Aprendizagem de Máquinas

Transcrição

1 Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1

2 Aprendizagem de Máquinas 2

3 Inteligência Artificial: O que foi visto?? Sistemas Inteligentes Base de Conhecimento Representação Manipulação Atuação dos Agentes Agentes responsáveis pela representação e manipulação do conhecimento recebido. Agentes baseados em busca. Agentes baseados em lógica. 3

4 Inteligência Artificial x Aprendizagem de Máquinas Processo de Aprendizagem Sistemas Inteligentes Base de Conhecimento Aquisição Representação Manipulação Aprendizagem é a essência da Inteligência. A máquina aprende ampliando a base de conhecimento através de algoritmos de aprendizagem. 4

5 Aprendizagem de Máquinas Aprendizagem de Máquinas Sistemas Inteligentes Base de Conhecimento Aquisição Representação Manipulação Aprendizagem de Máquinas é uma área da Inteligência Artificial que pesquisa algoritmos de aprendizagem relacionados à AQUISIÇÃO de novos conhecimentos ou novas formas de aprender. 5

6 Aprendizagem de Máquinas Área cujo o objetivo é estudar e desenvolver métodos computacionais para a obtenção de sistemas capazes de adquirir conhecimento de forma automática. Principal objetivo dos algoritmos de aprendizagem é maximizar a capacidade de generalização de seu aprendiz. 6

7 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: Conhecimento: Exemplo: Conhecimento:

8 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: Conhecimento: Exemplo: Conhecimento:

9 Exemplo: Treinamento e Generalização Treinamento para aprender a somar. Exemplo: = = = = 6 Conhecimento: 1 + 4?? 9

10 Generalização Com a capacidade de generalização o aprendiz consegue adquirir mais conhecimento do que lhe foi apresentado no processo de aprendizagem (conjunto de treinamento). Aprendiz bem treinado! Conhecimento: Aprendiz mal treinado! Exemplo de estimação da função: f(x,y) = x+y. 10

11 Aprendizagem de Máquinas Aprendizado Aprendizado Supervisionado Aprendizado Não Supervisionado Aprendizado por Reforço - Utiliza exemplos. - Exemplos com resposta. - Utiliza exemplos. - Exemplos sem resposta. - Recebimento de recompensas ou punições. 11

12 Aprendizagem Supervisionada Objetivo: Aprender com os exemplos e conseguir generalizar ao máximo. Entrada Algoritmo de Aprendizagem Supervisionada Saída Exemplos Entrada(s) Saída

13 Aprendizagem Supervisionada Algoritmos que observam alguns exemplos (entradas e saídas) para aprender o mapeamento entrada/saída (uma função). Ex.: Exemplo do mapeamento da função soma apresentado em slides anteriores. Tipos de problemas: Problemas de Regressão. Problemas de Classificação. 13

14 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. Etapa: Coleta de dados exemplos. 14

15 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. 15

16 Aprendizagem Supervisionada Aprendizagem utilizando métodos de regressão. 16

17 Aprendizagem Supervisionada Área = 70 m² Algoritmo de Preço???? Aprendizagem 17

18 Aprendizagem Supervisionada Área = 90 m² Algoritmo de Preço???? Aprendizagem Preço = ,00 Preço = ,00 18

19 Aprendizagem Supervisionada Exemplo 1: Análise do preço dos apartamentos em Natal baseada na área. Área =... Algoritmo de Aprendizagem Preço =??? Problema de regressão: Predição de atributos contínuos. 19

20 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor maligno ou não, ou melhor, maligno ou benigno baseada no tamanho do tumor. 20

21 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor. Tamanho do tumor Algoritmo de Aprendizagem Tipo do tumor Maligno Benigno 21

22 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. x: Tumor Maligno o: Tumor Benigno 22

23 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. Tamanho do tumor Idade da pessoa Algoritmo de Aprendizagem Tipo do tumor Maligno Benigno 23

24 Aprendizagem Supervisionada Exemplo 2: Análise do tipo de tumor maligno ou benigno. Problema de classificação: Predição de atributos discretos. 24

25 Aprendizagem Supervisionada Aprendizagem Supervisionada: Problemas de Regressão: Predição de atributos contínuos. Problemas de classificação: Predição de atributos discretos. Muitas vezes não é possível a coleta de exemplos com resposta ou, quando é possível, torna-se uma tarefa de alto custo. Solução: Algoritmos de Aprendizagem não Supervisionada. 25

26 Aprendizagem Não Supervisionada Objetivo: Aprender a relação entre os exemplos. Entrada Algoritmo de Aprendizagem Não Supervisionada Saída Exemplos Entrada(s) Saída??? 26

27 Aprendizagem Não Supervisionada Algoritmos que observam alguns exemplos (apenas entradas) para aprender a relação entre esses dados. Tipos de problemas: Problemas de Classificação: Classificar essas entradas em grupos. 27

28 Aprendizagem Não Supervisionada Exemplo 2: Análise do tipo de tumor (maligno ou benigno) baseada no tamanho do tumor e na idade da pessoa. 28

29 Aprendizagem Não Supervisionada Classificação dos dados em dois grupos desconhecidos. Grupo 1 Grupo 2 29

30 Aprendizagem Não Supervisionada Classificação dos dados em agrupamentos. Grupo 2???? Grupo 1???? Ex.: Grupo Maligno Ex.: Grupo Benigno 30

31 Aprendizagem Não Supervisionada Agrupamentos de dados (Clusters). Redes Sociais Classificação de Genes 31

32 Aprendizagem Não Supervisionada Necessidade na área de Marketing: Segmentação do Mercado. Uma das necessidades em marketing é a segmentação das informações em grupos ou clusters que consigam reter informações similares segundo as características avaliadas. Segmentar um mercado significa escolher um grupo de consumidores, com necessidades homogêneas, para o qual a empresa poderá fazer uma oferta mercadológica. 32

33 Aprendizagem Não Supervisionada A finalidade das técnicas de aprendizagem não supervisionada é descobrir a organização dos exemplos através de clusters. Os clusters são formados através de similaridades e diferenças entre os exemplos apresentados. Um cluster é um grupo de dados que são similares uns aos outros, de acordo com algum critério de similaridade. 33

34 Aprendizagem Não Supervisionada Como definir a similaridade??? 34

35 Aprendizagem Não Supervisionada Entrada Aprendizagem Supervisionada Saída Entrada Aprendizagem Não Supervisionada Saída Exemplos Exemplos Ambiente Entrada(s) Saída Entrada(s) Saída??? Se o ambiente for desconhecido???? 35

36 Aprendizagem por Reforço Objetivo: Aprender através da avaliação de uma ação, recebendo recompensas ou punições. Entrada Algoritmo de Aprendizagem por Reforço Saída Ação Reforço [Recompensa (+) ou Punição (-)] Ambiente 36

37 Aprendizagem por Reforço: Exemplo S 1 S 2 As setas indicam a força entre dois estados. S 4 S 3 Inicialmente todas as setas possuem o mesmo valor de força. S 8 S 7 Iniciando em S 1 como chegar em S 6? S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 37

38 Aprendizagem por Reforço: Exemplo S 1 S 2 S 4 S 3 Próximo estado é escolhido aleatoriamente de um dos próximos estados possíveis (ponderado pela força da associação). S 8 S 7 A primeira ação só pode levar para S 2. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 38

39 Aprendizagem por Reforço: Exemplo S 1 S 2 Supondo que a próxima escolha leve a S 3. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 39

40 Aprendizagem por Reforço: Exemplo S 1 S 2 Em S 3, as possíveis escolhas são S 2, S 4, ou S 7. S 4 S 3 Vamos supor que S 7 é escolhido aleatoriamente. S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 40

41 Aprendizagem por Reforço: Exemplo S 1 S 2 Por sorteio, S 3 é o próximo escolhido. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 41

42 Aprendizagem por Reforço: Exemplo S 1 S 2 O próximo é S 4. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 42

43 Aprendizagem por Reforço: Exemplo S 1 S 2 E então S 5 é escolhido aleatoriamente. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 43

44 Aprendizagem por Reforço: Exemplo S 1 S 2 E finalmente atingimos o objetivo S 6. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 44

45 Aprendizagem por Reforço: Exemplo S 1 S 2 Quando o estado objetivo é atingida, reforça-se a conexão entre ele e o estado que levou a ele. S 4 S 3 S 8 S 7 Na próxima vez que S 5 for alcançado, parte da força de associação será passada para S 4. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 45

46 Aprendizagem por Reforço: Exemplo S 1 S 2 Iniciando novamente o percurso. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 46

47 Aprendizagem por Reforço: Exemplo S 1 S 2 Supondo que após alguns movimentos o agente chega novamente em S 5. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 47

48 Aprendizagem por Reforço: Exemplo S 1 S 2 S 5 tem grande chance de atingir a meta pela rota com mais força. S 4 S 3 S 8 S 7 Em aprendizado por reforço, essa força é passada de volta para o estado anterior. Esse processo leva a criar um caminho entre o início e a meta. S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 48

49 Aprendizagem por Reforço: Exemplo S 1 S 2 Após reiniciar o percurso varias vezes, o agente aprenderia o melhor caminho a ser seguido. S 4 S 3 S 8 S 7 S 5 S 6 Slide retirado do material do prof. Edirlei S. Lima [Ref 01]. 49

50 Próximas Aulas Aprendizado Aprendizado Supervisionado Aprendizado Não Supervisionado Aprendizado por Reforço - Redes Neurais - Máquinas de Vetores de Suporte - Redes Neurais - K-Means - Árvores de Decisão 50

51 Revisando Importância do processo de aprendizagem nos Sistemas de Inteligência Artificial. Aquisição de conhecimento. Generalização do aprendizado. Aprendizagem de Máquinas: Supervisionada Não Supervisionada Por Reforço 51

52 Revisando: Questões Utilizar algoritmo de aprendizagem supervisionada ou não supervisionada? 1. Dado um conjunto de marcados como SPAM ou não, aprenda a filtrar/reconhecer s de SPAM. 2. Dado um conjunto de notícias encontradas na web, agrupar as notícias de mesma história. 3. Dado uma base de dados sobre clientes, automaticamente descubra os segmentos de mercado e os grupos de clientes de diferentes segmentos. 4. Dado uma base de dados de pacientes que tem diabetes ou não, aprenda a identificar novos pacientes que tem diabetes. 52

53 Referências 1. Lima, Edirlei S. INF Inteligência Artificial. Notas de Aula. Disponível em: 2. Baranauskas, J. Augusto. Aprendizado de Máquina I. Notas de Aula. Disponível em: 53

54 Referências 3. Lima, Isaías; Pinheiro, Carlos; Santos Oliveira, Flávio. Inteligência artificial. 1 ed. Rio de Janeiro: Elsevier,

55 Dúvidas? Dúvidas por 55