Aula 1 - Introdução Aos Sistemas Inteligentes

Engenharia Elétrica
Sistemas inteligentes
Aula 01: Introdução aos sistemas

inteligentes
Professor Renato Kazuo Miyamoto
renato.miyamoto@sistemafiep.org.br
Conteúdos formativos
• Introdução a sistemas inteligentes: Estudos dos princípios fundamentais
da lógica: dedução natural, cálculo proposicional, proposições,
operações lógicas, argumentos válidos e lógica de primeira ordem.
Introdução à inteligência artificial. Sistemas especialistas: Representação
e processamento do conhecimento. Aplicação de sistemas inteligentes.
Introdução às redes neurais artificiais. Implementação de redes neurais
artificiais. Aplicações de sistemas inteligentes.
Sistemas Inteligentes 2
Referências
LIMA, Isaías; PINHEIRO, Carlos A. M. ; SANTOS, Flávia A Oliveira. Inteligência Artificial.
Rio de Janeiro: Elsevier, 2014. 184 p. ISBN: 8535278087.
NASCIMENTO JÚNIOR, Cairo Lúcio; YONEYAMA, Takashi. Inteligência artificial: em

controle e automação. São Paulo: Edgar Blücher ltda, 2000. 218 p. ISBN 978-85-212-
0310-0.
LUGER, George F. Inteligência Artificial 6.ed. São Paulo: Pearson Education do Brasil,
2013. 615p.ISBN: 9788581435503.
SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para engenharia e
ciências aplicadas: curso pratico. São Paulo: Artliber, 2010.
Aulas: sextas
Feriado:
07/04; 21/04;
09/06.
07/07:
Fechamento
de notas
4
Datas
• Datas importantes:
Nota = ( PF *0, 4) + ( APF *0, 2) + ( APS *0, 2) + ( AT *0, 2)
Projeto Final (PF): até 16/06.

Artigo do Projeto Final: até 16/06.
Avaliação Teórica (AT): 12/05/23.
- *Exame: 30/06/23
Inteligência (conceito): sf (lat intelligentia) 1 Faculdade de entender,
pensar, raciocinar e interpretar; entendimento, intelecto. 2 Compreensão,
conhecimento profundo.
Inteligência artificial (conceito): Parte da ciência da computação que trata

de sistemas inteligentes, capazes de se adaptar a novas situações,
raciocinar, compreender relações entre fatos, descobrir significados e
reconhecer a verdade. Sigla: IA
Projeto e desenvolvimento de programas de computador que
tentam imitar a inteligência humana e funções de tomada de
decisão, obtendo raciocínio e outras características humanas.
Sistemas Inteligentes são plataformas tecnológicas que executam
diversas funções que aproximam a capacidade racional do ser humano
para solucionar problemas.
“It learns during its existence”. (Ele aprende durante sua existência).
Lógica nebulosa
Algoritmos
genéticos
Redes Neurais
Lógica Nebulosa
• Na lógica convencional (binária), um elemento pertence ou não pertence a
um determinado conjunto, e nunca se encontra entre estes dois estados
possíveis.
• A lógica nebulosa é um método que permite expressar incertezas de maneira
mais consistente, através dos conjuntos nebulosos: ao invés de simplesmente
pertencer ou não pertencer, um elemento poderá ter vários graus de
pertinência a um conjunto.
Algoritmos Genéticos
AGs primeiro geram um conjunto de
soluções aleatórias para o problema
para, então, calcularem (utilizando
uma função de avaliação) a qualidade
de cada uma destas soluções.
Depois, através de mecanismos de reprodução, combinam as melhores

soluções, formando novas soluções que serão, possivelmente, mais adequadas
do que aquelas que lhe deram origem. O novo conjunto de soluções é
novamente avaliado. A reprodução e a avaliação são repetidas até que o
conjunto de soluções não possa mais ser melhorado.
Redes Neurais Artificiais
As redes neurais artificiais são um conjunto
de ferramentas computacionais inspiradas
no sistema nervoso de seres vivos. Possuem
a capacidade de aquisição e manutenção de
conhecimento a partir de informações
injetadas na rede. Podem ser definidas como
conjunto de unidades de processamento,
caracterizadas por neurônios artificiais, estes
estão interligados por sinapses artificiais
(Silva, 2010).
Contextualização
• Dado um conjunto de objetos, colocar os objetos em grupos baseados
na similaridade entre eles.
Métodos de Aprendizado
• Os diversos sistemas de aprendizado possuem características
particulares e comuns que possibilitam sua classificação quanto à
linguagem de descrição, modo, paradigma e forma de aprendizado
utilizados;
• Um sistema de aprendizado é um programa de computador que toma

decisões baseado em experiências acumuladas através da solução bem
sucedida de problemas anteriores
Aprendizado de máquina
• (Simon, 1983): “Aprender implica em alterações no sistema que são
adaptativas, no sentido que elas capacitam o sistema a realizar a mesma
tarefa, ou tarefas provenientes da mesma população, de forma mais eficiente
e eficaz na próxima vez”
• (Weiss & Kulikowski, 1991) “Um sistema de aprendizado [supervisionado] é

um programa de computador que toma decisões baseadas na experiência
contida em exemplos solucionados com sucesso”
• (Russel & Norvig 1995)“...todo aprendizado pode ser visto como o

aprendizado de uma função”
Hierarquia do Aprendizado
Aprendizado de máquina
Redes Neurais Artificiais
• 1943 – Trabalho de McCulloch & Pitts – descrição do neurônio e
capacidade computacional
• 1949 – Trabalho de Donald Hebb - Primeiro trabalho com ligação direta
com o aprendizado.
– Modelos computacionais inspirados nos mecanismos de

aprendizagem do cérebro humano.
– Modelos computacionais que tentam emular a forma com que o
cérebro resolve problemas.
Principais Características
– Aprendizado através de exemplos
– Capacidade de adaptação e aprendizado
– Capacidade de generalização
– Agrupar ou organizar dados
– Tolerância às falhas
– Auto-organização
• Aplicações: reconhecimento de padrões; estimação; otimização de

sistemas; aproximação de funções.
Arquitetura de redes neurais
Conceitos iniciais
• Neurônio biológico: realiza o
processamento de informações no
cérebro humano.
• Conduz impulsos elétricos.
• Dendritos: capacitação de
estímulos externos ou de outros
neurônios (conectores).
• Corpo celular: processamento.
• Axônio: condução de impulsos.
• Não existe contato físico entre neurônios (sinapse);
• Elementos neurotransmissores são responsáveis por ponderar a
transmissão de impulsos elétricos.
• Neurônios biológicos são responsáveis por todo o processamento
executados e gerenciados pelo cérebro humano.
• Estima-se que essa rede neural biológica seja construída por cerca de
100 bilhões de neurônios. Cada um deles é interligado por conexões
sinápticas a outros 6.000 neurônios, totalizando 600 trilhões de
sinapses.
• Etapas da variação de potencial de ação do neurônio.
Neurônio Artificial
O neurônio artificial é um modelo
simplificado do neurônio biológico. Os
neurônios artificiais utilizados nos modelos
de redes neurais artificiais são não-lineares,
fornecem saídas tipicamente contínuas, e
realizam funções simples, como coletar os
sinais existentes em suas entradas, agregá-
los de acordo com sua função operacional e
produzir uma resposta, levando em
consideração sua função de ativação
inerente.
Neurônio Artificial
- Sinais de entrada {𝑥1 , 𝑥2 , 𝑥3 }: são os

sinais ou medidas advindas do meio
externo e que representam os valores
assumidos pelas variáveis de uma
aplicação específica.
- Pesos sinápticos {𝑤1 , 𝑤2 , 𝑤3 }: São os valores que servirão para ponderar
cada uma das variáveis de entrada da rede, permitindo quantificar sua
relevância conforme aplicabilidade proposta.
- Combinador linear {Ʃ}: Sua função é agregar todos os sinais de entrada que
foram ponderados pelos respectivos pesos sinápticos a fim de produzir um valor
de potencial de ativação.
- Limiar de ativação {θ}: É uma variável que especifica qual será o patamar
apropriado para que o resultado produzido pelo combinador linear possa gerar
um valor de disparo em relação a saída no neurônio.
- Potencial de ativação {u}: É o resultado produzido pela diferença do valor
produzido entre o combinador linear e o limiar de ativação. Se tal valor for
positivo o neurônio produz um potencial excitatório, caso contrário, o potencial
será inibitório.
- Função de ativação {g}: Seu objetivo é limitar a saída do neurônio dentro de
um intervalo de valores razoáveis a serem assumidos pela sua própria imagem
funcional.
- Sinal de saída {y}: Consiste do valor final produzido pelo neurônio em relação a
um determinado conjunto de sinais de entrada, podendo ser também utilizado
por outros neurônios que estão sequencialmente ligados
Funcionamento resumido:
- Apresentação de um conjunto de valores (variáveis de entrada);
- Multiplicação de cada entrada do neurônio pelo respectivo peso
sináptico;
- Obtenção do potencial de ativação (u) produzido pela soma ponderada;
- Aplicação de uma função de ativação apropriada com o objetivo de
limitar a saída do neurônio;
- Compilação da saída.
Funções de Ativação
• Seu objetivo é limitar a saída do neurônio dentro de um intervalo de
valores razoáveis a serem assumidos pela sua própria imagem funcional.
• Existem dois grupos de função de ativação. As parcialmente

diferenciáveis, que são aquelas cujas derivadas de primeira ordem são
inexistentes, ou seja a função assume apenas valores lineares e reais.
Destacam-se as funções degrau, degrau bipolar e rampa simétrica.
• As funções de ativação totalmente diferenciáveis são aquelas cujas

derivadas de primeira ordem existem e são conhecidas em todo seu
domínio de definição, destacam-se as funções logística (sigmoidal),
tangente hiperbólica, gaussiana e linear.
• Função degrau: O resultado produzido pela aplicação da função degrau
assumirá valores unitários positivos quando o potencial de ativação do
neurônio for maior ou igual a zero; caso o contrário, o resultado
assumirá valores nulos, assim tem-se que:
1, 𝑠𝑒 𝑢 ≥ 0
𝑔 𝑢 =ቊ
0, 𝑠𝑒 𝑢 < 0
%%degrau
clear; clc;
u = (-2:0.01:2);
for i =1:400;
if u(1,i)< 0;
b(1,i)= 0;
else
b(1,i)= 1;
end
end
figure(1)
plot (b,'black','LineWidth',[3]);
grid;
ylim([-0.5 1.5]);
title 'Função de Ativação - Degrau';
• Função degrau bipolar: O resultado produzido assumirá valores
unitários positivos quando o potencial de ativação do neurônio for
maior; valor nulo quando o potencial for nulo, e valores negativos
quando o potencial por menor que zero:
1, 𝑠𝑒 𝑢 > 0
𝑔 𝑢 = ቐ 0, 𝑠𝑒 𝑢 = 0
−1, 𝑠𝑒 𝑢 < 0
Atividade: elaborar um script para função degrau bipolar.

• Função rampa simétrica: Os valores retornados são iguais aos próprios
valores dos potenciais de ativação quando estes estão definidos no
intervalo [-a, a], restringindo-se aos valores limites em caso contrário,
assim tem-se que:
𝑎, 𝑠𝑒 𝑢 > 𝑎
𝑔 𝑢 = ቐ𝑢, 𝑠𝑒 − 𝑎 ≤ 𝑢 ≤ 𝑎
−𝑎, 𝑠𝑒 𝑢 < 𝑎
Atividade: elaborar um script para função rampa simétrica.

• Função sigmoidal/logística: O resultado de saída produzido pela função
logística assumirá sempre valores reais entre zero e um, tendo-se sua
expressão matemática dada por:
1
𝑔 𝑢 =
1 + 𝑒 −𝛽𝑢
Onde β é uma constante real associada

ao nível de inclinação da função logística
frente ao seu ponto de inflexão.
%% Função Sigmoidal
clear all, clc;
u = (-2:0.01:2);
Betaminimo = 1
Betamaximo = 6
cor = ['.b';'.r';'.g';'.k';'.y';'.m'];
for beta = Betaminimo:Betamaximo
for i =1:400
b(1,i) = (1/(1+(exp(-beta*(u(1,i))))));
end
grid on;
hold on
figure (4)
plot (b,cor(beta,:));
end
% ajuste de figura
ylim([-0.5 1.5]);
title 'Função de Ativação - Sigmoidal/logística'
legend('beta=1','beta=2','beta=3','beta=4','beta=5','beta=6')
• Função tangente hiperbólica: O resultado de saída produzido pela
função logística assumirá sempre valores reais entre -1 e 1:
1 − 𝑒 −𝛽𝑢
𝑔 𝑢 =
1 + 𝑒 −𝛽𝑢
Atividade: elaborar um script para função tangente hiperbólica.

• Função gaussiana: O resultado de saída produzirá resultados iguais para
aqueles valores de potencial de ativação (u) que estejam posicionados a
uma mesma distância de seu centro de média:
𝑢−𝑐 2
−
𝑔 𝑢 = 𝑒 2𝜎2
Onde 𝑐 define o centro da função

gaussiana e 𝜎 denota o desvio padrão (o
quão dispersada está a curva em relação
ao centro).
Atividade: elaborar um script para função gaussiana.
• Função linear: O resultado de saída é idêntico ao valor do potencial de
ativação:
𝑔 𝑢 =𝑢
Atividade: elaborar um script para função linear.

Referências
LIMA, Isaías; PINHEIRO, Carlos A. M. ; SANTOS, Flávia A Oliveira. Inteligência Artificial.
Rio de Janeiro: Elsevier, 2014. 184 p. ISBN: 8535278087.
NASCIMENTO JÚNIOR, Cairo Lúcio; YONEYAMA, Takashi. Inteligência artificial: em

controle e automação. São Paulo: Edgar Blücher ltda, 2000. 218 p. ISBN 978-85-212-
0310-0.
SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para engenharia e
ciências aplicadas: curso pratico. São Paulo: Artliber, 2010.
SIMON, H. Redes Neurais Artificiais princípios e prática. 2ed. São Paulo: Bookman,
2000.

Aula 1 - Introdução Aos Sistemas Inteligentes

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 1 - Introdução Aos Sistemas Inteligentes

Enviado por

Direitos autorais:

Formatos disponíveis

Engenharia Elétrica

Aula 01: Introdução aos sistemas

NASCIMENTO JÚNIOR, Cairo Lúcio; YONEYAMA, Takashi. Inteligência artificial: em

Projeto Final (PF): até 16/06.

Inteligência artificial (conceito): Parte da ciência da computação que trata

Depois, através de mecanismos de reprodução, combinam as melhores

• Um sistema de aprendizado é um programa de computador que toma

• (Weiss & Kulikowski, 1991) “Um sistema de aprendizado [supervisionado] é

• (Russel & Norvig 1995)“...todo aprendizado pode ser visto como o

– Modelos computacionais inspirados nos mecanismos de

• Aplicações: reconhecimento de padrões; estimação; otimização de

- Sinais de entrada {𝑥1 , 𝑥2 , 𝑥3 }: são os

• Existem dois grupos de função de ativação. As parcialmente

• As funções de ativação totalmente diferenciáveis são aquelas cujas

Atividade: elaborar um script para função degrau bipolar.

Atividade: elaborar um script para função rampa simétrica.

Onde β é uma constante real associada

Atividade: elaborar um script para função tangente hiperbólica.

Onde 𝑐 define o centro da função

Atividade: elaborar um script para função linear.

NASCIMENTO JÚNIOR, Cairo Lúcio; YONEYAMA, Takashi. Inteligência artificial: em

Você também pode gostar