Sistemas Baseados em
Aprendizado
(Aprendizado de Máquina)
Introdução à Inteligência Artificial
• O objetivo da IA é o desenvolvimento de paradigmas ou
algoritmos que requeiram máquinas para realizar tarefas
cognitivas, para as quais os humanos são atualmente melhores.
• Um sistema de IA deve ser capaz de fazer 3 coisas:
1. Armazenar Conhecimento (representação);
2. Raciocinar (aplicar o conhecimento armazenado para
resolver problemas);
3. Aprender (adquirir novo conhecimento através da
experiência).
Introdução à Inteligência Artificial
Os 3 componentes principais de um sistema de IA:
Representação
Aprendizagem
Raciocínio
Introdução à Inteligência Artificial
Para uma máquina ter um comportamento inteligente, ela
precisa ser capaz de aprender.
Mas o que é aprender ?
• Obter conhecimento, compreensão, habilidade, ou
experiência;
O ser humano está pré-programado para o aprendizado.
O Computador não possui o programa inicial para
procurar por informações e aprender.
Aprendizado de Máquina (AM)
Sub-área da IA que pesquisa métodos computacionais
relacionados à aquisição novos conhecimentos e
habilidades;
Objetivos:
• entender melhor os mecanismos de aprendizado humano;
• automação da aquisição do conhecimento;
Paradigmas de AM
• Simbólico
• Estatístico
• Conexionista
• Genético
Paradigma Simbólico
• Constrói representações simbólicas de um conceito através
da análise de seus exemplos e contra-exemplos;
• Representações simbólicas geralmente assumem a forma
de:
• Expressões Lógicas;
• Árvore de Decisão;
• Regras de Produção.
Árvore de Decisão
Sorri
sim
não
segura
espada
inimigo
inimigo
bandeira
amigo
Paradigma estatístico
Constrói um modelo estatístico do problema
geralmente, geralmente utilizando a regra de Bayes;
Podem ser:
• Paramétricas;
• Não paramétricas.
Técnicas paramétricas
Assumem um modelo de distribuição de probabilidade
dos dados
• contém um número de parâmetros que são otimizados
para encaixar no modelo escolhido;
• distribuição escolhida pode não modelar a verdadeira;
Principais técnicas:
• Inferência Baysiana;
• Máxima Probabilidade
Técnicas Não-paramétricas
Não assumem um modelo de distribuição de
probabilidade dos dados
• forma da função densidade é definida pelos dados;
• número de parâmetros crescem com o tamanho do
conjunto de dados;
Redes Neurais Artificiais
Algoritmos Genéticos;