Scribd Logo
Carregar

Bem-vindo(a) ao Scribd!

  • 51 visualizações

    Slides Aula 4 - Ia

    Enviado por

    José Janderson
    Este documento apresenta os fundamentos da inteligência artificial e do machine learning. Ele discute os conceitos iniciais de IA e ML, as principais linhas de pesquisa em IA como IA simbólica, conexionista e evolucionária, e fornece exemplos de redes neurais artificiais comerciais como Azure, TensorFlow e Watson.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PPTX, PDF, TXT ou leia online no Scribd

    Slides Aula 4 - Ia

    Enviado por

    José Janderson
    51 visualizações45 páginas
    Este documento apresenta os fundamentos da inteligência artificial e do machine learning. Ele discute os conceitos iniciais de IA e ML, as principais linhas de pesquisa em IA como IA simbólica, conexionista e evolucionária, e fornece exemplos de redes neurais artificiais comerciais como Azure, TensorFlow e Watson.

    Descrição original:

    Inteligencia artificial

    Título original

    SLIDES AULA 4 - IA

    Direitos autorais

    © © All Rights Reserved

    Formatos disponíveis

    PPTX, PDF, TXT ou leia online no Scribd

    Você considera este documento útil?

    Este conteúdo é inapropriado?

    Este documento apresenta os fundamentos da inteligência artificial e do machine learning. Ele discute os conceitos iniciais de IA e ML, as principais linhas de pesquisa em IA como IA simbólica, conexionista e evolucionária, e fornece exemplos de redes neurais artificiais comerciais como Azure, TensorFlow e Watson.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PPTX, PDF, TXT ou leia online no Scribd
    Fazer download em pptx, pdf ou txt
    51 visualizações45 páginas

    Slides Aula 4 - Ia

    Enviado por

    José Janderson
    Este documento apresenta os fundamentos da inteligência artificial e do machine learning. Ele discute os conceitos iniciais de IA e ML, as principais linhas de pesquisa em IA como IA simbólica, conexionista e evolucionária, e fornece exemplos de redes neurais artificiais comerciais como Azure, TensorFlow e Watson.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PPTX, PDF, TXT ou leia online no Scribd
    Fazer download em pptx, pdf ou txt
    de 45

    Aula 4

    FUNDAMENTOS DE COMPUTAÇÃO

    1
    15

    Prof. Gian Carlo Brustolin


    Conversa Inicial

    2
    15
    FUNDAMENTOS DA COMPUTAÇÃO

    INTELIGÊNCIA ARTIFICIAL
    &
    3
    15 MACHINE LEARNING
    FUNDAMENTOS DA COMPUTAÇÃO
    IA & ML

    O objetivo desta aula é apresentar os


    fundamentos de ML e das 3 linhas de IA
    4
    15 1 aula teórica – ML e fundamentos de IA
    Simbólica, Conexionista e Evolucionária
    1 aula prática – treinamento de RNA
    FUNDAMENTOS DA COMPUTAÇÃO
    INTELIGÊNCIA ARTIFICIAL
    Nesta aula teórica
    Inteligência Artificial e Machine Learning: Histórico
    e conceitos
    Principais linhas de pesquisa em inteligência
    artificial
    5
    15

    IA Simbólica, heurística
    IA Conexionista e o treinamento neural
    Redes neurais artificiais comerciais disponíveis
    Tema 1 – Inteligência Artificial e
    Machine Learning:
    Histórico e conceitos
    6
    15
    TEMA 1 – IA e ML: Histórico e conceitos

    Não há um conceito de inteligência!


    Fundamentos da inteligência artificial
    7
    15 Quanto tempo a IA possui?
    O que é ML?
    1.1 Conceito de Inteligência

    Não há um conceito de inteligência!


    4 aproximações (RUSSELL & NORVIG, 2016):
    8
    Pensar racionalmente – pensamento
    15

    “correto” de Aristóteles
    Agir racionalmente – lógica, silogismo
    1.1 Conceito de Inteligência

    4 aproximações:
    Pensar como humano – como o humano
    pensa?
    9
    15 Agir como se humano fosse - Teste de
    Touring 1950
    1.2 Fundamentos de IA

    Se a mente opera de acordo com regras


    lógicas
    Pode ser emulada
    Há livre arbítrio?
    10
    15
    Pensamento e linguagem (Skinner X
    Chomsky)
    Aṣṭādhyāyī - Panini 350 a.C.
    1.2 Fundamentos de IA

    O pensamento esta vinculado à linguagem?


    Skinner X Chomsky
    11
    15 Aṣṭādhyāyī - Panini 350 a.C.
    1.2 Fundamentos de IA

    Ciência Pura
    • IA Aplicada
    Compreender o
    comportamento
    inteligente
    • Lógica
    12
    Ciência Aplicada • Computação
    15

    Implementar • Probabilidade
    máquinas
    inteligentes
    1.3 Quanto tempo IA possui?

    • Início das máquinas computacionais – Touring


    • Tentativas de simular os neurônios humanos:
    • 1943 - modelagem de McCulloch e Pitts de
    neurônio artificial.
    13
    15 • 1959 – Algorítmos genéticos
    • 1969 – DENDRAL – 1º. Sistema especialista –
    bots
    • 200X – Redes Neurais Comerciais
    1.3 O que é Machine Learning

    • Tudo é computável?
    • Teorema da Incompletude – há verdades
    indecidíveis (E.G. ponto)
    • Tratabilidade – tempo para solução
    14
    15
    • Teoria da decisão – decidir sobre base de
    incerteza
    • Jogos de Arthur Samuel – um computador
    só faz aquilo para o que foi programado.
    Tema 2 – Principais linhas de pesquisa
    em inteligência artificial
    15
    15
    TEMA 2 – Principais linhas de pesquisa em
    IA

    • Simbólica
    • Conexionista
    16
    15 • Evolucionária
    • Difusa
    2.1 – IA Simbólica

    • A mente funciona com base em um conjunto


    de símbolos/informações e um conjunto de
    17
    regras de manipulação destes símbolos.
    15
    2.2 – IA Conexionista

    • A mente (= cérebro) tem elementos básicos,


    18
    os neurônios. O aprendizado e o acúmulo de
    informações se dá pelas sinapses (conexões)
    15

    entre estes neurônios.


    2.3 – IA Evolucionária

    • A mente humana é resultado da evolução. Em


    uma população existem os genes que contém
    a solução do problema, basta simular o
    19
    15
    processo evolucionário para obter a solução
    em um conjunto restrito de indivíduos.
    • O raciocínio é o resultado de um processo
    aleatório de reforço.
    2.3 – IA Evolucionária

    Solução de problemas de otimização, com


    custo computacional muito elevado:
    • localização de uma nova subestação de
    20
    15 energia elétrica.
    • escolha da distribuição de dados em uma
    memória computacional.
    2.3 – IA Evolucionária

    • No conjunto em que todas as opções estão


    presentes, há opções de maior otimicidade
    que outras.
    21
    15
    • Combina-se as opções
    • Verifica-se a otimicidade (fitness)
    • Elimina-se as piores de cada geração
    2.3 – IA Difusa

    • Complexidade e Incerteza são eixos


    perpendiculares. Um problema em que C e I são
    autos a ciência tradicional é incapaz de tratar
    (WEAVER, 1991).
    • O raciocínio que pode conduzir à solução de um
    22
    15
    problema complexo não é objetivo mas difuso.
    (YAGER & ZADEH, 2012).
    • Lógica Fuzzi
    • Computação Quântica
    2.4 – Comparação linhas de IA

    Complexidade

    Evolucionista
    Difusa

    23 Conexionista
    15
    Simbólica

    Conhecimento
    Incerteza

    Gráfico do autor
    TEMA 3 – IA Simbólica e heurística

    24
    15
    IA Simbólica

    • A mente funciona com base em um conjunto


    de símbolos/informações e um conjunto de
    25
    regras de manipulação destes símbolos.
    15
    3.1 – Princípios de IA Simbólica

    Programador

    Código Computacional
    Base de Conhecimento
    Mecanismo de raciocínio
    26
    15
    Agente Inteligente
    Ação no Meio Percepção do Meio
    Atuadores Sensores

    Meio
    Gráfico do autor
    3.1 – Princípios de IA Simbólica

    27
    15

    Gráfico do autor
    3.1 – Princípios de IA Simbólica

    • Abstrações
    • Resolução de problemas
    • por busca na base
    • Teste de objetivo
    28 • Custo da solução
    15

    Exemplo Quebra-cabeça de
    blocos de 3ª.ordem

    Gráfico do autor
    3.2 – Árvores de busca

    • Árvore de busca contem


    todas as opções
    • Buscas na árvore:
    • Exaustivas ou cegas
    29
    15
    • Profundidade
    • Largura

    Gráfico do autor
    • Custo uniforme
    • ...
    • Informadas
    3.3 – Heurística

    Como saber se o
    caminho está certo?
    • Árvore de busca contem
    todas as opções
    30
    15
    • Elimina-se alguma
    abstração
    Gráfico do autor
    TEMA 4 – IA Conexionista e o
    Treinamento Neural
    31
    15
    4.1 – Neurônio e o Perceptron

    32
    15
    4.2 – RNA

    • As sinapses naturais são


    emuladas pelos pesos sinápticos
    • Treina-se a RNA alterando-se
    33
    15
    estes pesos até a resposta
    esperada

    Fonte: SANTOS et al., 2005


    4.3 – Treinamento Neural

    • Treinamento supervisionado
    • Amostra-se a população a ser analisada pela RNA
    • Amostra de treinamento
    • Amostra de teste
    34
    15 • Seleciona-se a tx de aprendizagem
    • Métodos de redução gradativa de erro – ajuste sináptico
    • Treina-se por “n” épocas, até a rede atingir o erro mínimo
    4.3 – Treinamento Neural

    • Treinamento não supervisionado


    35
    15 • A natureza organiza-se em clusters naturais
    TEMA 5 – Algumas RNA Comerciais
    Disponíveis
    36
    15
    5.1 – RNA Azure
    • MS AcademIA
    • Cursos e certificações de IA
    • AI-100 – Desinging and Implementing an Azure AI Solution
    • PaaS – plataforma como serviço
    • Consumo de serviços com algoritmos e dados populados
    37
    15

    Adaptado MS AcademIA em
    https://docs.microsoft.com/
    5.1 – RNA Azure

    38
    15

    Adaptado MS Azure em
    https://docs.microsoft.com/en-us/azure/cognitive-services/
    5.1 – RNA Azure

    39
    15

    Adaptado MS Azure em
    https://portal.azure.com/
    5.2 – Google TensorFlow

    • Rede neural da Google


    • Taxa de aprendizagem, épocas,...
    • Conjunto de dados (Treinamento e teste)
    • Youtube:
    40
    15
    Adaptado de Google ML de zero a 100 em
    • Machine Learning 0 -100 - Pynton https://www.youtube.com/watch?v=t5z5lyrb-7s

    • Coding Tensor Flow - JS


    5.2 – Google TensorFlow

    41
    15

    Fonte: Google ML de zero a 100 em


    https://www.youtube.com/watch?v=t5z5lyrb-7s
    5.2 – Watson IBM

    • Watson Studio
    • Chatbot
    • Watson Machine Learning
    42
    • Deep Learning
    15

    • Aprendizado por reforço Fonte: IBM Watson em


    https://www.ibm.com/
    Finalizando

    43
    15
    Finalizando
    IA como MASP
    RNA soluciona problemas como humanos o fazem
    IA evolucionária, difusa,... solucionam problemas
    44
    15

    como a natureza o faz


    Referências
    RUSSELL, Stuart J.; NORVIG, Peter. Artificial intelligence: a modern
    approach. Malaysia; Pearson Education Limited,, 2016.
    YAGER, Ronald R.; ZADEH, Lotfi A. (Ed.). An introduction to fuzzy
    logic applications in intelligent systems. Springer Science &
    Business Media, 2012.
    WEAVER, Warren. Science and complexity. In: Facets of systems
    45
    science. Springer, Boston, MA, 1991. p. 449-456.
    15

    MEDEIROS, L. F. Redes Neurais em Delphi. 2. ed. Florianópolis:


    Visualbooks,2007.
    SANTOS, Alcione Miranda dos et al. Usando redes neurais artificiais e
    regressão logística na predição da hepatite A. Revista Brasileira de
    Epidemiologia, v. 8, p. 117-126, 2005.

    Você também pode gostar