Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Prof. Msc. J.R. Steiner UniPlan - Cincia da Computao

Today

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Contedo
Viso Geral Introduo ao Aprendizado de Mquina Introduo Treinamento Aprendizado por Hbito Aprendendo Conceitos Ordenao Geral-para-Especco Espao de Verso Eliminao de Candidatos

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Viso Geral
Dividimos esta parte do curso em 5 sub-partes: Introduo ao Aprendizado de Mquina: Entender a ideia de predisposio indutiva e por que ela importante em aprendizado de mquina; Redes Neuronais: Entender redes neuronais no supervisionadas (tais como mapas de Kohonen) e as supervisionadas. Ainda veremos a ideia de redes neuronais evolutivas; Raciocnio Probabilstico e Redes Bayesianas de Crena: Ver e entender como o raciocnio probabilstico pode ser utilizado para lidar com situaes nas quais h incerteza sobre algumas variveis. Teoreme de Bayes;
Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Vida Articial - Aprendizado por Comportamento Emergente: Ver a ideia de comportamento emergente e a razo por que evoluo um conceito to importante; Algortmos Genticos: Mtodos utilizados para construir algortmos genticos, tais como cruzamento e mutao.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Introduo

Introduo ao Aprendizado de Mquina

Objetivos: 1. Mtodos de aprendizado de conceitos, que so capazes de generalizar a partir de um conjunto de dados de treinamento para que possam classicar corretamente dados que no foram observados anteriormente; 2. Aprendizado por rvore; 3. Algortmo ID3.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Treinamento

Treinamento

Problema
Aprender a como classicar entradas de acordo com um conjunto nito (algumas vezes innito) de classicaes. Dado um conjunto de dados de treinamento, que j foram classicados manualmente, o sistema tem de aprender a como classicar estes mesmos dados e tambm de classicar novos dados que ainda no foram observados.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Treinamento

Precisamos de uma relao entre os dados e as classicaes: f (x ) = y , onde o grupo de dados x pertence alguma classicao y.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Treinamento

Exemplo: posies estticas no xadrez

Srie de Variveis: x1 : # peas brancas no tabuleiro; x2 : # peas pretas no tabuleiro; x3 : # de pretas ameaadas por brancas; x4 : # de brancas ameaadas por pretas; x5 : brancas podem dar xeque-mate na prxima rodada? x6 : pretas podem dar xeque-mate na prxima rodada? x7 : # de diferentes jogadas que brancas podem fazer x8 : # de diferentes jogadas que brancas podem fazer
Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Treinamento

Notar que: x1 , x2 , x3 , x4 , x7 , x8 , so numricas; x5 e x6 , so booleanas.

Problema
Mas como avaliar o jogo?

Soluo
Atribundo valores para cada congurao. Ou seja: Caso as brancas estejam em melhor posio, a avalio de cada posio deve ser calculada com um alto valor positivo, enquanto para as pretas, teremos um alto valor negativo. Um valor de 0 indica uma posio nivelada, enquanto que uma posio de +100 ou 100 indica que um dos oponentes venceu ou est para vencer o jogo.
Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Treinamento

De uma forma geral, podemos escrever a nossa funo de avaliao da seguinte forma:
8

f (x1 , . . . , x8 ) =
i =1

wi xi

(1)

onde {wi }8 i =1 so os pesos associados s oito variveis.

Exemplo
f (10, 2, 1, 0, verdadeiro , falso , 10, 1) = 100

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendizado por Hbito

Aprendizado por Hbito

o jeito mais fcil de um computador aprender O treinamento envolve armazenamento de cada fragmento de dados de treinamento e sua classicao, ento, um novo item de informao ser classicado examinando-se se ele est armazenado na memria. Caso esteja, a classicao que foi armazenada com aquele item ser retomada, caso contrrio, o mtodo falhar. Um aprendizado por hbito ser capas de classicar apenas os dados que j se conhece e no feita qualquer tentativa para aproximar a funo de mapeamento.
Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendendo Conceitos

Aprendendo Conceitos
Envolve determinar um mapeamento apartir de um conjunto de variveis de entrade em um valor Booleano; Mtodos de aprendizado indutivo: so baseados no princpio de que, se for encontrada uma funo capaz de mapear corretamente um grande conjunto de dados de treinamento em classicaes, ento ela mapear corretamente dados no observados anteriormente, i.e., o aprendizado ser capaz de generalizar a partir de um conjunto de dados de treinamento.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendendo Conceitos

Exemplo

Problema
Determinar como se dirigir de uma maneira particular, em condies particulares de uma estrada, seguro ou no.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendendo Conceitos

Atributos Velocidade Clima Distncia do carro a frente Doses de alcool Momento do dia Temperatura

Valores Possveis lenta, mdia, rpida vento, chuva, neve, sol 3m, 6m, 9m, 12m, 15m, 18m 0, 1, 2, 3, 4, 5 manh, tarde, noite, madrugada baixa, mdia, alta

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendendo Conceitos

Hiptese: vetor de valores para estes atributos.

Exemplo
h1 =< lenta, vento, 9m, 0, noite, baixa> Se quisermos representar uma hiptese em que alguns valores no importem, usamos o smbolo ?.

Exemplo
h2 =< rpida, chuva, 3m, 2, ?, ?> A hiptese h2 indica claramente uma situao de perigo, j que representa uma sitiao em que o motorista est dirigindo rpido, na chuva, a uma distncia de 3m do carro da frente, depois de ingerir 2 doses de alcool sem se importar com o momento do dia e a temperatura.
Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Aprendendo Conceitos

Mas, se precisarmos representar uma hiptese de que nenhum valor de um atributo especco fornecer um exemplo positivo, usamos o smbolo .

Exemplo
h2 =< rpida, chuva, 3m, 2, , > O exemplo acima arma que dirigir rpido, na chuva, a uma distncia de 3m do carro da frente, depois de ingerir 2 doses de alcool no pode ser seguro, independente do momento do dia ou da temperatura.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Ordenao Geral-para-Especco

Ordenao Geral-para-Especco
Vamos assumir as duas seguintes hiptese: hg =<?, ?, ?, ?, ?, ? > hs =< , , , , , > que representam a hiptese mais geral e a hiptese mais especca, respectivamente. hg : seguro dirigir, independente das condies. hs : nunca seguro dirigir, quaisquer que sejam as circunstncias.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Ordenao Geral-para-Especco

Relaes entre hipteses

Relao mais ou to geral quanto mais geral que

Representao h1 g h2 h1 >g h2

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Espao de Verso

Espaos de Verso

Espao de Verso
Dado um conjunto de exemplos de treinamento (positivos ou negativos), o conjunto de hipteses que mapeie corretamente cada um dos exemplos de treinamento em sua classicao chamado de espao de verso.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo

Viso Geral

Introduo ao Aprendizado de Mquina

Eliminao de Candidatos

Eliniminao de Candidatos
O mtodo de eliminao de candidatos opera de uma forma semelhante quela do algortmo simples, mas aqui armazenamos no apenas uma nica hiptese, mas um conjunto de hipteses. Alm de manter um conjunto de hipteses mais especcas que correspondam aos dados de treinamento, este mtodo tambm mantm um conjunto de hiptesesque comea como um conjunto com o nico tem <?,?,?,?,?,??,> e termina como um conjunto de hipteses mais gerais que combinem com todos os dados de treinamento.

Sistemas de Informaes Inteligentes Aprendizado de Mquina 01: Introduo