Escolar Documentos
Profissional Documentos
Cultura Documentos
Sistemas inteligentes
Sistemas Inteligentes 2
Professor Renato Kazuo Miyamoto
Referências
LIMA, Isaías; PINHEIRO, Carlos A. M. ; SANTOS, Flávia A Oliveira. Inteligência Artificial.
Rio de Janeiro: Elsevier, 2014. 184 p. ISBN: 8535278087.
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.
Sistemas Inteligentes 3
Professor Renato Kazuo Miyamoto
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)
- *Exame: 30/06/23
Sistemas Inteligentes 5
Professor Renato Kazuo Miyamoto
Inteligência (conceito): sf (lat intelligentia) 1 Faculdade de entender,
pensar, raciocinar e interpretar; entendimento, intelecto. 2 Compreensão,
conhecimento profundo.
Lógica nebulosa
Algoritmos
genéticos
Redes Neurais
Sistemas Inteligentes 7
Professor Renato Kazuo Miyamoto
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.
Sistemas Inteligentes 8
Professor Renato Kazuo Miyamoto
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.
Sistemas Inteligentes 10
Professor Renato Kazuo Miyamoto
Contextualização
• Dado um conjunto de objetos, colocar os objetos em grupos baseados
na similaridade entre eles.
Sistemas Inteligentes 11
Professor Renato Kazuo Miyamoto
Sistemas Inteligentes 12
Professor Renato Kazuo Miyamoto
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;
Sistemas Inteligentes 13
Professor Renato Kazuo Miyamoto
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”
Sistemas Inteligentes 15
Professor Renato Kazuo Miyamoto
Sistemas Inteligentes 16
Professor Renato Kazuo Miyamoto
Aprendizado de máquina
Sistemas Inteligentes 17
Professor Renato Kazuo Miyamoto
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.
Sistemas Inteligentes 18
Professor Renato Kazuo Miyamoto
Principais Características
– Aprendizado através de exemplos
– Capacidade de adaptação e aprendizado
– Capacidade de generalização
– Agrupar ou organizar dados
– Tolerância às falhas
– Auto-organização
Sistemas Inteligentes 19
Professor Renato Kazuo Miyamoto
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.
Sistemas Inteligentes 20
Professor Renato Kazuo Miyamoto
• Não existe contato físico entre neurônios (sinapse);
• Elementos neurotransmissores são responsáveis por ponderar a
transmissão de impulsos elétricos.
Sistemas Inteligentes 21
Professor Renato Kazuo Miyamoto
• 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.
Sistemas Inteligentes 22
Professor Renato Kazuo Miyamoto
• Etapas da variação de potencial de ação do neurônio.
Sistemas Inteligentes 23
Professor Renato Kazuo Miyamoto
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.
Sistemas Inteligentes 24
Professor Renato Kazuo Miyamoto
Neurônio Artificial
Sistemas Inteligentes 29
Professor Renato Kazuo Miyamoto
• 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
Sistemas Inteligentes 30
Professor Renato Kazuo Miyamoto
%%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';
Sistemas Inteligentes 31
Professor Renato Kazuo Miyamoto
• 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
𝑎, 𝑠𝑒 𝑢 > 𝑎
𝑔 𝑢 = ቐ𝑢, 𝑠𝑒 − 𝑎 ≤ 𝑢 ≤ 𝑎
−𝑎, 𝑠𝑒 𝑢 < 𝑎
1
𝑔 𝑢 =
1 + 𝑒 −𝛽𝑢
Sistemas Inteligentes 34
Professor Renato Kazuo Miyamoto
%% 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')
Sistemas Inteligentes 35
Professor Renato Kazuo Miyamoto
• 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
𝑢−𝑐 2
−
𝑔 𝑢 = 𝑒 2𝜎2
𝑔 𝑢 =𝑢
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.
Sistemas Inteligentes 39
Professor Renato Kazuo Miyamoto