - Santa Cruz
Leia maisGT-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
Leia maisRedes Neurais Artificiais
Redes Neurais rtificiais Histórico, Modelos e prendizado Neural Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório Centro de Ciências Exatas e Tecnológicas - C6 / E-mail:
Leia maisInteligência 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
Leia maisPIPCA - 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
Leia maisTópicos 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
Leia maisSistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens
I WORKSHOP DE INTELIGÊNCI RTIFICIL UNISC Universidade de Santa Cruz do Sul Departamento de Informática- Junho 2000 Seminário Sistemas Inteligentes baseados em Redes Neurais rtificiais aplicados ao Processamento
Leia maisRedes 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
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 05 Sistemas Especialistas Max Pereira Sistemas Especialistas Pesquisadores de IA queriam desenvolver
Leia maisKD O conhecimento: formas de representação e explicitação
KD O conhecimento: formas de representação e explicitação delmo L. Cechin* Fernando S. Osório** Resumo descoberta de conhecimentos (KD - Knowledge Discovery) a partir de bases de dados é um processo que
Leia maisINF 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
Leia maisTópicos 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
Leia maisTÓPICOS 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
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-Jei - Curso de esenv. de Jogos I para Jogos Fernando Osório 2006/2-0 I para Jogos Tópicos abordados... Revisão Introdução à Inteligência rtificial I clássica: Jogos de Raciocínio Solução de problemas
Leia maisInteligência 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
Leia maisSistemas Híbridos Inteligentes
Sistemas Híbridos Inteligentes Congresso da SBC - ENIA 99 Autores: Prof. Dr. Fernando Osório Prof.ª Dr.ª Renata Vieira Rio de Janeiro - Julho 1999 UNISINOS - Centro de Ciências Exatas e Tecnológicas -
Leia maisINTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
Leia maisRoteiro. Introdução. Introdução. Introdução. Abordagens. Aprendizado de máquina. (machine learning) Introdução. Arquitetura
Aprendizado de Máquina (machine learning) Introdução abordagens técnicas Arquitetura Roteiro Introdução Dificuldade classificação síntese aprendizado de máquina (simbólico) Definição: Learning denotes
Leia maisRedes Neurais. Métodos Híbridos de Aprendizagem A rede KBANN. Métodos híbridos de aprendizagem. Prof. Paulo Martins Engel
Métodos híbridos de aprendizagem Redes Neurais Métodos Híbridos de prendizagem rede KBNN Métodos híbridos de aprendizagem utilizam tanto conhecimento teórico de um domínio, como um conjunto de exemplos
Leia maisINTELIGÊNCIA: Do Humano ao Artificial
Inteligência Artificial e Aprendizado de Máquinas Conceitos Básicos: Machine Learning e Redes Neurais Artificiais Unisinos - 2001/2 Curso de Informática Disciplina: Redes Neurais Prof. Fernando Osório
Leia maisInteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
Leia maisserotonina (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)
Leia maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
Leia maisMinicurso: 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
Leia maisInteligência 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
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisInteligência 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
Leia maisIntrodução 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
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisTópicos 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
Leia maisAprendizado 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
Leia maisClassificação 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
Leia maisMulti-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
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisInteligência 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
Leia mais2. 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
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL INTRODUÇÃO Prof. Thiago A. S. Pardo PRIMÓRDIOS DA IA Alan Turing Computer Machinery and Intelligence LISP Primeiro Projeto Japonês Segundo Projeto Japonês Surge o termo Artificial
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia mais3 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
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisIntrodução. Inteligência Computacional. Prof. João Alberto Fabro
Introdução Inteligência Computacional Prof. João Alberto Fabro Estrutura da Apresentação Início Inteligência Artificial... O que se estuda! Como foi estudado... (Sistemas Especialistas) Estrutura da Apresentação
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisRedes 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
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC
Inteligência Artificial Escola de Verão 2008 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Sistemas Especialistas e Representação do Conhecimento Sistema
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisRepresentação 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
Leia maisAprendizagem 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
Leia maisINTELIGÊNCIA 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
Leia mais2. 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
Leia maisInteligência 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.
Leia maisJAI 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
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/2-3o. Trimestre - AULA 01 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/2-3o. Trimestre - AULA 01 / FSO Professor Responsável: SISTEMAS ADAPTATIVOS INTELIGENTES Prof. Dr. Fernando
Leia maisEvandro Deliberal Aula 01
Evandro Deliberal evandro@deljoe.com.br https://www.linkedin.com/in/evandrodeliberal http://www.deljoe.com.br/professor Aula 01 Agenda DATA MINING. Data mining Motivações Grande disponibilidade de dados
Leia maisRedes 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
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisIntrodução 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 -
Leia maisInteligência 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
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisSistemas Especialistas e Representação do Conhecimento. Sistemas Especialistas e Representação do Conhecimento. Sistema Especialista
Sistemas Especialistas e Representação do Conhecimento Sistemas Especialistas e Representação do Conhecimento -programa que comporta-se como um expert em algum domínio restrito de aplicação. -capaz de
Leia maisFabrício 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
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisMulti-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
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação plicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada -
Leia maisInteligência Computacional para Jogos Eletrônicos
Inteligência Computacional para Jogos Eletrônicos Papéis da IA em Jogos Adversários Aliados Personagens de apoio NPC s (Non-player Character) Comentaristas Controle de câmera Geração de fases Nivelamento
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisPontifícia 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:
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisInteligência Artificial
Inteligência Artificial Sistemas Especialistas Raciocínio e Mecanismos de Inferência Arquitetura de um SE típico Interface com o Usuário: Perguntas e respostas; Linguagem natural Editor da Base de Conhecimento
Leia maisResolução da Prova 1 SCC Redes Neurais 2o. Semestre de Prof. João Luís
Resolução da Prova 1 SCC-5809 - Redes Neurais 2o. Semestre de 2011 - Prof. João Luís RESOLUÇÃO (2) 1. A figura abaixo mostra uma rede neural com um único neurônio escondido. Mostre que essa rede resolve
Leia maisDisciplina 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
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisAprendizado de Máquina
Aprendizado de Máquina O que é Aprendizado? Memorizar alguma coisa Aprender fatos por meio de observação e exploração Melhorar habilidades motoras/cognitivas por meio de prática Organizar novo conhecimento
Leia maisParadigma 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
Leia maisRedes 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
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisInteligência Artificial: Introdução
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Inteligência Artificial: Introdução DCA0121 Inteligência Artificial Aplicada Daniel Enos / Heitor Medeiros
Leia maisSistemas 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.
Leia maisINTELIGÊNCIA 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
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL INTRODUÇÃO
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL INTRODUÇÃO Professor Ricardo Kerschbaumer ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Plano de Ensino http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/
Leia maisIntrodução aos Sistemas Especialistas. Professor Celso A A Kaestner, Dr. Eng.
Introdução aos Sistemas Especialistas Professor Celso A A Kaestner, Dr. Eng. 1 Inteligência Artificial O campo da Inteligência Artificial (IA) tenta compreender as entidades inteligentes para construir
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisFERRAMENTA PARA O DESENVOLVIMENTO DE REDES NEUROFUZZY
FERRAMENTA PARA O DESENVOLVIMENTO DE REDES NEUROFUZZY NÍRIA B. FERREIRA, MERISANDRA C. DE MATTOS, EVELISE C. ZANCAN, PRISCYLA WALESKA T. A. SIMÕES Grupo de Pesquisa em Inteligência Computacional Aplicada,
Leia maisAula 6 TECNOLOGIA EM JOGOS DIGITAIS INTELIGÊNCIA ARTIFICIAL PARA JOGOS. Marcelo Henrique dos Santos
Aula 6 TECNOLOGIA EM JOGOS DIGITAIS INTELIGÊNCIA ARTIFICIAL PARA JOGOS Marcelo Henrique dos Santos Marcelo Henrique dos Santos Mestrado em Educação (em andamento) MBA em Negócios em Mídias Digitais MBA
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 05 Sistemas Especialistas Sumário Sistemas especialistas Definição de sistemas especialistas Estrutura de um
Leia maisSistemas Inteligentes - Redes Neurais -
Sistemas Inteligentes - Redes Neurais - Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio Introdução CONTEÚDO Motivação, Objetivo, Definição, Características
Leia mais