Inteligência Artificial
Meet David!
Sobre a criação● Ciência recente● Nomeada por John McCarthy em 1956 -  Summer Seminar● Grande quantidade de problemas em a...
Abrangência●   Aprendizado●   Percepção●   Arte●   Jogos●   Demonstração de teoremas matemáticos●   Finanças●   Medicina● ...
Para o David...● Teste de Turing  ○   Processamento de linguagem natural  ○   Representação de conhecimento  ○   Raciocíni...
Solução de problemas● Criação de agentes capazes de planejar para  resolver problemas● A complexidade de um problema depen...
Solução de problemas                       Qual é a                       complexidade                       do problema  ...
Solução de problemas● Primeiro caso:  ○ O agente sabe o que precisa fazer  ○ Pensa e planeja o próximo passo  ○ Age de aco...
Solução de problemas● Funciona quando:  ○ O domínio do problema pode ser completamente    observável (é possível saber ond...
Aprendizado de Máquina● Encontrar modelos (como redes de Bayes)  baseados nos dados que o agente possui● Aprendizado de má...
Aprendizado de Máquina● Vetor de características         x , x , x , ..., x         1   2   3   n● Previsão do que as cara...
Aprendizado de Máquina● Exemplo:  ○ Processamento de imagens  ○ O vetor de características corresponde a pixels da    imag...
Aprendizado de MáquinaNavalha de Occam:EVERYTHING ELSE BEING EQUAL,CHOOSETHE LESS COMPLEX HYPOTHESIS.                     ...
Aprendizado de Máquina● SPAM!!!  ○ Bag of words -> usado para filtro de spam simples    ■ Contagem de palavras existentes ...
Aprendizado de máquinaExemplo: Rede de Bayes
Aprendizado de Máquina● K Nearest Neighbors  ○ Usado em casos em que o número de parâmetros    pode crescer vastamente  ○ ...
Redes Neurais● Neurônio  ○ Célula cerebral que coleta, processa e dissemina    sinais elétricos  ○ Constituído por    ■ De...
Redes Neurais● Modelo de McCulloch & Pitts                                (Norvig)
Redes Neurais● Formadas por unidades ligadas por vínculos● Vínculo entre unidades propagam a ativação  entre estas unidade...
Redes Neurais● Uma função de ativação é aplicada à soma  apresentada anteriormente, que irá ativar a  saída
Redes Neurais● Função de ativação próxima a 1 quando as  entradas forem corretas e próxima a 0 caso  contrário● Não-linear...
Redes Neurais● Configurando o peso de desvio e as  entradas de uma unidade, é possível  representar portas lógicas como ne...
Redes Neurais● Os pesos de desvio são os parâmetros da  função● Ajustando-os, é mudada a função que a rede  representa. As...
Redes Neurais: Perceptron● Redes perceptron são utilizadas quando os  dados que desejamos analizar podem ser  separados po...
Redes Neurais: Perceptron● Função linear: W1X+W0● "Chutar" um valor para W1 e W0, que não  serão corretos (a menos que se ...
Inteligência Artificial
Upcoming SlideShare
Loading in …5
×

Inteligência artificial por Marina Fouto

798 views

Published on

Published in: Design
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
798
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
15
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Inteligência artificial por Marina Fouto

  1. 1. Inteligência Artificial
  2. 2. Meet David!
  3. 3. Sobre a criação● Ciência recente● Nomeada por John McCarthy em 1956 - Summer Seminar● Grande quantidade de problemas em aberto
  4. 4. Abrangência● Aprendizado● Percepção● Arte● Jogos● Demonstração de teoremas matemáticos● Finanças● Medicina● Web
  5. 5. Para o David...● Teste de Turing ○ Processamento de linguagem natural ○ Representação de conhecimento ○ Raciocínio automatizado ○ Aprendizado de máquina● Teste de Turing Total ○ Visão computacional ○ Robótica
  6. 6. Solução de problemas● Criação de agentes capazes de planejar para resolver problemas● A complexidade de um problema depende da quantidade de estados que o envolve ● Qual é a melhor escolha agora? ● Para onde eu vou depois?
  7. 7. Solução de problemas Qual é a complexidade do problema apresentado na foto? Visibilidade parcial
  8. 8. Solução de problemas● Primeiro caso: ○ O agente sabe o que precisa fazer ○ Pensa e planeja o próximo passo ○ Age de acordo com a melhor solução encontrada, ignorando as outras● Segundo caso: ○ O agente não tem noção do caminho completo (visibilidade comprometida) ○ Fica impossibilitado de encontrar a maneira ótima para chegar ao seu destino (não conhece as ações possíveis para aplicar ao ambiente)
  9. 9. Solução de problemas● Funciona quando: ○ O domínio do problema pode ser completamente observável (é possível saber onde o agente começa) ○ O domínio do problema deve ser conhecido (ações possíveis) ○ O domínio do problema deve ser discreto (um número finito de ações para escolher) ○ O domínio do problema deve ser determinístico (é possível saber o resultado de uma ação)
  10. 10. Aprendizado de Máquina● Encontrar modelos (como redes de Bayes) baseados nos dados que o agente possui● Aprendizado de máquina = aprender modelos através dos dados ○ O Google utiliza os dados para saber como irá responder a cada busca de usuário● Aprendizado supervisionado e não supervisionado
  11. 11. Aprendizado de Máquina● Vetor de características x , x , x , ..., x 1 2 3 n● Previsão do que as características irão abranger x , x , x , ..., x 1 2 3 n y● O algoritmo deve buscar uma função que utilize as características como entradas e compare com situações reais onde o vetor de características é encontrado
  12. 12. Aprendizado de Máquina● Exemplo: ○ Processamento de imagens ○ O vetor de características corresponde a pixels da imagem ○ O "y" pode ser um identificador, dizendo se o conjunto de pixels no vetor de características pertence a uma determinada imagem.
  13. 13. Aprendizado de MáquinaNavalha de Occam:EVERYTHING ELSE BEING EQUAL,CHOOSETHE LESS COMPLEX HYPOTHESIS. ● Erro de Generalização (dados Erro de generalização = erro de desconhecidos) treinamento de dados + erro de overfitting ● Erro de treinamento de dado (dados agrupados da melhor forma possível -> alta complexidade) ● Erro de overfitting (onde o máximo possível de dados é Complexidade agrupado)
  14. 14. Aprendizado de Máquina● SPAM!!! ○ Bag of words -> usado para filtro de spam simples ■ Contagem de palavras existentes num dicionário ○ Maximun Likelihood ■ Estima os parâmetros de um problema, dado um conjunto de dados e um modelo estatístico ○ Bayes Network ■ Grafo acíclico que representa um conjunto de variáveis e suas dependências condicionais ● Quais as palavras mais comumente encontradas em um spam?
  15. 15. Aprendizado de máquinaExemplo: Rede de Bayes
  16. 16. Aprendizado de Máquina● K Nearest Neighbors ○ Usado em casos em que o número de parâmetros pode crescer vastamente ○ Algoritmo: ■ Aprendizado: memoriza os dados ■ Atribui um peso ao novo exemplo: ● Encontra os vizinhos mais próximos ● Retorna o peso que aparece na maioria dos vizinhos próximos● Perceptron ○ No próximo episódio...
  17. 17. Redes Neurais● Neurônio ○ Célula cerebral que coleta, processa e dissemina sinais elétricos ○ Constituído por ■ Dendritos = recebem sinais elétricos ■ Axônio = enviam sinais elétricos ■ Sinapses = Pontos de encontro ■ Soma = corpo celular ○ Córtex = tecido formado por redes neurais
  18. 18. Redes Neurais● Modelo de McCulloch & Pitts (Norvig)
  19. 19. Redes Neurais● Formadas por unidades ligadas por vínculos● Vínculo entre unidades propagam a ativação entre estas unidades● Cada vínculo possui um peso● Cada unidade calcula uma soma de suas entradas
  20. 20. Redes Neurais● Uma função de ativação é aplicada à soma apresentada anteriormente, que irá ativar a saída
  21. 21. Redes Neurais● Função de ativação próxima a 1 quando as entradas forem corretas e próxima a 0 caso contrário● Não-linear ○ Funções lineares fazem a rede neural entrar em colapso
  22. 22. Redes Neurais● Configurando o peso de desvio e as entradas de uma unidade, é possível representar portas lógicas como neurônios artificiais
  23. 23. Redes Neurais● Os pesos de desvio são os parâmetros da função● Ajustando-os, é mudada a função que a rede representa. Assim acontece o aprendizado● São comumente utilizadas para classificação ou regressão● Existem duas categorias de redes neurais, baseando-se na alimentação de suas entradas: ○ Direta: representa uma função da sua entrada atual somente ○ Recorrente: utiliza como entrada suas próprias saídas
  24. 24. Redes Neurais: Perceptron● Redes perceptron são utilizadas quando os dados que desejamos analizar podem ser separados por uma função linear Uma rede perceptron só convege caso os dados sejam linearmente separáveis.
  25. 25. Redes Neurais: Perceptron● Função linear: W1X+W0● "Chutar" um valor para W1 e W0, que não serão corretos (a menos que se tenha muita sorte!)● Os pesos seguintes serão encontrados a partir dos pesos anteriores, baseado em uma função considerando uma taxa de erro● Após muitas iterações, se houver um separador linear adequado aos dados, a rede perceptron irá convergir.
  26. 26. Inteligência Artificial

×