CIÊNCIA DA COMPUTAÇÃO
2
SÉRIE
ALMANAQUE PARA POPULARIZAÇÃO DE
Inteligência
Artificial
E=mc²
VOLUME 6
Aprendizado Baseado em
Modelos Probabilísticos
Guilherme de Oliveira Amorim
Albert Santos Barbosa
Maria Augusta Silveira Netto Nunes
Jones Granatyr
A654a
Aprendizado baseado em modelos probabilísticos /
Guilherme de Oliveira Amorim... [et al.]. – São
Cristóvão : Editora JAndrade, 2015.
24 p. : il. – (Almanaque para popularização de ciência
da computação. Série 2, Inteligência artificial ; v. 6)
ISBN 978-85-8253-110-5
1. Aprendizado do computador.
2. Inteligência
artificial. 3. Probabilidades. I. Amorim, Guilherme de
Oliveira. II. Série.
CDU 004.85(059)
ALMANAQUE PARA POPULARIZAÇÃO DE
CIÊNCIA DA COMPUTAÇÃO
SÉRIE 2: INTELIGÊNCIA ARTIFICIAL
VOLUME 6
Aprendizado Baseado
em Modelos Probabilísticos
Guilherme de Oliveira Amorim
Albert Santos Barbosa
Maria Augusta Silveira Netto Nunes
Jones Granatyr
Essa cartilha foi desenvolvida como atividade do projeto de
extensão para popularização de Ciência da Computação em Sergipe
apoiado pela PROEX-UFS e pelo projeto MCTI/CNPq/SPM-n°
420160/2013-2, intitulado: Popularizando e fomentando o ingresso de
meninas sergipanas na área de Ciências da Computação, Engenharia
da Computação e Sistema de Informação, visando a crescente
demanda de profissionais no contexto estadual, nacional e
internacional da área de TI. É também vinculado ao projeto da Bolsa
de Produtividade CNPq–DTII coordenado pela profa. Maria Augusta
Silveira Netto Nunes em desenvolvimento no Departamento de
Computação/Programa de Pós-graduação em Ciência da
Computação (PROCC) – UFS. O público alvo das cartilhas são jovens
pré-vestibulandos e graduandos em anos iniciais. O objetivo é
fomentar ao público sergipano e nacional o interesse pela área da
Ciência da Computação.
As cartilhas da série sobre Inteligência Artificial descrevem a
área da Ciência da Computação que busca simular a inteligência
humana por meio de dispositivos e softwares. Essa cartilha mostra
uma linha de estudo chamada de Aprendizado Baseado em Modelos
Probabilísticos (ABMP). O ABMP é usado quando se quer que o
computador aprenda, e um exemplo prático é a classificação de
pessoas como crianças, adultas e idosas utilizando fotos.
O toque para o intervalo de aula soa.
Essas balas
não vão durar
nem um minuto!
05
João, João, me deixa
pegar uma? Por favor!
Pode tirar
uma, José!
Eu deixo.
Fazer o que,
não é?
Oba!
Posso tirar
mais?
Por favor!
Não!
Apenas uma!
...
06
Por favor,
pessoal!
Cada um tire
uma só!
E=mc²
João, eu
também vou
querer uma.
E=mc²
Pessoal,
sabiam que o
que aconteceu
agora pode
explicar um
fenômeno da
estatística?
E=mc²
07
Um dos próximos
assuntos que
vamos abordar
em sala de
aula é sobre
probabilidade.
É tentar prever
as coisas,
professor?
E=mc²
Vocês poderiam
me dizer ou dar
algum exemplo de
que seria
probabilidade?
É uma boa
resposta, João.
E=mc²
A probabilidade é utilizada em
circunstâncias que não temos a
certeza de que algo irá acontecer
e são associadas chances a cada
possibilidade
de acontecer.
E=mc²
Ah, é como se disséssemos,
“Será que amanhã vai chover?”.
08
Isso, José!
É tentar adivinhar algo
que irá acontecer. Ou mesmo,
“Qual a probabilidade de José
ter tirado uma bala com sabor
cereja do saco de balas?”.
²cE=m
m==c²mc²
EE
Ah, entendi!
Seria algo como
qual a probabilidade
de sair balas de
cereja ou limão?
Não é isso?
Como assim?
Exatamente José!
Com isso temos o
conjunto de nossas
probabilidades, que
m==c²mc²
nada mais é do que ²cE=m
EE
provar uma afirmação
que fazemos sobre algo
que pode acontecer.
Bom, vamos supor
que todas as balas
que serão retiradas
do saco de balas
sejam de limão.
Essa é nossa afirmação.
Agora precisamos prová-la,
a partir de cada bala que
retiramos do saco.
Se todas as balas retiradas
forem de limão, conseguimos
comprovar nossa afirmação.
09
E=m
Então, por exemplo,
se tirássemos
10 balas, todas de
limão, a probabilidade
de que a próxima
retirada seja, também,
uma bala de limão é
bem grande, não é isso?
Mas, com relação
a prever as coisas,
como isso funciona,
professor?
Exato! Com isso,
poderíamos afirmar²cm
²
c²
mc
=
que nossa hipótese E=m
=
E
E
está se tornando
verdade.
Pois é, João.
Podemos fazer um
computador prever
acontecimentos,
por exemplo, dando
um modelo estatístico
como esse do saco
de balas, que estamos
discutindo.
Não é bem assim!
Ele dá um indício de
que algo vai acontecer.
Pode ser um indício
forte ou fraco, ou seja,
uma chance bem alta
de acontecer ou uma
chance pequena.
Sério? Ele pode
prever os números
da loteria?
10
Ah, entendi.
Então o computador
vai aprendendo a cada
evento, não é?
Você está
compreendendo.
É esse o caminho!
A cada retirada de
bala o computador vai
armazenando esses
dados, calculando eles
e, tentando prever
o próximo passo.
²cE=m
m==c²mc²
EE
É de forma incremental: primeiro o computador
vai aprendendo, digamos que ele é treinado,
para depois poder usar o que aprendeu para
prever as situações. É o que chamamos
Aprendizagem de Máquina. Uma das diversas
técnicas da Inteligência Artificial.
E=mc²
Mas o que é
Inteligência
Artificial?
É como vemos
nos filmes?
11
Em partes sim, mas sem
tantos exageros como
supercomputadores controlando
tudo e a todos. A Inteligência
Artificial é uma área da
Ciência da Computação
que tenta elaborar
soluções que simulem a
capacidade humana de
raciocinar, perceber, tomar
decisões e resolver
problemas: a capacidade
de ser inteligente.
Mas, pessoal,
e se cada bala
tivesse uma
embalagem
colorida, verde
e vermelho?
As coisas
mudariam?
Acho que sim, professor.
Seria mais complicado
de calcular, não?
Pois agora, além
de saber qual o
sabor da bala,
sabemos também
a cor do saquinho.
Como é isso?
E=mc²
E=mc²
É, a coisa só
muda um pouco.
Dessa vez nós
temos duas
variáveis,
o sabor e o
saquinho da
bala que pode
ser verde
ou vermelho.
Primeiro temos a probabilidade
de aparecer o sabor cereja ou
limão e, logo após,
a chance de uma bala
com esses sabores
aparecerem dentro
de um saquinho
verde ou vermelho.
12
Por exemplo,
qual a probabilidade
²cm c² c²
m
de uma bala de cerejaE=m
E==E
aparecer em um
saquinho verde?
Esse é o raciocínio!
Temos que dividir o nosso
conjunto de probabilidades.
O matemático inglês Thomas Bayes,
por volta dos anos de 1700,
foi quem definiu as fórmulas
que usamos para esses problemas.
Com elas podemos montar
funções matemáticas que
nos retornam valores
numéricos capazes
de representar nossas
afirmações e
probabilidades.
O jogo de cara e coroa
funciona assim, não é?
Temos cinquenta por
cento de chances
do lado da moeda
ser o que escolhemos,
a cada jogada.
O saquinho vermelho
não é usado nesse cálculo,
pois não faz parte da
nossa afirmação. Então,
é calculado o valor que
corresponde a uma bala
de cereja dentro de um
saquinho verde e o valor
que corresponde a uma
bala de limão dentro
de um saquinho também
verde.
Bom exemplo José!
Continuando com o exemplo
das balas! Podemos dizer
que a probabilidade de uma
bala sabor cereja estar
dentro de um saquinho
verde é dada pelas variáveis:
sabor de cereja e
saquinho verde.
Entendi! Assim,
temos os valores
para cada variável
que queremos analisar,
e com isso observamos
qual a hipótese com
maior probabilidade
de acontecer.
Perfeito, João!
E=mc²
13
Mas, professor,
só existe esse método?
Só Bayes que ajudou
os computadores a
aprenderem?
Não, José. Outro grande
matemático,
Johann Carl
Friedrich Gauss,
também
contribuiu
para o que
chamamos de
modelo Gaussiano
Linear, por volta
E=mc²
de 1800.
O modelo proposto
por Gauss trabalha com
média e desvio padrão.
A média é algo com
que nos deparamos
no dia-a-dia, como
quando queremos saber
a nossa média do bimestre.
A média de um conjunto
de valores numéricos
é a soma de todos estes
valores dividida pelo número
de elementos somados.
Já o desvio padrão,
é obtido através da média e
nos diz se há muita variação
de cada valor em relação
à média.
Através dos dois
representamos a maior
probabilidade para uma
afirmação, ou seja, a maior
chance de um evento,
como chover amanhã,
acontecer.
Com apenas duas características?
Só isso? E porque Bayes
utilizava vários?
Isso, José. Com apenas dois!
Bayes se utilizou de vários,
no nosso exemplo das balas
até dois, pois ele tratou
diretamente com os eventos,
ou seja, a hipótese de
uma bala de cereja estar
em um saquinho verde,
por exemplo. Já Gauss
utiliza uma amostra do
nosso conjunto.
14
E=mc²
E=mc²
Exatamente! Porém,
não se trata apenas
das balas, mais sim
da ação de retirar
Como assim,
uma amostra?
Então Gauss
não usa todas
as balas do saco
de balas, é isso?
uma bala do saco.
Então ele usa apenas
uma parte do número
total dessas ações e
faz uma suposição
para o restante das
ações.
²cE=m
m==c²mc²
EE
Ainda em Bayes, podemos
agrupar os conjuntos de
probabilidades que construirmos,
formando assim uma Rede Bayesiana,
que nada mais é do que a tentativa
de tirar a probabilidade de afirmações
com muitas características.
É o que a gente chama de
Aprendizagem por Estrutura.
Existem mais técnicas?
Existem sim.
E=mc² Temos a Aprendizagem
por Variáveis Ocultas,
por exemplo.
15
Variáveis ocultas?
Então não vale de nada,
pois não podemos ver.
HAHAHA!
Existem variáveis desconhecidas,
e o desafio, aqui, é determinar
as variáveis ocultas a partir das
variáveis que já temos e,
as novas variáveis encontradas
podem então serem usadas para
realizar novas análises.
E=mc²
Como assim,
professor?
Mas vamos lá: podemos aplicar um
sistema de computação que forma
agrupamentos com nossos dados e
tenta distinguir categorias dentro
de uma coleção de dados.
Então, com a entrada de um
dado novo, o computador
aprende a classificá-lo mais
facilmente.
16
São
mais avançadas.
mc²
E=técnicas
É preciso ter um conhecimento
maior sobre a Ciência da
Computação e, principalmente,
sobre Inteligência Artificial.
E=mc²
Encontrar grupos de objetos tal
que objetos em um grupo são
similares ou relacionados uns
aos outros e diferentes ou não
relacionados a objetos em outros
grupos, por exemplo, separar
documentos de texto por nome,
data, tipo de documento,
ou mesmo, separar um conjunto
de pessoas em torcedores de
um time ou de outro.
Agrupamentos?
O que seria isso,
professor?
E=mc²
Ah, fica mais fácil de
entender quando
falamos de futebol!
Temos também a
aprendizagem
baseada em
instâncias.
O que seria?
Alguém tem ideia?
17
E=mc²
Pelo nome, talvez seja
algo como aprender com
exemplos? Algo assim?
É bem isso, João!
Estou sentindo que você vai
escolher Ciência da Computação
no vestibular.
As instâncias são conjuntos
de probabilidades usados para o
treinamento de computadores.
A cada nova instância, por exemplo,
o computador calcula a distância
entre o anterior e o novo.
E essas distâncias são os
valores que utilizamos para fazer
com que o computador aprenda.
E=mc²
Entenderam?
Quanto menor a distância
entre um modelo e outro,
temos mais certeza de
que determinado dado é
de um grupo ou de outro.
Isso acontece
com os filmes que
a Netflix nos
recomenda, por exemplo.
Nossa! É muito extensa
a área de Aprendizado
de Máquina, não é?
E=mc²
Onde podemos estudar
sobre essas coisas?
É uma área vasta, sim.
Existem diversas técnicas e
muitas ainda estão surgindo.
18
Aqui no estado,
temos o curso de mestrado da
Universidade Federal de Sergipe.
Tem uma linha de pesquisa
com foco voltado para Inteligência
Artificial. Mas, antes disso, vocês
ainda tem a graduação e, antes
ainda, precisam terminar o ensino
médio e passar no vestibular.
Isso é claro, se vocês escolherem
a Ciência da Computação.
Mas ainda têm muito que
conhecer antes de decidir
sobre qualquer coisa.
É, mas gostei disso de
fazer um computador
aprender.
Muito interessante!
²
E=mc
Então
vamos para a aula
estudar para que isso se
realize que já vai tocar
o sinal.
Eu já tinha guardado,
mas pode pegar
mais uma!
Eu também gostei.
Vou ser um cientista
da computação quando
eu crescer.
Mas antes, João,
me dá mais uma bala?
Tenho certeza que vou
pegar uma de cereja
dessa vez.
Acertei!
Não disse que seria
de cereja?!
Fim!
19
BIBLIOGRAFIA
RUSSELL, Stuart; NORVIG, Peter; INTELLIGENCE, Artificial. A
modern approach. Artificial Intelligence. Prentice-Hall, Egnlewood
Cliffs, v. 25, 1995.
Mais cartilhas e informações sobre temas diversos da computação em
http://200.17.141.213/~gutanunes/publication.html
SOBRE OS AUTORES
ALBERT SANTOS BARBOSA
Bolsista PAEX, Criando ilustrações das cartilhas informativas para popularização da
Ciência da Computação em Sergipe.Graduando em Design Gráfico pela
Universidade Federal de Sergipe (2012.1). Possui experiência na área do Design
gráfico, com ênfase em ilustração.
Guilherme de Oliveira Amorim
Bolsista FAPITEC mestrando em Computação Inteligente com ênfase em Análise de
Sentimento e Personalidade pela Universidade Federal de Sergipe. Atuou na área de
Análise de Testes, como Tester pelo Cin, Centro de Informática da Universidade
Federal de Pernambuco, em parceria com a Motorola. Atuou, também, como
desenvolvedor de software pela Universidade Federal de Alagoas, Campus
Arapiraca, em projetos com ênfase em Biotecnologia e Desenvolvimento de
Aplicações Desktop, ambos utilizando a Plataforma Java e sistema gerenciador de
banco de dados PostgreSQL.
Jones Granatyr
Doutorando em Informática bolsista da CAPES e Mestre em Informática bolsista do
CNPq (2011), ambos na área de Inteligência Artificial. No mestrado trabalhou dentro
do contexto do projeto PAI-L (Piloto Automático Inteligente para Locomotivas)
financiado pela FINEP (Financiadora de Estudos e Projetos), o qual teve como
objetivo o desenvolvimento de um software inteligente para condução de
locomotivas de carga. Possui Especialização em Segurança em Redes de
Computadores e Banco de Dados Distribuídos (2007) e Graduação em Sistemas de
Informação (2004). Trabalha em projetos de pesquisa relacionados a área
Inteligência Artificial, tais como Sistemas Especialistas, Mineração de Dados,
Mineração de Textos, Sistemas Multiagente, Aprendizagem de Máquina e
Computação Afetiva. Entre os anos de 2011 e 2012 foi bolsista de produtividade nível
B1 do CNPq, trabalhando com Raciocínio Baseado em Casos no software JUSTINIA
(Justiça Inteligente Apoiada em Inteligência Artificial). Em 2010 teve sua empresa
contemplada com financiamento modalidade subvenção econômica da FINEP
vinculado ao projeto PRIME (Primeira Empresa Inovadora). Atualmente é líder do
grupo de pesquisa de Inteligência Computacional do CNPq e Universidade do
Contestado. É também membro do grupo de pesquisa de Agentes de Software da
Pontifícia Universidade Católica do Paraná. Leciona na Universidade do Contestado
- SC no curso de Ciência da Computação e na União de Ensino do Sudoeste do
Paraná - UNISEP de Francisco Beltrão - PR no curso de Sistemas de
Informação.ação de pessoas como crianças, adultas e idosas utilizando fotos.
Maria Augusta Silveira Netto Nunes
Bolsista de Produtividade Desenvolvimento Tecnológico e Extensão Inovadora do
CNPq
Professor Adjunto III do Departamento de Computação da Universidade Federal de
Sergipe. Membro do Programa de Pós-graduação em Ciência da Computação
(PROCC) e do Programa de Mestrado em Ciência da Propriedade Intelectual
(PPGPI) na UFS. Doutora em "Informatique pela Université de Montpellier II - LIRMM
em Monpellier, França (2008). Realizou estágio doutoral (doc-sanduiche) no INESCID- IST Lisboa- Portugal (ago 2007-fev 2008).É mestre em Ciência da Computação
pela Universidade Federal do Rio Grande do Sul (1998) e possui graduação em
Ciência da Computação pela Universidade de Passo Fundo (1995) . Possui
experiência acadêmico- tecnológica na área de Ciência da Computação e Inovação
Tecnológica-Propriedade Intelectual. É membro da Câmara de Assessoramento em
Inovação da FAPITEC/SE . É membro da Associação Sergipana de Ciência. É exEditora-Chefe da Revista Scientia-Plena. É Membro da CEIE-SBC. É ex-bolsista
CNPq-SEBRAE como Orientadora ALI-SE (Agentes Locais de Inovação).Possui
também experiências Academico-administrativas como Coordenadora de Curso de
Graduação, Pos-graduação e Chefia de Departamento. Atualmente, suas pesquisas
estão voltadas, principalmente na área de inovação Tecnológica usando
Computação Afetiva na tomada de decisão Computacional, principalmente visando a
personalização em ambientes de E-commerce via Sistema de Recomendação.
Recomendação de equipes de trabalho em Empresas, e-training. Atua nas áreas de
Inteligência Artificial, Interação Homem-Máquina, Computação Afetiva, Educação a
Distância, Informática na Educação, Acessibilidade. Atua também em Inovação
Tecnológica, Propriedade Intelectual capacitando empresários na área de TI e
fornecendo consultoria em Registro de Software e patente. Seus projetos
acadêmico-tecnológicos, geralmente, são multidisciplinares (envolvem áreas como
E-commerce, Psicologia, Tecnologia da Informação e Comunicação, Educação,
A c e s s i b i l i d a d e ) . h t t p : / / w w w. p e r s o n a l i t y r e s e a r c h . u f s . b r /
http://scholar.google.com.br/citations?user=rte6o8YAAAAJ Gestora do Convênio de
cooperação internacional n 1888.090/2012-UFS -Université de Montpellier II Portaria n 0136-21 de janeiro 2013, Processo n 23113.002869/12-98.
AGRADECIMENTOS
Expressamos nossos agradecimentos ao DCOMP, PROCC, CNPq e
FAPITEC.
APOIO:
ISBN: 978-85-8253-110-5