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