Escolar Documentos
Profissional Documentos
Cultura Documentos
Computacional Aplicada
Conteúdo
G O que é “Inteligência” Computacional?
G Áreas de Aplicação
G Técnicas Inteligentes
– Sistemas Especialistas
– Lógica Fuzzy
– Redes Neurais
– Algoritmos Genéticos
G Sistemas Inteligentes do ICA
O que é Inteligência
Computacional?
G Previsão
G Detecção de Fraude
Áreas de Aplicação
Energia
Finanças
Telecomunicações
Medicina
Meio-Ambiente
Comércio
Indústria
Sistemas
Especialistas
Conceitos Básicos
Sãoprogramas que armazenam e manipulam o
conhecimento adquirido de um especialista.
Regras de produção
Regra i
IF <condição_1> AND <condição_2>...
THEN <ação_A> AND <ação_B> ....
Exemplo 1:
IF Carro = BMW AND cidade = São Paulo
THEN seguro = 10% valor carro
Regras de produção
Regra i
IF <condição_1> AND <condição_2>...
THEN <ação_A> AND <ação_B> ....
Exemplo 2:
IF idade ≥ 65 anos
THEN seguro = R$ 1.500,00
IF idade ≥ 50 anos AND pressão ≥ 14 por 10
THEN seguro = R$ 1.200,00
IF idade < 40 anos AND pressão = 12 por 8 ± 10%
THEN seguro = R$ 650,00
Organização de Sistemas Especialistas
Base de Memória
conhecimento de
IF Carro = BMW AND cidade = SP Trabalho
THEN seguro = 10%
IF Carro = Fiat AND cidade = Icapuí carro = Fiat
THEN seguro = 4%
cidade = Icapuí
Máquina de
Valor do Seguro
Inferência
Sistema de Aquisição de
Explicações Conhecimento
Avaliação
Adequada para aplicações onde:
o conhecimento (o especialista) é
acessível;
as regras são conhecidas e fáceis de
serem formuladas por este especialista;
quando explicações são necessárias.
Avaliação
Vantagens Desvantagens
G utiliza representação G ausência de
explícita do mecanismo automático
conhecimento de aprendizado
G processo longo e caro
G capazes de gerar de extração do
justificativas conhecimento
(explicações) G exigência de
declarações precisas
dos especialistas
Aplicações Comerciais
G Conjuntos Fuzzy
G Grau de Pertinência a um Conjunto
G Regras Fuzzy
G Inferência Fuzzy
Conjuntos e Regras Rígidos
muito
jovem jovem velho muito velho
0 10 20 30 40 50 60 idade
G Conjuntos Fuzzy
G Grau de Pertinência a um Conjunto
G Regras Fuzzy
G Inferência Fuzzy
Conjuntos Fuzzy
muito
jovem jovem velho muito velho
0 10 20 30 40 50 60 idade
grau de
pertinência muito
jovem jovem velho muito velho
1.0
0.5
idade
10 20 30 40 50 60
Conjuntos Fuzzy
0.65
0.45
idade
10 20 30 40 50 60
Conjuntos Fuzzy
Pedro tem 40 anos.
Ele é jovem ou velho?
G Conjuntos Fuzzy
G Grau de Pertinência a um Conjunto
G Regras Fuzzy
G Inferência Fuzzy
Sistema para Análise de
Seguro Saúde
Regras Fuzzy
G Conjuntos Fuzzy
G Grau de Pertinência a um Conjunto
G Regras Fuzzy
G Inferência Fuzzy
Conjuntos Fuzzy
Idade 20 25 30 35 40 45 50 55 60 65
Meia-Idade 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1
Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0
Pressão Máx. 95 100 110 120 130 140 150 160 170 175
Pressão Mín. 50 55 60 65 70 75 80 85 90 100
Alta 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
Idade 20 25 30 35 40 45 50 55 60 65
Meia-Idade 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1
Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0
Pressão Máx.95 100 110 120 130 140 150 160 170 175
Pressão Mín. 50 55 60 65 70 75 80 85 90 100
Alta 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
Seguro 300 500 700 800 90010001200
Alto 0.1 0.3 0.4 0.5 0.8 0.9 1.0
Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Fuzzy
SE idade é jovem E pressão é alta ENTÃO seguro é alto
Idade 20 25 30 35 40 45 50 55 60 65
Meia-Idade 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1
Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0
Pressão Máx.95 100 110 120 130 140 150 160 170 175
Pressão Mín. 50 55 60 65 70 75 80 85 90 100
Alta 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
Seguro 300 500 700 800 900 10001200
Alto 0.1 0.3 0.4 0.5 0.8 0.9 1.0
Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Fuzzy
Idade 20 25 30 35 40 45 50 55 60 65
Meia-Idade 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1
Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0
Pressão Máx.95 100 110 120 130 140 150 160 170 175
Pressão Mín. 50 55 60 65 70 75 80 85 90 100
Alta 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
Seguro 300 500 700 800 900 10001200
Alto 0.1 0.3 0.4 0.5 0.8 0.9 1.0
Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1
w2
Corpo
Somático
w3
Estrutura da Rede Neural
Atividade
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
w w
O3
I3 w H3 w
w w
Pesos Pesos
Saída
Entrada Escondida
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos
Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w
w
w
I1 w H1
O1
w
w
w
w
I2 H2 w
w O2
w
w
w
Dados para w
Treinamento
I3 H3 w
w O3
w
w
Pesos
Pesos
Entrada Escondida
Saída
Treinamento da Rede Neural
Erro = -
w w
I1 w H1 w O1
w w
w w
I2
w H2 w O2
w w
w w
I3 H3 O3
Dados para
w w
Treinamento
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos
Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w
w
w
I1 w H1
O1
w
w
w
w
I2 H2 w
w O2
w
w
w
Dados para w
Treinamento
I3 H3 w O3
w
w
w
Pesos
Pesos
Entrada Escondida
Saída
Treinamento da Rede Neural
Erro = -
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
w w
O3
I3 w H3 w
Dados para
w w
Treinamento
Pesos Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
Dados para w w
Treinamento O3
I3 w H3 w
w w
Pesos
Pesos
Saída
Entrada Escondida
Treinamento da Rede Neural
Atividade
Alvo
Neural
w
w
w
I1 w H1
O1
w
w
w
w
I2 H2 w
w O2
w
w
w
Dados para w
Treinamento
I3 H3 w
w O3
w
w
Pesos
Pesos
Entrada Escondida
Saída
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
w w
NOVO DADO NÃO APRESENTADO O3
DURANTE O TREINAMENTO I3 w H3 w
w w
Pesos Pesos
Saída
Entrada Escondida
Utilização da Rede Neural
Atividade
Neural
w w
I1 w H1 w O1
w w
w w
O2
I2 w H2 w
w w
w w
NOVO DADO NÃO APRESENTADO O3
DURANTE O TREINAMENTO I3 w H3 w
w w
Pesos
Pesos
Saída
Entrada Escondida
Utilização da Rede Neural
Atividade
Neural
w
w
w
I1 w H1
O1
w
w
w
w
I2 H2 w
w O2
w
w
w
w
NOVO DADO NÃO APRESENTADO
DURANTE O TREINAMENTO I3 H3 w
w O3
w
w
Pesos
Pesos
Entrada Escondida
Saída
• reconhecimento de padrões
ruidosos e/ou incompletos;
• onde regras claras não podem ser
facilmente formuladas;
• não necessita de explicação do
resultado.
Avaliação
Vantagens Desvantagens
Algoritmo de busca/otimização
inspirado na seleção natural e
reprodução genética.
G Indivíduo G Solução
G Cromossoma G Representação
G Reprodução Sexual G Operador Cruzamento
G Mutação G Operador Mutação
G População G Conjunto de Soluções
G Gerações G Ciclos
G Meio Ambiente G Problema
Qual a finalidade de Algoritmos
Genéticos?
G Adaptativo
– informação corrente influencia a busca futura
G Paralelo
– várias soluções consideradas a cada momento
G Problema Complexo
– de difícil formulação matemática ou com grande
espaço de busca (grande número de soluções)
Problema Complexo
Exemplo:
Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=máx
2L N ú m e r o d e P o n to s T em p o d e B u sca
n o E sp aço 109 inst/seg
27
L=90 10 1 5 b ilh õ e s d e
anos
Problema da Cabra Cega
Busca de objetivo escondido em uma área
y
tesouro
y0
x0 x
Problema da Cabra Cega
Busca de objetivo escondido em uma área
y
tesouro
x0 x1 x
Problema da Cabra Cega
Busca de objetivo escondido em uma área
y
tesouro
y2
x0 x2 x1 x
Problema da Cabra Cega
y tesouro
yA
A
cruzamento
C
yB
B
E
D
xB x
xA
Problema da Cabra Cega
F
y tesouro
(xB ,yA )
yA
A
cruzamento
C
(xA ,yB )
yB
G
B
E
D
xB x
xA
Operações Básicas
Seleção: privilegia os indivíduos mais aptos
Reprodução: indivíduos (palavras binárias) são
reproduzidos com base na aptidão
Crossover: troca de genes (pedaços de palavras)
Mutação: troca aleatória de um gene (bit da palavra)
Exemplo
Problema:
Achar o valor máximo para f (x) = x2 , x no limite de 0 a 63.
Representação da Solução:
Palavras binárias representando sucessivas potências de 2.
011100 Representa 28
110101 Representa 53 (uma solução mais apta)
Seleção em Algoritmos Genéticos
População Seleção
Cromossoma Palavra X Aptidão (x2 )
D
A 100100 36 1296 C
B 010010 18 324
C 010110 22 484 A
B
D 000001 1 1
Probabilidade Aptidão do
de Seleção Cromossoma
Operadores de Algoritmos Genéticos
Crossover
1 0 1 0 1 1 1 0 1 0 0 0
Pais Filhos
0 0 1 1 0 0 0 0 1 1 1 1
Mutação
0 1 1 1 0 0 Antes
0 1 0 1 0 0 Depois
Ciclo do Algoritmo Genético
Avaliação Cromossoma Palavra Aptidão Pais
dos Filhos A 100100 1296
B 010010 324
C 010110 484
D 000001 1
Evolução
f( )
Filhos Reprodução
Avaliação
Técnica utilizada em aplicações: