UTFPR – Universidade Tecnológica Federal do Paraná

Campus Dois Vizinhos

Sistemas Inteligentes Aplicados – SI27S

Aluno: Alessandro Gambin da Silva (#1930648)

Lista sobre o tema Reconhecimento de Padrões

1. Explique o que é reconhecimento de padrões?
Por definição, Reconhecimento de Padrões "é uma área de pesquisa que tem por
objetivo a classificação de objetos (padrões) em um número de categorias ou classes"
(Theodoridis e Koutroumbas). Esses são os principais conceitos da área e que definem
os algoritmos utilizados para tal. Se dá através da percepção de características de um
padrão, as quais são então utilizadas para classifica-lo em categorias. Também, por
definição, é "o ato de observar os dados brutos e tomar uma ação baseada na categoria
de um padrão" (Duda et al.).

2. Qual a diferença entre um padrão e uma classe?

Padrão é uma entidade, objeto, processo ou evento, vagamente definido, que pode
assumir um nome.
Já uma classe é um conjunto de padrões que possuem características em comum.

3. Como funciona o aprendizado supervisionado?

O aprendizado supervisionado é semelhante à ideia de um professor ensinando um
aluno. Nessa analogia, o professor é o especialista que irá selecionar amostras
representativas para cada uma das classes que se deseja classificar e todos os
elementos que serão utilizados no treinamento do algoritmo (o aluno) são então
devidamente rotulados (ou seja, o padrão que se deseja classificar é conhecido). Assim,
após o treinamento, é possível ao algoritmo já treinado inferir as classes às quais as
amostras não utilizadas no treinamento pertencem.

4. Cite e explique cada etapa do reconhecimento de padrões

Ambiente: trata-se do domínio de aplicação, ou seja, o conhecimento do domínio e a
identificação de padrões.
Aquisição de dados: tem a tendência de ser é uma das etapas que mais demandam,
pois para problemas não tão simples (como diferenciar dois padrões com características
bem distintas) os dados devem ser abundantes para o modelo conseguir generalizar o
reconhecimento no treinamento.
Pré-processamento: nem sempre os dados estão prontos para o treinamento, sendo
essa a etapa de verificação, padronização e normalização dos dados (por exemplo,
limites em dados numéricos, dimensões em imagens, tratamentos de ruídos (outliers)
etc.).
Extração de características: etapa em que características das amostras são
sintetizadas, o que é relativo ao domínio da aplicação (por exemplo, no caso de imagens
as características podem ser cores e formas, no caso de sons pode ser a amplitude
sonora, no caso de rostos podem ser a cor dos olhos, o tamanho do nariz, das orelhas
e da boca, etc.).
Treinamento e classificação: processamento das entradas através de técnicas de
classificação (por exemplo, redes neurais, SVM (Support Vector Machines), árvores de
decisão, MLP (Multi-Layer Perceptron), KNN (k-Nearest Neighbors), k-means, etc.).

5. Como o conjunto de dados para uma aplicação de reconhecimento de

padrões deve ser dividido?
Deve ser dividido em treinamento, validação e teste. A eficácia do treinamento da
parcela do conjunto de dados selecionada para tal será validada através dos dados de
validação desse conjunto e, por fim, a acurácia do modelo treinado será testada com os
dados separados para a fase final de teste (é muito importante que esses dados nunca
tenham passado pela fase de treinamento).

6. O que é clusterização?
A clusterização é o processo de agrupar um conjunto de objetos físicos ou abstratos em
classes de objetos similares. Um cluster é uma coleção de objetos que são similares
uns aos outros e dissimilares a objetos pertencentes a outros clusters. A similaridade se
dá de acordo com algum critério pré-definido).

7. Considere o seguinte cenário: Uma empresa de Frigorifico de Carne

necessita de um sistema inteligente para analisar a qualidade da carne por
imagens. A empresa deseja classificar a carne em pelo menos 3 classes,
as quais são: 1 - Boa qualidade; 2- Qualidade razoável; e 3 – Qualidade
ruim. Considerando as etapas do reconhecimento de padrões, ilustre como
ou o que você faria em cada etapa.
Primeiramente, quanto ao ambiente, eu elencaria (ou contrataria) um especialista na
área (domínio) para trazer informações úteis sobre o problema, podendo ser o próprio
cliente.
Para a aquisição de dados, uma vez que esse frigorífico compra bois sempre das
mesmas fazendas pecuárias, eu criaria uma base de dados com imagens da carne
dessas procedências. Inicialmente trataria de um conjunto pequeno-médio de dados,
com cerca de mil fotos de diversos cortes, de animais com idades variadas, e cortes
recentes, velhos, com refrigeração normal, baixa refrigeração, etc.
Na fase de pré-processamento eu normalizaria essas imagens, dadas diferentes
dimensões possíveis, outros objetos presentes nas imagens, falta de nitidez/foco, etc.
Para a extração de características, o que seria avaliado é a cor da carne, onde a
presença de áreas esverdeadas ou acinzentadas/esbranquiçadas já denotaria uma
carne de qualidade ruim; as nervuras visíveis, onde se forem encontradas muitas, então
a carne já seria de uma qualidade, no máximo, razoável; e também seu marmoreio, o
que já denotaria uma carne de boa qualidade.
Por fim, para oreinamento e classificação, a base de imagens seria dividida em
treinamento (70%), validação (20%) e teste (10%) e utilizaria várias técnicas de
classificação (por exemplo, redes neurais, SVM (Support Vector Machines), árvores de
decisão, MLP (Multi-Layer Perceptron), etc.) para aferir qual traria o melhor resultado.