Upload
phungkhanh
View
216
Download
0
Embed Size (px)
Citation preview
Representação conhecimento
É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende, 2005).
Representação conhecimento
Lógica proposicional e lógica de 1a ordem
- Proposicional: permite responder perguntas simples;
- Primeira ordem: utiliza funções, relações, propriedades dos objetos para dar uma capacidade maior de expressão ao conhecimento.
Exemplo: Lotkan é um personagem → personagem(Lotkan)
Representação conhecimento
Redes semânticas É um grafo rotulado e direcionado introduzido
por Quillian onde: - os nodos representam os objetos - os arcos representam relações entre esses
objetos (um arco é rotulado com o nome da relação que ele representa).
Representação conhecimento
Nodosobjetos;propriedades dos objetos.
Arcosrelações
pacote passagem aéreapossui
aviãomeio de transporte
é-um
parte_de
Representação conhecimento
Quadros (frames) Esta técnica derivada das redes semânticas
(por Minsky em 1975);
Um quadro é uma estrutura de informação, ou seja, consiste em um conjunto de atributos que, através de seus valores, descrevem as características do objeto representado pelo quadro.
Exemplo
Frame: mocinho
Atributos DefaultNomeForçaDestrezaAgilidadeConstituiçãoVisãoAudição
Robert Drake659095608585
stringInteirointeirointeirointeirointeirointeiro
Tipo
é-um: Personagem
Frame: PersonagemAtributos Default
TipoCategoriaHistórico
Robert Drake--
stringLista de atributosLista de históricos
Tipo
Representação conhecimento
Regras de produção
Conhecimento descrito na forma de regras (se.. então..) formadas por premissas e conclusões;
As regras são disparadas de acordo com o conjunto de fatos conhecido (inicialmente fornecido pelo usuário e posteriormente ampliado pelas deduções feitas pelo sistema).
Representação conhecimento
Regras de produção
Exemplo: Se temperatura estiver maior do que 30oC Entao ligar o ar condicionado
Representação conhecimento
Regras de produção
Dois tipos de raciocínio:- Encadeamento progressivo:
o sistema dispara todas as regras aplicáveis a partir do conjunto inicial de fatos conhecidos.
- Encadeamento regressivoo sistema tenta disparar somente as regras que podem alcançar o
objetivo, já conhecido pelo sistema.
Busca
Problemas podem ser representados em árvores de busca (espaço de estados).
Métodos:- Busca Cega: Amplitude e Profundidade
(estruturas de dados)- Busca Heurística: Gulosa, A*, Subida de
Encosta
Subida de encosta (Hill Climbing)
A função de teste é incrementada com uma função heurística e o teste é realizado estado a estado, fornecendo a proximidade do estado-meta.
Subida de encosta (Hill Climbing)
Passo 1 – Se o estado inicial é igual ao estado-meta, retorna-se o estado inicial e ocorre o encerramento do programa. Caso contrário o estado inicial continua sendo o estado corrente.
Passo 2 – Um laço de repetição é executado até que o estado-meta seja encontrado ou até não haver operadores a serem aplicados ao estado corrente.
Passo 2.1 – Um operador ainda não utilizado é escolhido e aplicado ao estado corrente, gerando-se assim um novo estado.
Passo 2.2 – O novo estado é avaliado:
* Se for um estado meta ele é retornado e o programa encerrado; * Se não for um estado meta, mas for melhor que o corrente, então ele é
transformado em estado corrente; * Se não for melhor que o estado corrente, continua-se o laço com o estado
corrente.
A*
Utiliza a ideia da busca pela melhor escolha (best-first search), que combina vantagens das buscas em profundidade e em amplitude, para determinar um caminho ou rota a um destino.
A*
A função heurística utilizada no algoritmo A* normalmente é representada da seguinte forma:
f(n) = g(n) + h(n). onde: “g” é qualidade ou custo do caminho
percorrido até o nó “n”;
“h” é qualidade ou custo do nó “n”.
Redes Neurais Artificiais (RNAs)
- Dificuldades dos sistemas convencionais em resolver certas classes de problemas, tais como, reconhecimento de formas, de objetos, classificação de padrões;
- Inspiração biológica
Aplicações
- Reconhecimento de caracteres/objetos/fala;- Diagnóstico médico;
- Agrupamento de sequências de DNA;- Mineração de dados;
Classificação
Aplicações
- Reconhecimento de caracteres/objetos/fala;- Diagnóstico médico;
- Agrupamento de sequências de DNA;- Mineração de dados;
- Previsão do tempo;- Previsão da bolsa valores.
Previsão
- Estímulos de entrada, ligações sinápticas e saída;
- Estrutura lógico-matemática que simula o comportamento e as funções de um neurônio biológico;
- Os estímulos captados pelas entradas são processados pela função de soma, e o limiar de disparo do neurônio biológico foi substituído pela função de transferência.
Neurônio Artificial
Redes Neurais Artificiais (RNAs)
A inteligência surge em sistemas de componentes simples, interativos (neurônios), através de um processo de aprendizado (ou adaptação) pelo qual as conexões entre os componentes são ajustadas.
Redes Neurais Artificiais (RNAs)
As RNAs não aprendem adquirindo representações a sua base de conhecimento;
As RNAs são treinadas;
O conhecimento do sistema está implícito na organização e interação dos neurônios;
RNAs Os padrões de um domínio são codificados como
vetores numéricos; As conexões entre os neurônios são
representadas por valores numéricos; A transformação de padrões é o resultado de
operações numéricas (multiplicação de matrizes); Os algoritmos são treinadostreinados e não programados.
Tipos de entrada
- Binários: modelos que aceitam entradas discretas, ou seja, somente na forma de 0 e 1;
- Intervalar: modelos que aceitam qualquer valor numérico como entrada (forma contínua).
Formas de conexão
- Alimentação à frente: os sinais de entrada são simplesmente transformados em sinais de saída;
- Retro-alimentação: os sinais ficam sendo alterados em diversas transições de estado, sendo a saída também alimentadora da entrada;
- Competitiva: realiza a interação lateral dos sinais recebidos na entrada entre os elementos dentro de uma zona de vizinhança.
Diretas: o fluxo de informações segue um uma única direção;
Recorrentes: redes com retroalimentação, que possuem uma ou mais camadas de neurônios que alimentam a entrada dos outros neurônios da mesma camada com o seu sinal de saída.
Classificação da rede
Tipos de aprendizado
Os algoritmos de treinamento ou regra de aprendizado ditam como são feitos os ajustes dos pesos sinápticos para que a rede adquira experiência ao longo do treinamento
Supervisionado: atuam com o auxílio de um professor/supervisor. A rede precisa conhecer o conjunto de entrada e o conjunto de saída. A saída obtida pela rede é calculada conforme a saída desejada.
Não supervisionado: atuam de forma competitiva ou auto-supervisionada. Para este tipo de regras são fornecidas às redes apenas o conjunto de entrada. Os neurônios de rede competem entre si fornecendo uma classificação como saída.
Por reforço: é um método por tentativa e erro. Existe um índice de desempenho chamado de sinal de reforço que é utilizado para otimização
Computação Evolutiva
Trata de sistemas que resolvem problemas através de modelos computacionais que se baseiam na teoria da evolução natural;
Algorítmos Genéticos: baseiam-se nos mecanismos de seleção de indivíduos, onde somente os mais aptos sobrevivem, adaptando-se às mudanças no ambiente.
Computação Evolutiva
Algoritmo Genético (AG) - originado de estudos sobre autômatos celulares de John Holland, publicados em 1975 no livro "Adaption in Natural and Artificial Systems“;
Inspirados na teoria da evolução de Charles Darwin (sobrevivência do mais apto), apresentada na obra “A Origem das Espécies” publicada em 1859.
Algoritmo básico
Gera população inicial
Calcula aptidão de cada indivíduo
Convergiu?
nãoSeleção dos pais mais aptos
Crossover e mutação
fim
Substitução dos indivíduos
Referências para leitura
Luger, George F. Inteligência artificial : estruturas e estratégias para a resolução de problemas complexos. Tradução Paulo Martins Engel. 4. ed. Porto Alegre : Bookmann, 2004
Russell, Stuart e Norvig, Peter. Inteligência artificial. Tradução Vandenberg D. de Souza. Rio de Janeiro : Campus, 2004