FACENS – Engenharia da Computação Inteligência Artificial Aprendizado de Máquina Aprendizado de Máquina – Tópicos • • • • • Definições Paradigmas Técnicas Treinamento Exemplos Aprendizado de Máquina – Definições • Uma das áreas da Inteligência Artificial que tem como um dos seus principais objetivos, o estudo e a compreensão dos processos de aprendizagem bem como o desenvolvimento de algoritmos que suportem estes processos, para aplicação em artefatos. • De forma geral estes algoritmos devem melhorar o desempenho dos artefatos na execução de suas tarefas Aprendizado de Máquina – Definições • Melhorar o desempenho dos artefatos significa: — aquisição de conhecimento: à aquisição de novas informações acopladas com a habilidade de aplica-las de maneira útil. Ex.: obter a capacidade de realizar uma nova tarefa. — refinamento de conhecimento: refere-se à prática repetida e à correção dos desvios do comportamento desejado (sistemas adaptativos). Ex: diminuir o tempo / custo de execução de uma tarefa. Aprendizado de Máquina – Paradigmas • A literatura apresenta diversas divisões de paradigmas. Os dois principais são: simbólico e conexionista. • Simbólico: conceitos descrevem classes de eventos, objetos ou relações entre eles (proposições). • Conexionista: redes neurais ou probabilísticas que possuem o conhecimento distribuído em seus nós, realizando aproximações para obter o aprendizado. • Outros: evolutivo, híbrido, probabilísticos, etc. Aprendizado de Máquina – Técnicas • Paradigma Simbólico: — As representações simbólicas estão tipicamente na forma de alguma expressão lógica, árvore de decisão, regras de produção ou rede semântica • Exemplos: — Aprendizagem de conceitos por busca no espaço de soluções — Indução de árvores de decisão e regras proposicionais — Programação em lógica indutiva — Aprendizagem por explicações — Raciocínio baseado em casos — Agrupamento de conceitos proposicionais Aprendizado de Máquina – Técnicas • Paradigma Conexionista: — Perceptron Multicamada — Memórias Associativas (Kohonen) • Outros (probabilísticos, evolucionistas): — — — — — — Redes Bayesianas Redes de Função de Base Radial K Vizinhos mais próximo Regressão estatística Aprendiz bayesiano ingênuo Algoritmos genéticos Aprendizado de Máquina – Treinamento • Aprendizagem supervisionada — Ação é certa ou errada — Dado conjunto de exemplos pré-classificados, aprender descrição que abstraí a informação contida nesses exemplos — Descrição pode ser usada para prever casos futuros • Aprendizagem não-supervisionada — Se vire! — Dada uma coleção de dados não classificados, agrupá-los por regularidades • Aprendizagem por reforço: recompensa/punição — Dado sucesso ou insucesso global de um sequência de ação, determinar qual ação é a mais desejável em cada situação Aprendizado de Máquina – Exemplos • Indução de Árvore de Decisão / Busca no Espaço de Versões — Paradigma Simbólico — Treinamento Supervisionado — Aplicações: classificação, previsão e controle — Representação do Conhecimento: lógica proposicional — Não pode aproveitar de conhecimento prévio Aprendizado de Máquina – Exemplos • Perceptron Multicamada — Paradigma Conexionista — Treinamento Supervisionado — Aplicações: classificação, previsão e controle — Representação do Conhecimento: pesos das conexões da rede — Não pode aproveitar de conhecimento prévio Aprendizado de Máquina – Exemplos • Memórias Associativas — Paradigma Conexionista — Treinamento Não Supervisionado — Aplicações: classificação — Representação do Conhecimento: x1 pesos das conexões da rede — Não pode aproveitar de conhecimento prévio y1 x2 y2 x3 x4 Entradas y3 Neurônios Saída Aprendizado de Máquina – Exemplos • N Vizinhos mais Próximos — Paradigma Probabilístico — Treinamento Supervisionado — Aplicações: classificação, previsão e controle — Representação do Conhecimento: pontos em um espaço N dimensional — Não pode aproveitar de conhecimento prévio - + + - xq + - + Aprendizado de Máquina – Exemplos • Classificador Bayesiano Ingênuo — Paradigma Probabilístico — Treinamento Supervisionado — Aplicações: classificação, previsão e controle — Representação do Conhecimento: probabilidades condicionais entre proposições representadas por pares atributo-valor — Não pode aproveitar de conhecimento prévio — Exemplo: – P(Quente / Sol) = 0.5 – P(Jogar Tenis / Quente) = 0.4 Aprendizado de Máquina – Exemplos • Algoritmos Genéticos — Paradigma Evolutivo — Treinamento Supervisionado — Aplicações: classificação, previsão e controle — Representação do Conhecimento: cromossomos da população — Pode aproveitar de conhecimento prévio na inicialização da população