Paradigmas da IA. Eixos centrais (das diferenças)



Documentos relacionados
Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Aprendizagem de Máquina

Inteligência Artificial

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 2 Introdução a I.A.

NOTA À 2ª EDIÇÃO... VII PREFÁCIO... IX. No Renascimento de uma Nova Era... IX PREÂMBULO... XIII. Organização do livro... xiii. Destinatários...

Aprendizagem de Máquina

Protótipo tipo de Sistema Especialista Para Área Comercial Utilizando a Ferramenta SPIRIT

Complemento II Noções Introdutória em Redes Neurais

Redes Neurais. A IA clássica segue o paradigma da computação simbólica

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

INF 1771 Inteligência Artificial

Módulo 6: Inteligência Artificial

Sistemas Híbridos Inteligentes

Doenças cardiovasculares constituem um dos maiores problemas que afligem a

Redes Neurais. Profa. Flavia Cristina Bernardini

Do neurônio biológico ao neurônio das redes neurais artificiais

Aula 2 RNA Arquiteturas e Treinamento

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

FUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO

Dr. Guanis de Barros Vilela Junior

Computação BioInspirada

O Hardware e o Software do Computador

Inteligência Computacional: resolvendo problemas difíceis da vida real

lnteligência Artificial

ALGORITMOS GENÉTICOS

Ementas Disciplinas Eletivas

Estrutura de um Sistema Especialista

Algoritmos Genéticos

IC Inteligência Computacional Redes Neurais. Redes Neurais

GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL

Inteligência Computacional [2COP229]

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas

Mestrado em Informática, tendo Inteligência Artificial como área de pesquisa.

EMENTAS DAS DISCIPLINAS

Inteligência Artificial

Redes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005

Sistemas de Informações Gerenciais

GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL

Projeto de Redes Neurais e MATLAB

Modelagem e Simulação

Universidade Federal de São Paulo Campus São José dos Campos LISTA DE DISCIPLINAS DA GRADUAÇÃO

Metodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi

Projeto Pedagógico do Bacharelado em Ciência da Computação. Comissão de Curso e NDE do BCC

MLP (Multi Layer Perceptron)

INF 1771 Inteligência Artificial

Complemento IV Introdução aos Algoritmos Genéticos

O olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

7.Conclusão e Trabalhos Futuros

Técnicas de Inferência

Modelos Pioneiros de Aprendizado

Classificação de Sistemas: Sistemas Empresariais

Evolução da cooperação em populações modeladas por autômatos celulares com o uso de teoria de jogos

Complemento III Noções Introdutórias em Lógica Nebulosa

FUNÇÕES POLINOMIAIS DO SEGUNDO GRAU MEDIADOS PELO SOFTWARE GEOGEBRA NA PERSPECTIVA DOS REGISTROS DE REPRESENTAÇÃO SEMIÓTICA

Assunto 9 : Tecnologias de Inteligência Artificial nos Negócios

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)

Ontologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília

3 Método de Monte Carlo

LISTA DE EXERCÍCIOS. Mede a capacidade de comunicação de computadores e dispositivos. Operam em diferentes plataformas de hardware

CURSO DE SISTEMAS DE INFORMAÇÃO

A Computação e as Classificações da Ciência

Algumas vantagens da Teoria das Descrições Definidas (Russel 1905)

Reflexões sobre a Língua Portuguesa. Kátia França

EMENTAS DAS DISCIPLINAS

Metodologia e Prática de Ensino de Ciências Sociais

Algoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br

Introdução e Motivação

Metodologia Científica Aula 1. Prof.ª Ma. Ana Paula Diniz

4 Estratégias para Implementação de Agentes

Interface Homem-Computador

Avaliação Alimentar Utilizando Técnicas de Inteligência Artificial

PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *

Dispositivo que de alguma maneira descreve o comportamento do sistema

Gestão do. Conhecimento. na Era Quântica

EMENTÁRIO DO CURSO DE SISTEMAS DE INFORMAÇÃO

AULA COM O SOFTWARE GRAPHMATICA PARA AUXILIAR NO ENSINO E APRENDIZAGEM DOS ALUNOS

Plano de Trabalho Docente Ensino Técnico

Redes de políticas: novos desafios para a gestão pública

Introdução. Gestão do Conhecimento GC

A IMPORTÂNCIA DA PESQUISA CIENTÍFICA

A Tecnologia e Seus Benefícios Para a Educação Infantil

Pós Graduação Engenharia de Software

Sistemas Operacionais

Linguagens Formais e Autômatos

Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade

Ano Letivo 2015/2016 Ciclo de Formação: Nº DO PROJETO: POCH FSE AUTOMAÇÃO E COMANDO,12ºANO PLANIFICAÇÃO ANUAL

MOTIVADO PARA EMPREENDER

Sistemas de Informações Gerenciais Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios

Representação de Conhecimento

Programação Estruturada e Orientada a Objetos. Fundamentos Orientação a Objetos

EMENTAS DAS DISCIPLINAS

PLANEJAMENTO ANUAL / TRIMESTRAL 2014 Conteúdos Habilidades Avaliação

Caderno do aluno UM POR BIMESTRE: teoria, exercícios de classe, as tarefas de casa atividades complementares.

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Tipo de raciocínio - Indutivo. Método de Pesquisa (continuação) Tipo de raciocínio - Indutivo

SISTEMA. Tecnologia. Software. Hardware. Prazos. Pessoas. Qualidade. Custo GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI?

FORMAÇÃO DE PROFESSORES EM LOGO: APRENDIZAGEM DE PROGRAMAÇÃO E GEOMETRIA * 1. COSTA, Igor de Oliveira 1, TEIXEIRA JÚNIOR, Waine 2

Transcrição:

Paradigmas da IA

Paradigmas da IA Simbólico: metáfora lingüística/lógica Sistemas de produção Conexionista: metáfora cérebro Redes neurais Evolucionista: metáfora teoria da evolução natural Algoritmos genéticos Probabilista: probabilidade Redes bayesianas IA Distribuída: metáfora social Sistemas multiagentes 2

Paradigmas da IA Diferenças chaves Forma de representar o conhecimento Forma de raciocinar com esse conhecimento Forma de adquirir esse conhecimento Eixos centrais (das diferenças) Aprendizado x Manual Numérico x Simbólico 3

IA Simbólica

Exemplo West é criminoso ou não? A lei americana diz que é proibido vender armas a uma nação hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano Como resolver automaticamente este problema de classificação? Segundo a IA simbólica, é preciso: Identificar o conhecimento do domínio (modelo do problema) Representá-lo utilizando uma linguagem formal de representação Implementar um mecanismo de inferência para utilizar esse conhecimento 5

Conhecimento: Representação e Uso Raciocínio: Manipulação de símbolos representando as entidades, relações, eventos de domínio de aplicação processo de construção de novas sentenças a partir de outras sentenças. Deve ser plausível (sound) fatos segue-se fatos Mundo Representação semântica sentenças implica semântica sentenças 6

Revisitando o caso do Cap. West A ) x, y,z A m e r ic a n o ( x ) A r m a ( y ) N a ç ã o ( z ) H o s til( z ) V e n d e ( x,z,y ) C r im in o s o ( x ) B ) x G u e r r a ( x,u S A ) H o s til( x ) C ) x In im ig o P o lític o ( x,u S A ) H o s til( x ) D ) x M ís s il( x ) A r m a ( x ) E ) x B o m b a ( x ) A r m a ( x ) F ) N a ç ã o ( C u b a ) G ) N a ç ã o ( U S A ) H ) In im ig o P o lític o ( C u b a,u S A ) I) In im ig o P o lític o ( Ir ã,u S A ) J ) A m e r ic a n o ( W e s t) K ) x P o s s u i( C u b a,x ) M ís s il( x ) L ) x P o s s u i( C u b a,x ) M ís s il( x ) V e n d e ( W e s t, C u b a,x ) M) Possui(Cuba,M1) - Eliminação: quantificador existencial e N) Míssil(M1) conjunção de K O) Arma(M1) - Modus Ponens a partir de D e N P) Hostil(Cuba) - Modus Ponens a partir de C e H Q) Vende(West,Cuba,M1) - Modus Ponens a partir de L, M e N R) Criminoso(West) - Modus Ponens a partir de A, J, O, F, P e Q 7

IA Simbólica: Resumo Características principais Inspirada na lógica, semiologia, lingüística e psicologia cognitiva (funcionalista) Representação do conhecimento: todos os tipos Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Vantagem: versatilidade Inadequada para... Raciocínio de baixo nível para percepção ou reflexos Visão computacional, processamento da fala Controle dos motores dos atuadores do robôs Raciocínio com conhecimento incerto ou muito ruidoso 8

IA Conexionista

Paradigma Conexionista: Redes Neurais Definição Romântica : Técnica inspirada no funcionamento do cérebro, em que neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar Definição Matemática : Técnica de aproximação de funções por regressão não linear É uma outra abordagem: Linguagem -> redes de elementos simples Raciocínio -> aprender diretamente a função entradasaída 10

Redes Neurais s1 sj sn w1i wji wni e(i) s(i) e(i) = w ji s j s(i) = f (e(i)) camada de entrada camada escondida camada de saída 11

Exemplo 1 Saída produzida 0.2 Saída desejada 1 x = 1 0 0 0 0 0 0.9 0 0 0.1 0 erro = subtração 12

IA Conexionista: Resumo Características principais Inspirada na neurofisiologia Muito utilizado em ambientes industriais e como técnica de aprendizagem Representação do conhecimento: conjunto de atributo-valor (lógica 0+) Raciocínio: indutivo ou analógico durante treinamento, dedutivo, abdutivo ou analógico durante utilização Aquisição do conhecimento: aprendizagem Adequada para Raciocínio de baixo nível para percepção ou reflexos Pouco adequada para Domínios relacionais requerem representação da 1a ordem Aplicações que requerem explicação das decisões (ex, central nuclear, cirurgia, investimento de grande porte) Tarefas não-analíticas: planejamento e concepção 13

IA Evolucionista

Paradigma Evolutivo Natureza Seres mais adaptados ao ambientes sobrevivem e suas características genéticas são herdadas Idéia: Indivíduo = Solução Faz evoluir um conjunto de indivíduos mais adaptados por cruzamento e mutação através de sucessivas gerações Fitness function f(i): R ->[0,1] 15

Exemplo Indivíduo possível Vetor cujos elementos são as quantidades de ingredientes usados para fazer um bolo + o valor de aptidão (fitness) do momento Função de Aptidão Feedback se o bolo ficou gostoso ou não,... Mutação e cruzamento: Troca e alteração Aptidão Ovos Açúcar Fermento Farinha... Leite 16

IA Evolucionista: Resumo Características principais Método probabilístico de busca para resolução de problemas (otimização) Inspirada na teoria da evolução, paleontologia,... Representação do conhecimento: conjunto de atributo-valores (lógica 0+) Raciocínio: indutivo durante treinamento, dedutivo ou abdutivo durante utilização Aquisição do conhecimento: aprendizagem (e manual p/ iniciar) Adequada para Otimização Pouco adequada para Domínios relacionais requerem representação da 1a ordem 17

Resumo

conhecimento em intenção (regras) Sistemas Nebulosos (fuzzy) Redes Bayesianas Sistemas de PLN Sistemas Especialistas numérico Algoritmos genéticos Sistemas baseados em Redes Neurais Robôs Sistemas de Aprendizagem simbólica indutiva Sistemas baseado em casos simbólico conhecimento em extensão (exemplos) 19