Professional Documents
Culture Documents
Eliminao de Candidatos
Today
Viso Geral
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
Viso Geral
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
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.
Viso Geral
Eliminao de Candidatos
Introduo
Viso Geral
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.
Viso Geral
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.
Viso Geral
Eliminao de Candidatos
Treinamento
Viso Geral
Eliminao de Candidatos
Treinamento
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
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)
Exemplo
f (10, 2, 1, 0, verdadeiro , falso , 10, 1) = 100
Viso Geral
Eliminao de Candidatos
Viso Geral
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.
Viso Geral
Eliminao de Candidatos
Aprendendo Conceitos
Exemplo
Problema
Determinar como se dirigir de uma maneira particular, em condies particulares de uma estrada, seguro ou no.
Viso Geral
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
Viso Geral
Eliminao de Candidatos
Aprendendo Conceitos
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
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.
Viso Geral
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.
Viso Geral
Eliminao de Candidatos
Ordenao Geral-para-Especco
Representao h1 g h2 h1 >g h2
Viso Geral
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.
Viso Geral
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.