Resumo

Aprendizado de Maquina trata de é uma área de pesquisa da Inteligência Artificial que demostra ao
desenvolvimento de programas de computador com a capacidade de aprender a executar uma dada tarefa
com sua própria experiência visto que a um ensaio de aprendizagem de máquina para que possa aprender
sertãs actividade por si somente, Trata-se de uma área de pesquisa multidisciplinar que engloba
inteligência artificial, probabilidade e estatística, teoria da complexidade computacional, teoria da
informação, filosofia, psicologia, neurobiologia, entre outros. Alguns exemplos de tarefas de Aprendizado
de Máquina são: classificação e agrupamento de dados, e previsão de séries temporais.

Como sabemos que com o aprendizado de máquinas, os computadores analisam grandes conjuntos de
dados e depois 'aprendem' padrões que o ajudarão a fazer previsões sobre novos conjuntos de dados.
Além da programação inicial e talvez de certos ajustes, o computador não precisa de uma ligação com o
humano para aprender certas tarefas com os dados.

Alguns Tipos de Aprendizado de Máquina

Aprendizado supervisionado são os mais comuns na área de AM, sendo que a maioria dos problemas em
que a área de AM pode ajudar a resolver é supervisionada por natureza. É possível notar que a abordagem
de Aprendizado Supervisionado é bem semelhante à definição da técnica de Mineração de Dados
Preditiva. De fato, ambas possuem o mesmo objetivo: induzir modelos ou teorias (como árvores de
decisão ou conjunto de regras) a partir de dados classificados em conjuntos.
Quando se trata dessa abordagem não deixar passar sobre Algoritmos de Aprendizado Supervisionado na
área de AM a classificação pode ser descrita como “a predição de novos dados em baldes (classes)
utilizando um classificador modelado por um algoritmo de AM é a técnica mais utilizada para a resolução
de problemas e mineração de dados. Já a técnica de Regressão é utilizada quando se deseja como saída
um valor numérico, e não um valor discreto, como uma classe. Os grandes tipos de algoritmos que são:
• K-Vizinho Mais Próximo (K-Nearest Neighbor, em tradução livre)

• Redes Neurais Artificiais

• Árvores de Decisão

• Regressão Linear
Aprendizado Não-Supervisionado
Assim como a abordagem de Aprendizado Supervisionado é considerada sinônimo da Mineração de
Dados Preditiva, a abordagem de Aprendizado Não-Supervisionado equivale à técnica de Mineração de
Dados Descritiva, ou seja, é uma abordagem utilizada para descoberta de padrões em dados não-
categorizados, sendo muito utilizado para atividades de exploração de dados. Aprendizado Não-
Supervisionado não possui classificação visto que o conjunto de dados de treinamento não possui uma
saída esperada para cada uma de suas instâncias.
Finalizando sobre Aprendizagem por Reforço
A máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual
essa ação será executada. O futuro é uma variável aleatória: como não se sabe a priori o que irá
acontecer, é desejável uma abordagem que leve em consideração essa incerteza, e consiga incorporar as
eventuais mudanças no ambiente do processo de tomada da melhor decisão. Essa ideia de fato deriva do
conceito de “aprendizagem por reforço” da psicologia, no qual uma recompensa ou punição é dada a um
agente, dependendo da decisão tomada; com o tempo e a repetição dos experimentos.
Os métodos de AM vêm sendo aplicados na agropecuária há muitos anos, Na agricultura de precisão, o
AM tem sido utilizado de muitas maneiras. Dados coletados durante a colheita, plantio e fertilização e
mais.
Resumo
Data Mining (Mineração de Dados)
Actualmente, Data Mining (Mineração de Dados) consiste sobretudo na análise dos dados após a
extração, buscando-se por exemplo levantar as necessidades reais e hipotéticas de cada cliente para
realizar campanhas de marketing. Assim, uma empresa de cartões de crédito, por exemplo, tem uma mina
de ouro de informações: ela sabe os hábitos de compra de cada um dos seus seis milhões de clientes. O
que costuma consumir, qual o seu padrão de gastos, grau de endividamento, etc.
Mineração de dados é parte de um processo maior de pesquisa denominado Busca de Conhecimento em
Banco de Dados (Knowledge Discovery in Database – KDD), o qual possui uma metodologia própria
para preparação e exploração dos dados, interpretação de seus resultados e assimilação dos
conhecimentos minerados.
O objectivo deste trabalho é apresentar os principais conceitos do processo da Mineração de Dados, suas
funcionalidades e principais técnicas utilizadas para a obtenção de conhecimento, bem como apresentar
uma metodologia para preparação dos dados para a mineração, detalhando os processos de limpeza,
integração, selecção e transformação dos dados, etapas fundamentais para o sucesso da mineração.
Knowledge Discovery in Databases (KDD)
Uma das definições mais utilizadas para o termo KDD é de Fayyad (1996), que o define como "um
processo não trivial de identificação de novos padrões válidos, úteis e compreensíveis".
No entanto, todos concordam que o processo de mineração deve ser iterativo e dividido em fases que são:
1. Limpeza dos dados: etapa onde são eliminados e ruídos os dados inconsistentes;
2. Integração dos dados: etapa onde diferentes fontes de dados podem ser combinadas produzindo um
único repositório de dados;
3. Seleção: etapa onde são selecionados os atributos que interessam ao usuário. Por exemplo, o usuário
pode decidir que informações como endereço e telefone não são relevantes para decidir se um cliente é
um bom comprador ou não;
4. Transformação dos dados: etapa onde os dados são transformados num formato apropriado para
aplicação de algoritmos de mineração (por exemplo, através de operações de agregação);
5. Mineração: etapa essencial do processo consistindo na aplicação de técnicas inteligentes a fim de se
extrair os padrões de interesse;
6. Avaliação ou Pós-processamento: etapa onde são identificados os padrões interessantes de acordo
com algum critério do usuário;
7. Visualização dos Resultados: etapa onde são utilizadas técnicas de representação de conhecimento a
fim de apresentar ao usuário o conhecimento minerado.
Tarefas e Técnicas de Mineração de Dados
É importante distinguir o que é uma tarefa e o que é uma técnica de mineração. A tarefa consiste na
especificação do que estamos querendo buscar nos dados, que tipo de regularidades ou categoria de
padrões temos interesse em encontrar, ou que tipo de padrões poderiam nos surpreender (por exemplo,
um gasto exagerado de um cliente de cartão de crédito, fora dos padrões usuais de seus gastos).
Limitações
 As relações entre os atributos precisam ser muito bem definidas, caso contrário os resultados
podem ser mal interpretados;
 Permitir que o processo de treinamento execute por muito tempo, até que se consiga obter
indícios que possam levar há conclusões factíveis;
  Gerar subsídios para uma conclusão errada tornando-a mais plausível. Porém, uma interpretação
falha pode disfarçar as falhas nos dados;
 Usar um grande número de variáveis.

Resumo
Tomada de decisão simples e complexa
Quando se fala de tomada de decisao é necessario que possamos usar sertas ferramentas, que facilitem
um tomador de decisões a entender a natureza dos problemas aos quais ele está sujeito, se faz cada vez
mais necessário, a medida em que as decisões exigem menores tempos de resposta para o seu sucesso,
nesse sentido, a utilização de sistemas de Inteligência Artificial (IA), surge como uma excelente opção,
pois esses possuem a capacidade de responderem de forma bastante ágil aos problemas.
A decisão é uma das formas que está presente no dia a dia, seja la onde for, numa empresa, casa e a
qualquer lugar onde seja para que possa se tomar decisoes.
Para se tomar certas decisões nós precisamos de dados ou precisamos de algo para ser executado para
gerar um certo resultado, uma vez executadas as ações ficamos com o resultado final.
Muitas vezes as decisões são tomadas por:
 Ser humanos;
 Programadas;
Após a tomada de uma decisão ainda tenho a chance de voltar para trás caso a decisão que
tomei não seja satisfatória.

Para um problema:
1. Definição do problema;
2. Definição das alternativas a serem consideradas;
3. Definição dos eventos futuros decorrentes das alternativas escolhidas;
4. Representação em tabelas ou gráficos das alternativas e suas ramificações;
5. Estimativa das probabilidades de ocorrência de cada evento futuro;
6. Determinação dos valores finais das alternativas;
7. Tomada de decisão;

Árvore de decisão na tomada de decisão

Permite que um indivíduo ou organização compare possíveis ações com base em seus custos,
probabilidades e benefícios. Podem pode ser usadas tanto para conduzir diálogos informais quanto para
mapear um algoritmo que prevê a melhor escolha, matematicamente.
Tipos de nós:
Existem três tipos de nós: nós de probabilidade, nós de decisão e nós de término.
O nó de probabilidade é representado por um círculo, mostra as probabilidades de certos resultados.
Um nó de decisão, representado por um quadrado, mostra uma decisão a ser tomada.
Nó de término mostra o resultado final de um caminho de decisão.

Exemplo de análise de árvore de decisão

Ao calcular a utilidade esperada ou o valor de cada escolha na árvore, você pode minimizar o risco e
maximizar a probabilidade de alcançar um resultado desejável.
Vantagens e desvantagens

 Facilidade de compreensão
 Podem ser úteis com ou sem dados concretos, e quaisquer dados requerem o mínimo de
preparação
 Novas opções podem ser adicionadas às árvores existentes
 Seu valor em escolher o melhor dentre várias opções
 Como facilmente podem ser usadas com outras ferramentas de tomada de decisão
Resumo
Representação de conhecimento
E de nosso saber que para utilizar um corpo de conhecimento em uma máquina, é necessário escolher
uma maneira de representá-lo. Todo programa de computador contém o conhecimento sobre um
determinado problema a ser resolvido.
Quando carrega-se um programa em um computador, pode-se dizer que o computador “adquiriu o
respectivo conhecimento; entretanto, na maioria dos programas, estas informações não são representadas
explicitamente e não podem ser facilmente actualizadas ou manipuladas.
Uma das principais características dos programas de IA é que o sistema é estruturado de modo a separar o
código executável dos dados ou conhecimento do sistema. Assim, em IA, o termo “conhecimento”
significa a informação que um programa de computador necessita para que possa comportar-se
inteligentemente.
Característica principal é o conhecimento e a sua representação, Com relação a isto, surgem algumas
indicações básicas importantes:
 De que forma o conhecimento pode ser expresso?
 Como encontrar a linguagem adequada para a representação deste conhecimento?
 Como formar uma base de conhecimento suficientemente detalhada e que represente a
compreensão do domínio?
 Como realizar inferências automáticas, dando acesso tanto ao conhecimento implícito na base de
conhecimento quanto àquele armazenado explicitamente ( declarativo)?
 Como o sistema deve proceder na presença de informações incompletas, incorretas ou de senso
comum?
A representação do conhecimento está sempre relacionada com as formas de expressão da informação.
Diferentes sistemas de representação podem ser mais adequados para diferentes problemas.
Abordagens sobre o Conhecimento e sua Representação
Existem duas tradicionais abordagens ou metodologias que direcionam as pesquisas em representação do
conhecimento, praticamente desde os anos informação de IA. Uma delas representadas por John
McCarthy, tenta adaptar os problemas de IA há um mundo sistematizado da lógica simbólica, onde seu
principal interesse é a maneira de representar relações e características de um problema através do uso de
expressões da lógica simbólica e também ampliar o limite das possibilidades para estes tipos de
expressões.
A segunda abordagem, representada por Marvin Minsky, afirma que o comportamento do cérebro
humano é muito complexo para ser expresso dentro da lógica simbólica. Ele criou os “frames” como uma
combinação de ferramentas e métodos que podem descrever as actividades do cérebro humano sem
permanecer confinado à lógica simbólica.
A Abordagem Declarativa do Conhecimento
Sabe-se que no princípio da representação mais importante é o do conhecimento declarativo, enunciado
por McCarthy nos anos iniciais de IA. Este princípio afirma que o conhecimento sobre factos e relações
no mundo devem ser codificados explicitamente em um programa inteligente, de modo que permita
outros programas “raciocinar” sobre este mesmo conhecimento. A maior parte do conhecimento
quotidiano das pessoas é declarativo, pois representa simplesmente afirmações ou factos sobre o mundo
real.
Redes Semânticas
Quando se fala das Redes Semânticas é o estudo do significado de conceitos individuais utilizados na
linguagem. É uma tentativa de descrever os significados das palavras e as condições sob as quais eles
podem interagir para serem compatíveis com outros aspectos de uma linguagem.
Portanto, uma rede semântica é uma estrutura para a representação do conhecimento definida como um
padrão de nodos interligados por arcos rotulados. As redes deste tipo não só captam as definições dos
conceitos mas também, inerentemente, proporcionam ligações com outros conceitos.
Algumas são propostas como modelos da memória humana e significado de representação, enquanto
outras são usadas como componentes de compreensão de linguagem e sistemas de raciocínio. A memória
humana é associativa por natureza, as ideias e informações na memória estão interrelacionadas umas com
as outras.
Resumo
Busca Competitiva
Os ambientes competitivos, em que os objetivos dos agentes estão em conflito, dão origem a problemas
de busca competitiva frequentemente conhecidos como jogos.
A teoria de jogos (ramo da matemática) visualiza qualquer ambiente multiagente como um jogo, desde
que o impacto de cada jogador sobre os outros seja “significativo”, não importando se os jogadores são
cooperativos ou competitivos. Em IA os jogos mais comuns são de um tipo bastante especializado que os
teóricos de jogos denominam jogos determinísticos de revezamento de dois jogadores de soma zero com
informações perfeitas (como o xadrez).

Propriedades:
 Num ambiente multiagente, é necessário considerar as ações de outros jogadores e o modo como essas
ações nos afetam.

 A imprevisibilidade de outros agentes pode introduzir contingências no processo de resolução de

problema.

 Em ambientes competitivos, as metas dos agentes estão em conflito, dando origem a problemas de
busca competitiva, onde se enquadram os jogos.

 Problemas de busca competitiva = jogos

 2 Jogadores de revezando

 Soma zero: a vitória de um jogador significa a derrota do outro.

 Ambientes determinísticos totalmente observáveis.

O objetivo da busca competitiva é planejar com antecedência num mundo em que outros agentes estão
fazendo planos contra nós.
Decisões ótimas em jogos
Consideraremos jogos com dois jogadores:
– MAX e MIN –
MAX faz o primeiro movimento e depois eles se revezam até o jogo terminar.
Um jogo pode ser definido como uma árvore de busca com a seguinte Formulação:
Estado inicial: posição do tabuleiro identifica jogador que fará o movimento.
Função sucessora: retorna lista de pares (movimento, estado).
Teste de termino: determina quando o jogo termina (estados terminais)
Função utilidade: (ou objetivo): dá valor numérico aos estados terminais.
Algoritmo Minimax
• O algoritmo minimax calcula a decisão minimax a partir do estado corrente. • Utiliza a computação
recursiva dos valores minimax de cada estado sucessor.
• Percorre inicialmente todo o caminho até as folhas e depois propaga os valores minimax de volta pela
árvore, à medida que a recursão retorna.
Passos:
Gera a árvore inteira até os estados terminais, Aplica a função de utilidade nas folhas e Propaga os valores
dessa função subindo a árvore através do minimax
Decisões imperfeitas em tempo real: Minimax gera o espaço de busca todo, Poda ainda tem que chegar
até os estados terminais.
Resumo
Problema de Satisfação de Restrições
E um tipo de problema que impõe propriedades estruturais adicionais à solução a ser encontrada.
Tipo de problema que impõe propriedades estruturais adicionais à solução a ser encontrada.

 Há uma demanda mais refinada do que na busca clássica.

 Tem-se um conjunto de variáveis que podem assumir valores dentro de um dado domínio.

 Tem-se um conjunto de restrições que especificam propriedades da solução - valores que essas variáveis
podem assumir.
Quanto à natureza, as restrições podem ser:
-absolutas (não podem ser violadas)
-preferenciais (devem ser satisfeitas quando possível)

Solução para Problema de Satisfação de Restrições

Procura Básica Estados são caracterizados pelas atribuições feitas até ao momento
 Estado inicial: atribuição vazia {}
 Função sucessora: atribui um valor a uma variável não atribuída que não entra em conflito com a
atribuição atual -falha se não existem atribuições possíveis
 Teste objetivo: atribuição atual é completa.

Procura com Retrocesso

 Atribuições a variáveis são comutativas, i.e., [WA = vermelho, NT = verde] é o mesmo que [NT =
verde, WA = vermelho]

 Só é necessário considerar atribuições a uma única variável em cada nó -r = d e existem dn folhas

 Procura em profundidade para CSPs com atribuição a uma única variável em cada nível é denominada
procura com retrocesso

 Procura com retrocesso é o algoritmo básico (não informado) para CSPs

 Consegue resolver n-rainhas para n ≈ 25

Quanto à Paridade, as restrições podem ser
Restrições unárias referem-se a uma variável,
Ex., SA ≠ verde Restrições binárias referem-se a pares de variáveis,
Ex., SA ≠ WA Restrições de ordem superior envolvem 3 ou mais variáveis, Ex., restrições para cripto
aritmética.

Resumo
Redes Neurais Artificiais
O cérebro humano é responsável pelo controle das funções e dos movimentos do organismo. Por esta
razão, ele é considerado o mais fascinante processador baseado em carbono existente. Ele é composto por
aproximadamente 100 bilhões de neurônios.
O sistema nervoso humano pode ser visto como um sistema com três estágios. São eles:

 O centro do sistema (cérebro), representado pela rede neural que recebe informações e toma decisões;

 Os receptores, que convertem os estímulos do corpo ou do ambiente em impulsos elétricos que

transmitem informação para a rede neural;

 Os atuadores, que, por sua vez, convertem impulsos elétricos em respostas para a saída do sistema.
Os principais constituintes de um neurônio são:

 Dendritos - responsáveis por receber os estímulos transmitidos pelos outros neurônios;

 Corpo celular - responsável por coletar e combinar informações vindas de outros neurônios;

 Axônio - responsável por transmitir os estímulos para outras células (constituído de uma fibra tubular
que pode alcançar até alguns metros).
TOPOLOGIA DE REDES NEURAIS ARTIFICIAIS
As RNA’s são técnicas computacionais que têm capacidade para solucionar problemas por intermédio de
circuitos simples que simulam o funcionamento e o comportamento do cérebro humano. Elas apresentam
um modelo inspirado na estrutura neural de organismos inteligentes, que adquirem conhecimento através
da experiência, ou seja, aprendendo, errando e fazendo descobertas.
CAMADAS
Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas
às unidades da camada posterior. Conforme apresentado na Figura 20, as camadas de uma rede neural são
usualmente classificadas em três grupos:

 Camada de entrada;

 Camadas intermediárias ou ocultas;

 Camada de saída.
A camada de entrada é a camada por onde os padrões são introduzidos à rede.
As camadas intermediárias, escondidas ou ocultas, como também são conhecidas, são
responsáveis pela maior parte do processamento e através das conexões ponderadas, elas podem
ser consideradas como extratoras de características.
 A camada de saída é responsável pela apresentação dos resultados finais.
ARQUITETURA
Do ponto de vista estrutural, a arquitetura de redes neurais pode ser classificada como estática, dinâmica
ou fuzzy. Ela pode ser constituída ainda de única camada ou múltiplas camadas.. Estas conexões podem
ser estritamente no sentido de ida, no sentido de ida e volta, lateralmente conectadas, topologicamente
ordenadas ou híbridas.
Um algoritmo de aprendizado é composto por um conjunto de regras bem definidas visando a solução de
um problema de aprendizado
O aprendizado supervisionado utiliza um agente externo que indica à rede um comportamento
adequado ou inadequado em conformidade com o padrão de entrada.
Aprendizado não supervisionado Essa forma de aprendizado dispensa um agente externo indicando a
resposta desejada para os padrões de entrada