inteligência artificial - ia comentários breves. o que é ia ? ia é um campo da ciência que...
TRANSCRIPT
Inteligência Artificial - IA
Comentários Breves
O que é IA ? IA é um campo da ciência que estuda
entidades inteligentes, ou seja, procura uma maior compreensão a respeito de nós mesmos – homo sapiens !
IA filosofia e psicologia, pois, além do entendimento, objetiva a “construção” de entidades inteligentes.
Inteligência Artificial
Agente Inteligente
perceber, entender, inferir e manipular um mundo
“complicado”!
Inteligência Artificial Formalmente iniciada em 1956 com o
advento do computador, porém, por mais de 2000 anos filósofos tentam entender como a gente vê, aprende, lembra e raciocina !
O objetivo da IA é o desenvolvimento de algoritmos que requerem que as máquinas desenvolvam “pensamento” cognitivo .
Um sistema IA deve ser capaz armazenar conhecimento, utilizar o
conhecimento armazenado para resolver problemas e adquirir novos conhecimentos através de experiências.
Componentes de um sistema IA representação (linguagem de
símbolos para representar o conhecimento),
racionalização (habilidade de resolver problemas)
aprendizado
Realidade em IA Estamos “longe”
(será ?) de desen-volvermos um sistema com “inteligência artificialmente humana”
Sistema Especialista
Algoritmo Genético
Lógica Nebulosa Redes Neurais Classificadores
Estatísticos ...
Pattern Recognition Reconhecimento de padrões
Área da ciência que tem utilizado técnicas de IA para a solução de uma infinidade de problemas de
engenharia
Reconhecimento de Padrões O estágio de desenvolvimento de
uma sociedade pode ser medido pela quantidade de informação e conhecimento que a mesma gera
“Até o ano 2000 seria alcançado o limite da mente humana de absorver informação” (Harvard, 60’s)
Reconhecimento de Padrões 1830: 300 periódicos científicos 1976: 60.000 periódicos científicos,
2,5 milhões de artigos em 50 idiomas
2000:??? 1976: 20 bilhões de cheques eram
processados anualmente nos EUA 1980: U.S. Post Office manuseava
anualmente 116 bilhões de pacotes
Reconhecimento de Padrões Quanto de formulários de Imposto de Renda
deve ser processado todos os anos? Quantas impressões digitais devem ser
consultadas para se chegar há uma pessoa ? Quanto de informação um médico deve
saber para interpretar um exame de coração ? E se for uma doença desconhecida naquela região ?
Quantos parâmetros devem ser levados em consideração para se recomendar uma dosagem racional de nitrogênio ?
Era da Informação
Precisamos automatizar a manipulação de tantas
informações. Precisamos imitar a mente humana na sua tarefa de “reconhecimento de padrões”.
Pattern Recognition
Reconhecimento de Padrões
é o desenvolvimento de técnicas para a classificação de objetos em
determinadas classes
Reconhecimento de Padrões Um atributo básico de seres
humanos e outros seres: Reconhecemos objetos a nossa volta Reconhecemos uma voz de uma
pessoa conhecida Reconhecemos escritas à mão e
impressas Reconhecemos um rosto que há muito
não víamos
Como funciona a mente Ao perceber um padrão, sua mente faz uma
inferência indutiva e associa essa percepção com algum tipo de conceito ou regra que foi derivada da experiência passada
Associação do dado de entrada com um conjunto (população)
É um problema estatístico Comparação entre o dado de entrada com
populações, não com indivíduos, procurando características ou atributos entre os membros da população
Pattern Recognition Reconhecimento de padrões:
caracterização do dado de entrada em classes, extraindo significantes propriedades ou atributos do resto que não é significante para o problema
Desenvolvimento de classificadores
Definição da Característica O primeiro
problema no desenvolvimento de um sistema de RP:como representar o
dado de entradaqual o parâmetro a
ser medido no objeto a ser classificado
Vetor do padrão ou padrão
Padrão (descritor) Tem que ser discretizado em caso de
problemas contínuos Pode ser pensado como um ponto em
um espaço Euclideano de dimensão “n”
O processo de representar objetos com medidas (padrões) pode ser considerado como um processo de codificação
Exemplo do futebol americano x jockers Cada padrão é
representado por duas medidas
w1 w2 => nem sempre acontece na prática - pode existir um erro de classi-ficação
e se n > 3 ?
Dimensão do vetor O segundo problema no
desenvolvi-mento de um RP:como extrair o atributo ou a
característica do dado de entradacomo reduzir a dimensão do vetor
de padrões“feature extraction”
Feature selection Medir automaticamente os atributos
que discriminam entre as classes e apresentam uma menor dimensão
Retirar as informações redundantes Pode ser um sistema simples como
“look-up-table” ou um mais complexo de de-correlação
Análise dos Componentes Principais - ANP Transforma os dados do espaço
original para um mais eficiente (consegue armazenar as informações com dimensões menores)
Técnica estatística e de álgebra linear (auto valores e auto vetores)
ANP - Representação gráfica
Funções de Decisão Terceiro problema no
desenvolvimento um sistema RP:
definir a técnica ótima para a tomada de decisão
Funções de Decisão Métodos Heurísticos (“heuristic”)
com base em intuição e experiência Métodos Matemáticos
Determinístico: não aplica explicitamente teoria estatística (treinamento)
Estatístico: assume uma distribuição para a população
Métodos lingüísticos
Exemplo da Jujuba Atributos:
área perímetro eixos maior e menor alongamento circularidade solidez massa ...
Exemplo Jujuba Objetivo: desenvolver um sistema que
classifique as 3 classes de jujubas Tipo de classificador: classificação de
padrões pela distância mínima (problema linear ? )
Amostra: 3 jujubas aleatoriamente amostradas (isto representa a população ?)
Avaliar: 10 jujubas (qual o parâmetro de avaliação?)
Exemplo da espiga de milho Objetivo: desenvolver um sistema
que classifique o grão do milho da parte central e extrema da espiga Parâmetros (automatizar ?):
Comprimento Largura Espessura Área projetada Perímetro, etc ...
Exemplo da espiga de milho
Tipo de classificador: classificação de padrões pela distância mínima (não se sabe se resolverá o problema - problema linear ? )
Amostra: 20 grãos aleatoriamente amostrado das partes da espiga em estudo (isto representa a população ?)
Avaliar: 10 grãos aleatoriamente amostrados (qual o parâmetro de avaliação?)
Folha: “Aprendizado Supervisionado”