APLICAÇÕES DA
INFORMÁTICA NA
PESQUISA
APLICAÇÕES NA PESQUISA
•
•
•
•
Levantamento bibliográfico
Coleta de dados
Banco de dados
Análise dos dados
ALGUNS TEMAS DE
PESQUISA
• Sistemas de Apoio a Decisão
• Inteligência artificial
Sistemas de Apoio a Decisão
São programas computacionais
projetados para ajudar os profissionais de
saúde a tomarem decisões clínicas. Eles
procuram representar o conhecimento de
modo a se aproximar do processo de
pensamento humano.
Inteligência artificial
Aplicação da ciência computacional para
problemas de alto nível do mundo real
(Shortliffe et al., 1990).
Alguns modelos matemáticos:
• Teorema de Bayes
• Redes Neuronais (ou neurais)
• Lógica Fuzzy
Teorema de Bayes
É um método quantitativo para calcular a
probabilidade condicional de se ter uma
determinada doença dado que o paciente
tem um conjunto de sinais e sintomas.
“O teorema de Bayes é usado na inferência
estatística para atualizar estimativas da
probabilidade de que diferentes hipóteses
sejam verdadeiras, baseado nas
observações e no conhecimento de como
essas observações se relacionam com as
hipóteses.
Este teorema é uma das pedras angulares
da estatística das probabilidades
combinadas, e é largamente utilizada em
áreas a primeira vista pouco relacionadas,
como Medicina e Informática.”
“Na primeira, o paradigma embasado em
evidências é todo construído em cima do
teorema de Bayes. Baseado na experiência
acumulada de exames e testes para tentar
diagnosticar uma doença, o médico enquadra
seus pacientes e pode estimar qual a
probabilidade de que uma dada doença esteja
se manifestando.”
“Ou seja, dada uma probabilidade inicial
(por exemplo, o paciente é fumante) e
aplicado um exame em que, se sabe, há
uma probabilidade de falsos-positivos e
falso-negativos (por exemplo, uma biópsia
de pulmão), o médico sabe qual a
probabilidade resultante daquele paciente
ter a doença (por exemplo, câncer de
pulmão).”
“Na informática, muitos dos sistemas de
classificação automática são baseados no teorema
de Bayes. Inicialmente o sistema é treinado,
aceitando entradas de humanos que dizem que
uma dada entrada pertencem a determinado grupo.
Com o tempo, o sistema acumula um grande
banco dessas informações e, aplicando o teorema
de Bayes, consegue estimar a probabilidade de
cada novo dado de pertencer a cada grupo já
classificado”. (Pablo Lorenzzoni)
http://www.propus.com.br/articles/alt/1/html/index.html)
Redes Neuronais
É um paradigma de processamento de
informações que foi inspirado na forma
com que o sistema nervoso trabalha, tal
como o cérebro processa a informação.
As redes neuronais aprendem através de
exemplos.
Redes Neuronais
As características que tornam a metodologia de
redes neuronais interessante do ponto de vista
da solução de problemas são as seguintes
(Guilherme Bittencourt
http://www.das.ufsc.br/gia/softcomp/softcomp.html):
• Capacidade de ``aprender'' através de exemplos
e de generalizar este aprendizado de maneira a
reconhecer instâncias similares que nunca
haviam sido apresentadas como exemplo.
• Bom desempenho em tarefas mal definidas,
onde falta o conhecimento explícito sobre como
encontrar uma solução.
Redes Neuronais
• Não requer conhecimento a respeito de
eventuais modelos matemáticos dos domínios
de aplicação.
• Elevada imunidade ao ruído, isto é, o
desempenho de uma rede neuronal não entra
em colapso em presença de informações falsas
ou ausentes, como é o caso nos programas
convencionais, mas piora de maneira gradativa.
• Possibilidade de simulação de raciocínio “a
priori'' e impreciso, através da associação com a
lógica nebulosa.
Redes Neuronais
Alguns domínios onde são comuns aplicações
da técnica de redes neuronais são:
reconhecimento de padrões em geral (por
exemplo, visão computacional, reconhecimento
de voz, etc.), processamento de sinais, previsão
desde variação de carga elétrica até cotações
da bolsa de valores, diagnóstico de falhas e
identificação e controle de processos.
Lógica Fuzzy
Foi desenvolvida por Lofti A. Zadeh da
Universidade da Califórnia em Berkeley na
década de 60 e combina lógica multivalorada,
teoria probabilística, inteligência artificial e redes
neurais para que possa representar o
pensamento humano, ou seja, ligar a linguística
e a inteligência humana, pois muitos conceitos
são melhores definidos por palavras do que pela
matemática.
(http://www.din.uem.br/ia/controle/fuz_prin.htm)
Lógica Fuzzy
Baseia-se no conceito de valores
parcialmente verdadeiros, variando de
‘completamente verdadeiro’ a
‘completamente falso’ e tem se tornado
um instrumento poderoso para lidar com a
imprecisão e a incerteza.
Lógica Fuzzy
Aristóteles, filósofo grego (384 - 322 a.C.), foi o
fundador da ciência da lógica, e estabeleceu um
conjunto de regras rígidas para que conclusões
pudessem ser aceitas logicamente válidas raciocínio lógico baseado em premissas e
conclusões.
Lógica Fuzzy
“Todo ser vivo é mortal" (premissa 1)
"Sarah é um ser vivo" (premissa 2)
Conclusão: "Sarah é mortal".
A lógica Ocidental, assim chamada, tem sido
binária, isto é, uma declaração é falsa ou
verdadeira, não podendo ser ao mesmo tempo
parcialmente verdadeira e parcialmente falsa.
Esta suposição e a lei da não contradição, que
coloca que "U e não U" cobrem todas as
possibilidades, formam a base do pensamento
lógico Ocidental.
Lógica Fuzzy
Entre a certeza de ser e a certeza de não
ser, existem infinitos graus de incerteza.
Esta imperfeição intrínseca à informação
representada numa linguagem natural,
tem sido tratada matematicamente no
passado com o uso da teoria das
probabilidades.
Lógica Fuzzy
Contudo, a Lógica Difusa, com base na teoria
dos Conjuntos Nebulosos (Fuzzy Set), tem se
mostrado mais adequada para tratar
imperfeições da informação do que a teoria das
probabilidades. De forma mais objetiva e
preliminar, podemos definir Lógica Difusa como
sendo uma ferramenta capaz de capturar
informações vagas, em geral descritas em uma
linguagem natural e convertê-las para um
formato numérico, de fácil manipulação pelos
computadores de hoje em dia.
Lógica Fuzzy
“Se o tempo de um investimento é longo e o
sistema financeiro tem sido não muito estável,
então a taxa de risco do investimento é muito
alta”.
Os termos "longo", "não muito estável" e "muito
alta" trazem consigo informações vagas. A
extração (representação) destas informações
vagas se dá através do uso de conjuntos
nebulosos.
Lógica Fuzzy
Devido a esta propriedade e a capacidade de
realizar inferências, a Lógica Difusa tem
encontrado grandes aplicações nas seguintes
áreas: Sistemas Especialistas; Computação
com Palavras; Raciocínio Aproximado;
Linguagem Natural; Controle de Processos;
Robótica; Modelamento de Sistemas
Parcialmente Abertos; Reconhecimento de
Padrões; Processos de Tomada de Decisão
(decision making).