Raciocínio Baseado em Casos

Sistemas Especialistas convencionais:
Experiência
Regras
Engenheiro de
conhecimento

Sistemas Especialistas de segunda geração:
Experiência
Regras
Algoritmo de
aprendizagem

Case-based reasoning (CBR)
Experiência
Experiência
Raciocínio Baseado em Casos

Método de resolução de problemas
• novos problemas são resolvidos adaptando-se soluções de
antigos problemas similares
• aprendizado incremental on-line, aquisição de conhecimento mais
simples
Funcionamento do CBR: ciclo dos 4 RE´s
Recuperar
problema
Indexa
r
novo
caso
(alvo)
novo
caso caso
recupe- (alvo)
rado
(fonte)
base
Reutilizar
caso
aprendido
Reter
solução
final
caso
solução
caso
testado
e
corrigido
Revisar
solução
sugerida
Paradigma Conexionista: Redes Neurais

Definição
• Técnica inspirada no funcionamento do cérebro, onde neurônios
artificiais, conectados em rede, são capazes de aprender e de
generalizar.
• Técnica de aproximação de funções por regressão não linear.

Modelo de neurônio
e(i)  w ji  sj
s1
w1i
sj
wji
s(i)  f (e(i))
sn
e(i)

semi-linear
t
e
s(i)
wni
s
degrau


s
s
sigmoide
e
e
Redes Neurais: Arquiteturas e topologias
O comportamento da rede depende da natureza dos
neurônios (função de ativação) e de como eles se conectam
Arquiteturas
estruturação em camadas
Topologias
Feed-forward
camada
de entrada
camada
escondida
camada
de saída
Feed-backward
Redes Neurais: Tipos de aprendizagem
Aprendizagem supervisionada (redes feed-forward )
- objetivo: aprender a associar uma entrada a uma saída desejada
- Lei de Hebb: aprendizagem <-> conexão
- como: ajustar os pesos visando minimizar uma função de erro
w ji (t  1)  w ji (t)   s j i
 - taxa de aprendizagem
  (si - di), erro
sj - saída do neurônio anterior j
Aprendizagem Não-supervisionada (memórias autoassociativas)
- objetivo: detectar e agrupar padrões nas entradas dadas
- como: reforçar os pesos do neurônio (eventualmente com sua
vizinhança) que melhor responde ao padrão de excitação
Exemplos simples:
previsão de séries temporais
Training Step N
Training Step N+1
input window
Gm7
Cm7
F7
input window
Bb
Machine
Learning
Bb
Desired Output
Cm7
F7
Bb
Bm7
Machine
Learning
Bm7 Desired Output
Paradigma Evolutivo: Algoritmos Genéticos

EVOLUÇÃO
• diversidade é gerada por cruzamento e mutações
• os seres mais adaptados ao seus ambientes sobrevivem
(seleção natural)
• as características genéticas de tais seres são herdadas
pelas próximas gerações

Algoritmos genéticos: Definição
• Método probabilista de busca para resolução de problemas
(otimização) “inspirado” na teoria da evolução
Algoritmos Genéticos

Idéia:
• indivíduo = solução
• faz evoluir um conjunto de indivíduos mais adaptados por
cruzamento através de sucessivas gerações
• fitness function f(i): R ->[0,1]

Aprendizagem
• on-line, numeríca
Exemplo: ~compint\public_html\aulas-IAS\programas\ga\tsp2.exe
Aprendizagem Baseada em Explicação (EBL)
 Idéia
• o agente aprende paulatinamente, usando o que já sabe, i.e.
seu conhecimento a priori (background knowledge)
• Aprendizagem fica mais rápida pois o conhecimento pode ser
usado para reduzir a busca no espaço de hipótese
Novo esquema: indução com conhecimento
Conhecimento
à priori
Observações
Aprendizagem
indutiva
Hipótese
Esquema clássico: indução pura
Predições
Aprendizagem Baseada em Explicação (EBL)

Exemplo
• homem das cavernas explica a razão do sucesso => Regra:
qualquer coisa longa, fina, rígida pode ajudar a assar carnes sobre
o fogo

balanço
• conhecimento serve para explicar a hipótese, que explica as
observações,
• não se aprende nada de novo pois o exemplo já podia ser derivado
mas iria custar caro pois os homens não tinham consciência disto

A construção da explicação
• pode ser uma prova lógica ou qualquer processo de resolução de
problemas
• o importante é identificar quais são as condições nas quais estes
passos podem ser reaplicados
Exemplo

Regras da base de conhecimento
•
•
•
•
•
•

Mata(x,x)  Suicida(x)
Detesta(x,x)  Depressivo(x)
Compra(x,y)  Possui(x,y)
Detesta(x,y)  Possui (x,z)  Arma(z)  Mata (x,y)
Punhal(x)  Arma(x)
Pistola(x)  Arma(x)
Fatos da base de conhecimento
•
•
•
•
•
•
Suicida(João)
CorDosOlhos(João, Azuis)
Compra(João,Objeto)
Pistola(Objeto)
Depressivo(João)
Louro(João)
Árvore de prova
Suicida(João)
R1
Mata(João,João)
R4
Detesta(João,João)
R2
Depressivo(João)
Possui(João,Objeto)
R3
Compra(João,Objeto)
Arma(Objeto)
R6
Pistola(Objeto)
Note que olhos azuis e outras coisas não foram consideradas
E agora?


Ainda restam muitas particularidades. É preciso
generalizar!
EBL constrói uma segunda árvore de prova
“variabilizando” a consulta
• constantes substituídas por variáveis
• usa a mesma seqüência de regras

Uma vez esta árvore pronta,
• toma-se apenas as folhas com eventuais substituições e
forma-se uma nova regra
Generalizando...
Suicida(x)
R1
Mata(x,x)
R4
Detesta(x,x)
R2
Depressivo(x)

Possui(x,y)
R3
Compra(x,y)
Arma(y)
R6
Pistola(y)
Regra final
• Depressivo(x)  Compra (x,y)  Pistola(y)  Suicida (x)