Aprendizado de Máquina

Transcrição

1 Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se obsoletas, pois o conhecimento inserido nelas era estático.

2 Arquitetura dos Primeiros Sistemas Especialistas

3 Arquitetura dos Sistemas Especialistas com Aprendizado

4 Aprendizado de Máquina O aprendizado pode ser útil em diversas aplicações: Busca na internet Previsão Detecção Sistemas de Controle

5 Aprendizado: Busca na Internet Como localizar a informação relevante? 5

6 Aprendizado: Previsão Como prever o valor do dólar (ou o clima) amanhã? Que dados são relevantes? Há comportamentos recorrentes? 6

7 Aprendizado: Detecção de intrusão Como saber se uma mensagem é lixo ou de fato interessa? Como saber se um dado comportamento de usuário é suspeito e como lidar com isto? 7

8 Aprendizado: Sistemas de controle Como brecar o carro sem as rodas deslizarem em função da velocidade, atrito, etc.? Como focar a câmera em função de luminosidade, distância, etc.? Como ajustar para uma quantidade de roupa, a temperatura, fluxo de água, etc.? 8

9 Aprendizado Adquirir o conhecimento de, ficar sabendo, instruir-se: aprender Aurélio

10 Aprendizado O ser humano esta pré-programado para o aprendizado. Aprende ampliando o conhecimento que já possui, através de reordenações sucessivas de informações recebidas.

11 Aprendizado O computador não possui o programa inicial para procurar por informações e realizar aprendizado em geral O computador precisa de um programa que permita interação com o conhecimento armazenado para gerar o aprendizado.

12 Aprendizado de Máquina Aprendizado de Máquina (AM): área da Inteligência Artificial que pesquisa métodos computacionais relacionados à aquisição de novos conhecimentos, novas habilidades e novas formas de organizar o conhecimento já existente.

13 Aprendizado de Máquina Paradigmas (ou modelos) e técnicas (ou métodos) de aprendizado de máquina possuem um alvo bem mais limitado do que o aprendizado humano.

14 Aprendizado de Máquina Classificação

15 Aprendizado de Máquina O aprendizado de máquina, segundo Carbonell, classifica-se pelo grau de independência daquele que aprende: Aprendizado por memorizar Aprendizado por instruções (ou por ser contado) Aprendizado por analogia Aprendizado por exemplos Aprendizado por observação e descoberta

16 Aprendizado por memorizar Memorizar corresponde a aprender sem a preocupação de associar significado ao que se está aprendendo. Este aprendizado é o primeiro nível do aprendizado, não há manipulação da informação, mas aprendeu. Exemplo: aprender a tabuada.

17 Aprendizado por memorizar No AM, corresponde a carregar um programa na máquina a qual não faz nenhuma inferência sobre o que está no programa. Exemplo: Coloca-se na máquina uma base de dados contendo dados sobre o clima em Pato Branco. Pode-se dizer que a máquina aprendeu pois decorou todos os dados que nela foram colocados.

18 Aprendizado por instruções Aquisição de conhecimento através de um professor ou livro. Requer que o aprendiz receba a informação e a transforme em uma representação interna à ele. A nova informação será integrada a conhecimentos anteriores para sua utilização. Exemplo: leitura das normas ABNT.

19 Aprendizado por instruções No AM, a informação é processada pelo computador que a organiza, para uso futuro, na maneira adequada. Programar o computador para lhe dar a capacidade de montar as instruções que o farão resolver o problema. Exemplo: organizar os dados do clima em estações, facilitando a recuperação da informação

20 Aprendizado por analogia Se uma pessoa sabe dirigir automóveis, poderá de forma análoga descobrir os controles e procedimentos para dirigir um caminhão. No AM, o computador deve extrair o modo de resolver um problema fazendo analogia com problemas semelhantes. Exemplo: um Sistema Especialista baseado em casos.

21 Aprendizado por analogia Sistema especialista baseado em casos. Recuperação de casos Reutilização do caso Revisão do caso Retenção do caso: Aprendizado

22 Aprendizado por analogia Na Inteligência Artificial Conexionista esse aprendizado é uma propriedade intrínseca: Usa-se um conjunto de exemplos para treinar uma rede neural. Após o treinamento, a rede é capaz de resolver, de modo satisfatório, problemas parecidos com os que estavam no conjunto de exemplos para treinamento.

23 Aprendizado por exemplos Neste Aprendizado, induz-se a descrição de um conceito formulando uma regra geral a partir dos exemplos e dos contraexemplos fornecidos, por isso, ele é também classificado como aprendizado por indução.

24 Aprendizado por exemplos Haverá mais inferência do que no aprendizado por instruções, pois, nenhum conceito geral é fornecido pelo instrutor. Também é maior o esforço do que no aprendizado por analogia, pois, não são fornecidas sementes de conceitos similares ao redor do qual o novo conceito poderia crescer.

25 Aprendizado por exemplos As subcategorias, no aprendizado por exemplos, de acordo com a fonte de exemplos são: Fonte Instrutor Fonte Aprendiz Fonte Meio externo

26 Aprendizado por exemplos Fonte Instrutor O instrutor conhece os conceitos e gera sequencias de exemplos úteis quanto possíveis. Se o instrutor conhece o estado de conhecimento do aprendiz, os exemplos serão escolhidos de modo a otimizar a convergência ao conceito desejado.

27 Aprendizado por exemplos Fonte Aprendiz O aprendiz conhece o seu próprio estado de conhecimento, mas, desconhece o conceito a ser aprendido. O aprendiz pode gerar instâncias (e ter uma entidade: instrutor ou meio que classifique elas como exemplos positivos ou negativos) sobre a base da informação que considera necessária para diferenciar entre descrições de conceitos opostos.

28 Aprendizado por exemplos Fonte Meio externo A geração de exemplos é um processo aleatório. O aprendiz deve considerar que as observações são relativamente não controladas. Por exemplo: um astrônomo que esta tentando inferir o percurso de supernovas deve considerar que a apresentação dos dados não será estruturada.

29 Aprendizado por observação e descoberta Forma geral do aprendizado indutivo, inclui: Tarefas de formação de teorias. Criação de critérios de classificação para formar hierarquias taxonômicas. E tarefas similares sem o beneficio de instrutor externo É também chamada de aprendizado não supervisionado.

30 Aprendizado por observação e descoberta Requer do aprendiz um desempenho inferencial maior do que todas as outras abordagens apresentadas. Não é fornecido um conjunto de instâncias, nem uma entidade que possa classificar exemplos positivos e negativos de um conceito em particular. É o aprendizado com o mais alto grau de independência por parte do aluno.

31 Aprendizado por observação e descoberta Observações podem trazer vários e diversos conceitos que precisam ser aprendidos. Assim, o objetivo do aprendizado torna-se em um problema de detectar subconjuntos pertencentes à observação. Analisam-se os elementos fornecidos ou observados e tenta-se determinar se alguns subconjuntos podem ser agrupados em certas classes de maneira útil.

32 Aprendizado por observação e descoberta Algoritmo KNN (K-Nearest Neighbor)

33 Aprendizado por observação e descoberta Mapas auto-organizáveis de Kohonen* *(Self Organizing Map - SOM)

34 Aprendizado de Máquina Paradigmas

35 Paradigmas do AM Simbólico Busca aprender construindo representações simbólicas de um conceito através da análise de exemplos e contra-exemplos desse conceito.

36 Paradigmas do AM As representações simbólicas podem ser expressas por árvore de decisão ou regras de produção. Se idade > 35 e renda < $350, então...

37 Paradigmas de AM Estatístico Busca utilizar modelos estatísticos para encontrar uma boa aproximação do conceito a aprender

38 Paradigmas de AM Por exemplo, modelos de regressão linear: assume que as classes podem ser expressas como uma combinação linear dos valores dos atributos e procura uma combinação linear particular que forneça a melhor aproximação sobre o conjunto de dados. y yˆ a bx x

39 Paradigmas de AM Conexionista Redes neurais são construídas, inspiradas no modelo biológico do sistema nervoso. Tais redes possuem unidades altamente interconectadas e podem ser treinadas para aprender padrões ou modelos de modo supervisionados ou não supervisionados.

40 Paradigmas do AM Evolucionário Paradigma baseado na Teoria de Darwin, onde sobrevivem os mais bem adaptados ao ambiente. O classificador evolucionário consiste em uma população de elementos de classificação que competem entre si para fazer a predição. Os de melhor desempenho se reproduzirão e os fracos serão descartados.

41 Aprendizado de Máquina Tipos

42 Tipos de Aprendizado de Máquina Aprendizado Supervisionado O algoritmo de aprendizado (indutor) recebe um conjunto de exemplos de treinamento para os quais os rótulos da classe associada são conhecidos Cada exemplo (instância ou padrão) é descrito por um vetor de valores (atributos) e pelo rótulo da classe associada O objetivo do indutor é construir um classificador que possa determinar corretamente a classe de novos exemplos ainda não rotulados Para rótulos de classe discretos, esse problema é chamado de classificação e para valores contínuos como regressão

43 Tipos de Aprendizado de Máquina Aprendizado Não-Supervisionado O indutor analisa os exemplos fornecidos e tenta determinar se alguns deles podem ser agrupados de alguma maneira, formando agrupamentos ou classes. Após a determinação dos agrupamentos, em geral, é necessário uma análise para determinar o que cada agrupamento significa no contexto problema sendo analisado.

44 Tipos de Aprendizado de Máquina AM Classificação Supervisionado Regressão Não- Supervisionado Algoritmo k-means Metódos Hierárquicos SOM k-nn Árvores de Decisão Naive Bayes Perceptron/Adaline Multi-Layer Perceptron k-nn Adaline Multi-Layer Perceptron