Semana 1: Aprendizado de Máquinas.

Tipos de Aprendizado. Árvores de

Decisão. Clustering.
ENG.ª LISSETTE MONTERO HERRERA

INTELIGÊNCIA ARTIFICIAL 1
E ENGENHARIA INFORMÁTICA E COMPUTADORES
Introdução
• Aprender é uma característica essencial dos seres
inteligentes, é por isso que a área de Aprendizado de
Máquinas se há tornado uma área central da Inteligência
Artificial.
Definição de “Aprender”

“Aprender denota mudanças num sistema que são

adaptativas, no sentido de que permitem ao sistema
realizar a mesma tarefa ou tarefas da mesma classe de
modo mais eficiente e mais efectivo no futuro”. Simon
(1983)
Definição “Aprendizagem”

“Aprendizagem é o processo pelo qual um

agente altera de modo automático as suas
estruturas internas, de modo a realizar melhor
tarefas do seu interesse, nas condições impostas
pelo ambiente”. Costa e Simões (2008)
Surgimento do termo Aprendizado de Máquinas
O termo Aprendizado de Máquinas, foi cunhado em 1959
por Arthur Samuel no contexto da resolução do jogo de
damas por computador.
O termo se refere a um programa de computador que pode
aprender a produzir um comportamento que não é
explicitamente programado pelo autor do programa. Em vez
disso, é capaz de mostrar um comportamento que o autor
pode desconhecer completamente.
Este comportamento é aprendido pelo programa com base
em três factores

Factor 1 • Dados que são utilizados pelo programa,

• Uma métrica que quantifica o erro ou alguma

Factor 2 forma de distância entre o comportamento actual
e o comportamento ideal, e

• Um mecanismo de feedback que usa o erro

Factor 3 quantificado para orientar o programa a produzir
um melhor comportamento nas próximas vezes.
Tipos de Aprendizado
Aprendizado supervisionado
• São apresentadas ao computador exemplos de entradas e saídas desejadas, fornecidas por um
instrutor. O objectivo é aprender uma regra geral que mapeia as entradas para as saídas.
Aprendizado não supervisionado
• Nenhum tipo de etiqueta é dado ao algoritmo de aprendizado, deixando-o sozinho para
encontrar estrutura nas entradas fornecidas.
Aprendizado por reforço
• Um programa de computador interage com um ambiente dinâmico, em que o programa deve
desempenhar determinado objectivo (por exemplo, dirigir um veículo). É fornecido, ao
programa, feedback quanto a premiações e punições, na medida em que é navegado o espaço
do problema.

Prof. Eng. Lissette Montero Herrera

ÁRVORES DE DECISÃO
Aprendizado supervisionado

Prof. Eng. Lissette Montero Herrera

Estrutura de uma Árvore de Decisão
• Uma árvore de decisão possui uma estrutura de árvore, onde cada
nó interno pode ser entendido como um atributo de teste, e cada
nó folha possui um rótulo de classe.
• Ou seja, uma árvore de decisão trabalha como um fluxograma em
formato de árvore onde cada nó (que não seja folha) aponta para
um teste que deve ser feito sobre um determinado atributo.
• Cada ligação entre os nós, representa possíveis valores de teste do
nó pai e as folhas da classe de saída a qual a instância testada
pertence.

Prof. Eng. Lissette Montero Herrera

REGRAS Se-Então
É fácil perceber que é possível derivar regras do tipo “se-então” para
melhoria da compreensão e interpretação dos resultados. As regras
são escritas considerando o trajecto do nó raiz até uma folha da
árvore.
Considerando ainda a árvore de decisão anterior, para o problema de
classificação “Vou para praia?”, podem ser derivadas as regras do tipo
“se-então” seguintes:
1. Se Sol? = Sim e Vento? = Sim Então não vou para praia.
2. Se Sol? = Sim e Vento? = Não Então vou para praia.
3. Se Sol? = Não Então não vou para praia.
Por que utilizar de Árvores de Decisão?

Aqui estão as vantagens de usar algoritmos de árvore de

decisão:
• Comportamento mais humano.
• Pode trabalhar directamente com dados não numéricos, por exemplo,
categóricos.
• Pode trabalhar directamente com dados ausentes. Como resultado, a
etapa de limpeza de dados pode ser ignorada.
• A árvore de decisão treinada é fácil de ser interpretada, em comparação
com a natureza abstracta de modelos treinados usando outros algoritmos
de aprendizado de máquinas.
Prof. Eng. Lissette Montero Herrera
Algoritmo ID3
• Foi desenvolvido por Quinlan (1986).
• Trata-se de um algoritmo que, a partir de exemplos
positivos e negativos de uma classe, constrói uma árvore
de decisão.
• O algoritmo promove uma aprendizagem indutiva e
supervisionada.
• A tarefa de aprendizagem para a qual as árvores de decisão
se adequam melhor é a classificação.
Conclusões
• A área de aprendizado de máquinas é fundamental
no desenvolvimento de sistemas inteligentes.
• Na construção de sistemas capazes de aprender, se
pode seguir uma das seguintes abordagens:
simbólica, conexionista e biológica.
• Na aprendizagem simbólica encontramos o
algoritmo ID3, que é realiza um aprendizado
supervisionado.