Você está na página 1de 99

Sistemas de Informação Inteligentes

Airton Bordin Junior


Quem Sou Eu?
 Airton Bordin Junior
 Graduação: Ciência da Computação
 Especialização: Redes de Computadores e Gerenciamento
de Projetos
 Contato
 airtonbjunior@gmail.com
 airtonbjunior.com.br
 facebook.com/airtonbjunior

2
Objetivos Gerais da Disciplina

 Fornecer aos alunos os princípios básicos da


Inteligência Computacional procurando explorar
estes sob a perspectiva do projetista de sistemas
inteligentes.

3
Estratégia de Trabalho
 Apresentação do conteúdo
 Aulas expositivas de aspectos teóricos;
 Aplicações a problemas de interesse, com exercícios
(classe e extra-classe);
 Utilização do laboratório de informática.
 Avaliação
 100 pontos, compostos por
 60% prova;
 40% trabalho.
 1,5h/aula semana
 Quinta-feira, 20h30

4
Bibliografia
 Básica
 REZENDE S. Sistemas Inteligentes Fundamentos e Aplicações.
Editora Manóle, 2003
 RUSSELL, Stuart J. - Inteligência Artificial – Ed. Norvig, Peter
Campus,2004
 LUGER, George F. - Inteligência Artificial – Ed. Bookman
Companhia, 2004

5
Conteúdo Programático

1. Revisão I.A.;
2. Lógica Fuzzy;
3. Representação do Conhecimento;
4. Revisão de Lógica;
5. Prolog, Clojure;
6. Sistemas Especialistas e Engenharia do Conhecimento;
7. Redes Neurais;
8. Mineração de Dados.

6
Introdução
 Sistemas de Informação Inteligentes
 Sistemas de Informação: Sistema (automatizado ou não)
que abrange pessoas, máquinas e/ou métodos organizados para
coletar, processar, transmitir e disseminar dados que
representam informação para o usuário;

 Inteligência: Conjunto que forma todas as características


intelectuais de um indivíduo; faculdade de conhecer, raciocinar,
pensar, interpretar e tomar decisões;

 Inteligência Artificial: Inteligência, similar à humana, exibida


por mecanismos ou software.

7
1. Revisão – Inteligência Artificial

8
Inteligência Artificial (Revisão)
 Objetivos das pesquisas de Inteligência Artificial
 Capacitar o computador a executar funções que são
desempenhadas pelo ser humano usando o conhecimento e
raciocínio;
 Homo Sapiens: homem sábio.
 Pesquisa pós 2ª guerra mundial;
 Termo criado em 1956;
 Variedade de subcampos
 Jogos;
 Demonstração de teoremas;
 Criação de poesia;
 Direção de carros, etc.

9
Inteligência Artificial
 Filosofia (de 428 A.C. até a atualidade)
 Lógica, métodos de raciocínio, origens do aprendizado, racionalidade
 Matemática (cerca de 800 até a atualidade)
 Representações formais, algoritmos, computabilidade, probabilidade
 Economia (de 1776 até a atualidade)
 Conceito de utilidade, teoria da decisão, teoria dos jogos
 Neurociência (de 1861 até a atualidade)
 Substrato físico para a atividade mental
 Psicologia (de 1879 até a atualidade)
 Percepção e controle motor, técnicas experimentais
 Engenharia da computação (de 1940 até a atualidade)
 Construção de computadores rápidos, ambientes, programação
 Linguística (de 1957 até a atualidade)
 Representação do conhecimento e gramática

10
Revisão - Inteligência Artificial

11
Agindo de Forma Humana
 Teste de Turing - Alan Turing (1950)
 Passará no teste se
 Um interrogador humano, depois de propor algumas perguntas por
escrito (vídeo e mecânica no teste total), não conseguir descobrir se
as respostas vem de um humano ou computador.
 Habilidades necessárias
 Processamento de linguagem natural;
 Representação do conhecimento; Alan Turing

 Raciocínio automatizado;
 Aprendizado de máquina;
 Visão computacional;
 Robótica.

12
Agindo de Forma Humana
 Previsão de Alan Turing: Em 2000, as máquinas terão 30%
de chances de enganar um humano por 5 minutos

 2014: 33% dos pesquisadores convenceram-se de que


Eugene Goostman era humano.

13
Agindo de Forma Humana

14
Agindo de Forma Humana
 Alguns pesquisadores tem deixado de lado o Teste de
Turing
 Mais importante estudar os princípios básicos da inteligência
do que produzir um exemplar.
 Justificativa: desafio do voo artificial
 Pesquisadores pararam de imitar os pássaros e passaram a
aprender sobre aerodinâmica.

15
Pensando de Forma Humana
 Como os seres humanos pensam?
 Introspecção;
 Experimentos psicológicos;
 Imagens cerebrais.
 Modelos computacionais + técnicas experimentais da
psicologia

16
Pensando Racionalmente
 Aristóteles (384 a.C. – 322 a.C.) – Silogismo
 Pensamento correto – processos de raciocínio irrefutáveis
 Premissa maior (P);  Todo homem é mortal.
 Premissa menor (p);  Sócrates é homem.
 Conclusão (c).  Logo, Sócrates é mortal.

17
Agentes

 Agente: algo que age


 Autônomo;
 Perceba o ambiente;
 Persista;
 Adapte-se;
 Crie e persiga metas, etc.
 Alguns modos de agir racionalmente não envolvem
inferências
 Reflexos (afastar-se do fogo, por exemplo)

18
Agentes

19
Agentes
 Exemplo: Aspirador de pó

 Percepções: local e conteúdo


 Exemplo: [A, sujo]
 Ações: Esquerda, Direita, Aspirar, NoOp

20
Agentes

Percepções (sequência) Ação


[A, Limpo] Direita
[A, Sujo] Aspirar
[B, Limpo] Esquerda
[B, Sujo] Aspirar
[A, Limpo], [A, Limpo] Direita
[A, Limpo], [A, Sujo] Aspirar
[A, Limpo], [A, Limpo], [A, Limpo] Direita
[A, Limpo], [A, Limpo], [A, Sujo] Aspirar
... …

21
Agentes
 Conceito de sucesso do agente é subjetivo
 Gasto de energia, quantidade de sujeira, ruído, etc
 Medida de desempenho deve refletir o resultado
desejado
 Agente racional: maximiza a medida de desempenho
 Leva em consideração a sequência de percepções e por
conhecimento interno
 Para pensar: Para que medida de desempenho o aspirador
de pó (agente) é racional?
 Quantidade de pó? (jogar o pó e pegar novamente)
 Chão limpo? (nível limpeza, frequência de trabalho)
 Outras medidas...

22
Agentes Racionais
 Agente racional: maximiza a medida de desempenho;
 Racionalidade não é perfeição!
 Maximização do desempenho esperado;
 Perfeição maximiza desempenho real.
 Escolha racional leva em conta as percepções até o
momento

23
Agentes Racionais
 O agente deve coletar informações?
 O agente deve aprender?

24
Agentes Racionais
 Os agentes podem e devem executar ações para a coleta
de informações e aprender!
 Coleta de informações: exploração de um ambiente
desconhecido, por exemplo;
 Agente que aprende: modifica seu comportamento,
dependendo das percepções ao longo do tempo
 Também é chamado Agente Autônomo.

25
Agentes Racionais
 Ao projetar um agente, primeiramente deve especificar o
ambiente de tarefa (PEAS)
 Performance – Medida de desempenho
 Environment – Ambiente
 Actuators - Atuadores
 Sensors – Sensores
 Exemplo: Táxi Autônomo
Performance Environment Actuators Sensors
Seguro, dentro da lei, Estradas, pedestres, Acelerador, freio, Câmeras, medidor de
viagem confortável, clientes, outros embreagem, câmbio, velocidade, GPS,
maximização dos tráfegos, etc. rodas, pneus, luzes, teclado, sensor de
lucros, otimização buzina, etc. motor, etc.
rota, etc.

26
Agentes Racionais
 Exemplo: Sistema de Diagnóstico Médico
Performance Environment Actuators Sensors
Paciente saudável, Hospital, paciente, Diagnósticos, Sensores, descobertas,
maximização lucros, equipe médica, tratamentos, respostas da equipe e
diminuição custos, assistentes, etc. questionamentos, paciente, teclado, etc.
sistemas legais, etc. testes, etc.

 Instrutor de Inglês Interativo


Performance Environment Actuators Sensors
Maximizar Alunos Sugestões, exercícios, Entradas pelo teclado,
desempenho do aluno, correções, mensagens, análise de dados, etc.
manter satisfação, etc. etc.

27
2. Lógica Fuzzy

28
Lógica Fuzzy (difusa)
 Modelar modos de raciocínio aproximados ao invés de
precisos;
 Lógica binária clássica
 Verdadeiro ou Falso.
 Lógica difusa
 Valores intermediários entre V e F (qualquer valor entre 0 e 1);
 Graus de pertinência.

29
Lógica Fuzzy (difusa)

Lógica Convencional Lógica Fuzzy

30
Lógica Fuzzy (difusa)
 Há limitações na representação de certos fenômenos
utilizando a lógica bivalente [0 | 1] (Zimmermann)
 Situações reais muito frequentemente não são determinísticas
e não podem ser precisamente descritas;
 A descrição completa de um sistema real frequentemente
requereria mais dados detalhados do que os que um ser
humano poderia sempre reconhecer simultaneamente,
processar e entender.
 Lógica clássica: é homem, é mortal, é ímpar, etc; Clássica

 Lógica fuzzy: é jovem, está cansado, é alto, etc.

Fuzzy

31
Lógica Fuzzy (difusa)
 Habilidade de manipular conjuntos e números fuzzy é
uma das atividades mais importantes do cérebro humano;
 Provavelmente essa habilidade humana desenvolveu-se através
das gerações, já que o fato de se trocar precisão por
velocidade é decisivo para a sobrevivência biológica em
situações críticas ou de perigos naturais.

32
Lógica Fuzzy (difusa)
 Pessoas jovens?
 Temperatura agradável?
 Copo cheio?
 Pessoa alta?

33
Incerteza
 Ação At = sair para o aeroporto t minutos antes do
vôo.
 At me levará ao aeroporto a tempo?
 Dificuldades de saber o resultado da ação:
 Estados parcialmente observáveis
 Estados das estradas, trânsito, etc.
 Sensores ruidosos
 Relatórios,etc.
 Incerteza quanto ao efeito das ações
 Acidentes, pneu furado, etc.
 Grande complexidade em prever e modelar o trânsito

34
Incerteza
 Nesse caso, a lógica pura não seria muito útil
 Dedução de algo potencialmente falso
– “A45 me levará a tempo ao aeroporto”
 Conclusões fracas para tomada de decisões
– “A45 me levará a tempo ao aeroporto, se nenhum acidente
ocorrer na ponte, se não chover, se nenhum pneu furar, etc.”
 Conclusões não práticas
 “A1440 me levará a tempo ao aeroporto”

35
Incerteza
 A Probabilidade modela o grau de crença de um agente
dada as evidências disponíveis
 “A25 chegará a tempo com probabilidade 0.04”
 “A45 chegará a tempo com probabilidade 0.85”
 “A60 chegará a tempo com probabilidade 0.95”
 Proporciona um meio para resumir a incerteza causada
 Preguiça - falha em enumerar todas as possíveis exceções à
regra
 Ignorância - falta de conhecimento sobre fatos relevantes,
condições iniciais

36
Incerteza
 Probabilidade – (Bayesiana || Subjetiva)
 Estado de crença do agente em uma sentenças, dadas as evidências;
 Diferente quando novas evidências chegam
 P(A25|nenhum acidente) = 0.06
 P(A25|nenhum acidente, 5 a.m.) = 0.15

 Sentenças – (Verdadeiras || Falsas.)


 Muda o grau de crença do agente na sentença;
 Probabilidade 0 a uma sentença significa acreditar que ela é falsa com
certeza absoluta;
 Probabilidade 1 a uma sentença significa acreditar que ela é verdadeira
com certeza absoluta.

0 = 100% falso
1 = 100% verdade

37
Incerteza
 Suponha o seguinte conjunto de crenças:
 “A25 chegará a tempo com probabilidade 0.04”;
 “A90 chegará a tempo com probabilidade 0.70”;
 “A120 chegará a tempo com probabilidade 0.95”;
 “A1440 chegará a tempo com probabilidade 0.9999”.
 Que ação o agente deve tomar?
 Depende de suas preferências – (Perder o voo || Tempo
de espera no aeroporto)
 Teoria da utilidade = representação de preferências
 Teoria da decisão = teoria da probabilidade + teoria da utilidade

38
Incerteza
 Considere a regra em lógica de primeira ordem:
 ∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries)
Certo ou errado?

39
Incerteza
 Considere a regra em lógica de primeira ordem:
 ∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries)
 A regra está incorreta!
 Nem todas as pessoas que tem dor de dente tem cáries.
 ∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries) ∨
Doença(p, Gengivite) ∨ Doença(p, Abscesso)...
 Para tornar essa regra verdadeira, é necessário encontrar
TODAS as possibilidades de causa de uma dor de dente.
 Implicação pode ser modelada de forma mais fraca:
 Dor_de_Dente(0.7) ⇒ Doença(Cáries)

40
Incerteza
 Elemento básico: variável aleatória
 Análogo à lógica proposicional
 Mundos possíveis são definidos pela atribuição de valores às variáveis.
 Cada variável aleatória tem um domínio que determina
seus valores possíveis.
 Tipos de domínio
 Booleano: Cárie possui valores em [verdadeiro,falso]
 Discreto: Clima possui valores em [ensolarado, chuvoso, nublado,
neve]
 Contínuo: Temperatura

41
Incerteza
 Proposições elementares:
 Construídas através da atribuição de valores a variáveis.

Cárie = falso, Clima = chuvoso

 Proposições complexas:
 Formadas a partir de proposições elementares e conectivos lógicos
padrão.
Clima = chuvoso ∧ Cárie = falso

42
Incerteza
 Um evento atômico consiste da especificação completa do
estado do mundo sobre o qual o agente está incerto.
 Uma atribuição de valores a TODAS as variáveis das quais o mundo é formado.
 Exemplo:

Cárie = verdadeiro ∧ DorDeDente = verdadeiro

Cárie = falso ∧ DorDeDente = falso

Cárie = verdadeiro ∧ DorDeDente = falso

Cárie = falso ∧ DorDeDente = verdadeiro

43
Incerteza
 O grau de crença em uma proposição na ausência de outras
informações pode ser definida da seguinte maneira:
 P(Cárie = verdadeiro) = 0.1
 P(Clima = ensolarado) = 0.72
 Distribuição de probabilidades:
 P(Clima) = (0.7, 0.2, 0.08, 0.02)
 Clima = ensolarado, chuvoso, nublado, neve

44
3. Representação
do conhecimento

45
Representação do conhecimento
 Como representamos nosso conhecimento?
 As pessoas representam conhecimento da mesma
maneira?
 Existe uma forma de representar qualquer coisa?
 Como programas inteligentes devem representar
conhecimento?

46
Representação do conhecimento
 Cadeia semântica (atividade prática)

47
Representação do conhecimento
 Cadeias semânticas (atividade);
 Frames;

 Scripts;
 Orientação a objetos (exemplo).

48
Representação do conhecimento
 Prolog
 Programação lógica/matemática.
 Principal exemplo prático: IBM Watson

49
Linguagens - Prolog
 Programming in Logic;
 Resolver problemas envolvendo objetos e relações entre
eles;
 Conceitos básicos
 Fatos;
 Perguntas;
 Variáveis;
 Conjunções;
 Regras;
 Conceitos avançados
 Listas;
 Recursão.

50
Linguagens - Prolog
 Aulas práticas
 http://swish.swi-prolog.org/
 http://swish.swi-prolog.org/p/AulaPrologCesufoz.pl

Consultas

Motor de Base de
Interface Conhecimento
inferência
Respostas

51
Linguagens - LISP
 List Processor;
 Assim como Prolog, é utilizada em Inteligência Artificial;
 Final dos anos 50 – MIT – John McCarthy;
 Processamento simbólico;
 Linguagem funcional;
 Interpretado;
 Possui garbage collector;
 Uso intenso de recursão;
 Várias versões/dialetos
 Mac Lisp;
 Franz Lisp;
 Common Lisp;
 Golden Lisp;
 Clojure, etc.
52
Linguagens - Clojure
 2007 – Rich Hickey;
 Executada na JVM;

(println “Olá Mundo!”)

(defn raiz-quadrada [x] (* x x))

(javax.swing.JOptionPane/showMessageDialog nil "Olá Mundo" )

(defn soma-elementos
[lst]
(if (empty? lst)
0
(+ (first lst)
(soma-elementos (rest lst))))) ;

53
Linguagens - Clojure

Clojure Java Python Ruby

54
4. Revisão de
Lógica

55
Lógica
 Ciência do raciocínio;
 Proporcionar a universalidade na representação do
raciocínio
 Evitar ambiguidades.
 Garantir consistências;
 Lógica formal ignora o conteúdo de um argumento e se
preocupa com a validade da argumentação;
 Fornece as estruturas básicas para descrever o método
de pensar organizado e cuidadoso que caracteriza a
atividade racional (agentes racionais).

56
Lógica
 Proposição
 Sentença que é falsa ou verdadeira
 Usamos proposições para representar afirmações que fazemos
em linguagem natural
 “Vinte é maior que dez”;
 “O código hexadecimal da cor branca é #ffffff”.
 Conjunções
p q pVq p^q ¬p ¬q
V V V V F F
V F V F F V
F V V F V F
F F F F V V

57
Lógica
 Exemplo
 A = “Pedro é alto”
 B = “Pedro é magro”

 AND
 (A ^ B) = “Pedro é alto e magro”
 OR
 (A V B) = “Pedro é alto ou magro”
 Negação
 (A ^ B)´ = “Pedro é baixo OU gordo”

58
Lógica
 Regras de equivalência

59
6.Sistemas Especialistas e
Engenharia do Conhecimento;

60
Sistemas Especialistas
 Sistemas baseados em conhecimento
 Há uma separação clara entre conhecimento e raciocínio;
 Controle do programa não se mistura com a especificação do
conhecimento.
 Conhecimento: conjunto integrado de fatos e relações
que, quando devidamente interpretado, produz um
desempenho eficiente

61
Sistemas Especialistas
 Sistemas baseados em conhecimento
 Podem ser usados para
 Facilitar a introdução de um novo conhecimento;
 Apoiar na detecção de erros;
 Justificar as regras melhorando a capacidade de explicação;
 Dar mais informações acerca do conhecimento;
 Guiar a seleção e uso de regras;
 Etc.

62
Sistemas Especialistas

Sistemas
Especialistas

Processamento
Outros de Linguagem
Natural

Inteligência
Artificial
Visão
Robótica
Computacional

Aprendizado Redes Neurais


por reforço Artificiais

63
Sistemas Especialistas
Inteligência Artificial
Sistemas que exibem/replicam comportamentos inteligentes

Sistemas Baseados em Conhecimento


Conhecimento é vital, divisão entre conhecimento e raciocínio

Sistemas Especialistas
Conhecimento é obtido a partir de um perito/especialista

64
Sistemas Especialistas
 Sistema
 Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.

65
Sistemas Especialistas
 Sistema
 Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.
 Especialista
 Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.

66
Sistemas Especialistas
 Sistema
 Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.
 Especialista
 Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.
 Sistemas Especialistas
 Sistemas que solucionam problemas que são resolvidos apenas
por pessoas especialistas (acumularam conhecimento) na
resolução desses problemas.

67
Sistemas Especialistas
 Ramo da Inteligência Artificial
 Faz uso intensivo do conhecimento especializado para resolver
problemas ao nível de um especialista humano;
 Emulam o comportamento de especialistas humanos em algum
domínio específico do conhecimento.
 Caso específico de Sistemas Baseados em Conhecimento;
 O desenvolvimento de um Sistema Especialista incorpora
 Vertente técnica;
 Vertente humana complexa
 Relacionamento de confiança que se estabelece entre quem especifica
e desenvolve o sistema e quem possui o conhecimento.

68
Sistemas Especialistas
 Sistemas Convencionais x Sistemas Especialistas

Sistema Convencional Sistema Especialista

• Baseado em busca heurística;


• Baseado em um algoritmo;
• Problemas para os quais não
• Emite um resultado final
existe uma solução
correto;
convencional organizada de
• Processa um volume de dados
forma algorítmica disponível
de maneira repetitiva.
ou é muito demorada.

69
Sistemas Especialistas
 Sistemas Convencionais x Sistemas Especialistas

Sistema Convencional Sistema Especialista

• Representação e uso de
• Representação e uso de dados;
conhecimento;
• Algorítmico;
• Heurística;
• Processos repetitivos;
• Processos de inferência;
• Efetiva manipulação de grandes
• Efetiva manipulação de grandes
bases de dados.
bases de conhecimento.

70
Sistemas Especialistas
 Faz inferências e deduções a partir de informações
fornecidas pelo usuário;
 Conhecimento é aplicado na solução do problema
 Usado para guiar e restringir a busca por soluções.
 Área do problema é pequena e bem definida
 Medicina;
 Segurança;
 Automobilismo;
 Engenharia;
 Etc.

71
Sistemas Especialistas
 Especialista
 Conhecimento amplo de uma tarefa específica
 Adquirido por meio de treinamento, leitura, experiência, etc.
 Conhecimento
 Dados + processamento = informação;
 Informação + processamento (experiência, etc) = conhecimento

Conhecimento é saber que um tomate é


fruta, sabedoria é saber que não se deve
usar um tomate em uma salada de frutas

72
Sistemas Especialistas
 Especialista
 Identifica questões relevantes ao problema;
 Resolve problemas complexos;
 Explica o resultado;
 Aprende continuamente (reestruturação);
 Sabe quando aplicar exceções;
 É humano.

73
Sistemas Especialistas
 Como um especialista toma uma decisão?
 Encontra fatos;
 Formula hipóteses
 Busca em sua memória um conhecimento prévio.
 Emite a decisão;
 Durante o processo de raciocínio, verifica qual a importância
dos fatos que encontra
 Compara com as informações contidas em seu conhecimento
acumulado.
 Formula novas hipóteses e verifica novos fatos;
 [...]

74
Sistemas Especialistas
 Como um especialista toma uma decisão?
 Sempre baseado em conhecimento prévio;
 Pode não chegar a uma decisão se os fatos de que dispõe para
aplicar seu conhecimento prévio não forem suficientes
 Pode chegar a uma conclusão errada.

75
Sistemas Especialistas
 Arquitetura típica de um sistema especialista

Sistema Especialista

Base de
Fatos Conhecimento
Interface de usuário Conhecimento

Motor de Inferência

76
7. Redes Neurais

77
Redes Neurais
 Cérebro humano = aproximadamente 10 bilhões de
neurônios;
 Ligados através de sinapses;
 Em média, cada neurônio forma entre 1000 e 10000 sinapses.
 Comunicação realizada por meio de impulsos;
 Formam uma grande rede – Rede Neural.

78
Redes Neurais
 Algoritmo de Redes Neurais
 Tentativa de imitar o cérebro e sua incrível capacidade de
aprender;
 Hipótese de que o cérebro possui apenas um algoritmo que
consegue aprender toas as funcionalidades do corpo;
 Primeiras menções sobre o tema – 1943 McCulloch e Pitts
 Sugestão de uma máquina baseada no cérebro humano;
 Criação de um neurônio artificial.

79
Redes Neurais
 Cérebro humano x Computador

Parâmetro Cérebro Computador


Material Orgânico Metal e plástico
Velocidade Milisegundos Nanosegundos
Tipo de processamento Paralelo Sequencial
Armazenamento Adaptativo Estático
Controle de processos Distribuído Centralizado
Número elementos processados 10^11 à 10^14 10^5 à 10^6
Ligações entre elementos processados 10000 <10

80
Redes Neurais

81
Redes Neurais

82
Redes Neurais
 Disposição dos neurônios
 Rummelhart: Rede deve possuir no mínimo duas camadas
(entrada e saída). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediária;
 Hopfield: Rede deve possuir comportamento dinâmico e fluxo
de dados multidimensional, com a integração total de todos os
neurônios.

Hopfield Rummelhart

83
Redes Neurais
 Disposição dos neurônios
 Rummelhart: Rede deve possuir no mínimo duas camadas
(entrada e saída). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediária;
 Hopfield: Rede deve possuir comportamento dinâmico e fluxo
de dados multidimensional, com a integração total de todos os
neurônios.

Hopfield Rummelhart

84
Redes Neurais
 Aprendizado
 Propriedade mais importante das redes neurais;
 Habilidade de aprender com o ambiente e melhorar seu
desempenho;
 Feito por meio de um processo iterativo de ajustes aplicados a
seus pesos;
 Tipos de relacionamento com o ambiente de aprendizado
 Aprendizado supervisionado;
 Aprendizado não-supervisionado;
 Reforço.
w(k+1) = w(k) + ∆w(k)
Adequação dos pesos sinápticos dos neurônios

85
Redes Neurais
 Treinamento de uma rede neural em tempo real
 http://playground.tensorflow.org/,
 https://www.youtube.com/watch?v=qv6UVOQ0F44

86
8. Mineração de Dados

87
Mineração de Dados
 Uma parte do processo de Descoberta de Conhecimento
em Base de Dados (KDD – Knowledge Discovery in
Databases);
 KDD: Processo de tornar dados de baixo nível em
conhecimento de alto nível
 A mineração de dados é a extração de padrões ou modelos de
dados observados.

Dado Informação Conhecimento Sabedoria

-15000 Saldo = -15000 Endividado! Eliminar dívida

88
Mineração de Dados
 Uso da Tecnologia da Informação para descobrir regras,
identificar fatores, tendências, padrões, relacionamentos
ocultos em grandes bancos de dados para auxiliar a
tomada de decisões.
 Tópico recente em Ciência da Computação que utiliza
várias outras áreas
 Estatística;
 Inteligência Artificial;
 Cálculo;
 Recuperação da Informação;
 Engenharia da Computação;
 Reconhecimento de Padrões, etc.

89
Mineração de Dados
 Processo não trivial de identificar, em dados, padrões
válidos, novos, potencialmente úteis e ultimamente
compreensíveis (Fayyad);
 Fases da Descoberta de Conhecimento
 Seleção;
 Pré-processamento;
 Transformação;
 Mineração de Dados;
 Avaliação.

90
Mineração de Dados

http://techland.time.com/2012/02/17/how-target-knew-a-high-school-girl-was-pregnant-before-her-parents/

https://www.facebook.com/notes/facebook-data-science/the-formation-of-love/10152064609253859

91
Mineração de Dados

92
Mineração de Dados

93
Mineração de Dados

94
Mineração de Dados

95
Mineração de Dados

96
Mineração de Dados

97
Mineração de Dados

98
Referências
 REZENDE S. Sistemas Inteligentes Fundamentos e Aplicações. Editora Manóle, 2003.
 RUSSELL, Stuart J. - Inteligência Artificial – Ed. Norvig, Peter Campus,2004.
 INF 1771 – Inteligência Artificial – Edirlei Soares de Lima
 Inteligência Artificial – Sérgio Silva e Josiane M. Pinheiro
 Inteligência Artificial - Bianca Zadrozny
 Top IT Trends of 2016: Autonomous Agents and Things – fwrdtech
 Aplicação De Lógica Fuzzy Em Sistemas De Controle De Tráfego Metropolitano Em Rodovias Dotadas De
Faixas Exclusivas Para Ônibus - Juliano Neves De Paula E Sousa
 Lógica Fuzzy – Mário Benevides
 Inteligência Artificial – Edirlei Soares Lima
 Introdução à Programação Prolog – José Augusto Baranauskas
 Lógica Formal – Nathann Lucas José Lima Alcantara
 Lógica Matemática e Computacional – Ana Florencia
 Sistemas Especialistas – Cedric Luiz de Carvalho
 Sistema Especialista para Supressão Online de Alarmes em Processos Industriais – Danilo Curvelo de Souza
 Redes Neurais – Cassis Yuri Tatibana e Deisi Yuki Kaetsu
 Visão Geral de Redes Neurais – Isabel Gomes
 Aprendizado em Redes Neurais Artificiais – Von Zuben
 Data Mining – Joel de Bortoli

99