You are on page 1of 39

Universidade Federal do Rio de Janeiro Instituto de Matemtica / DCC

Inteligncia Computacional Aula 4 Viso Geral de Inteligncia Computacional e Redes Neurais Graduao - 2003/2
Prof. A. C. G. Thom, PhD thome@nce.ufrj.br Airam C. P. B. Marques airamcpbm@posgrad.nce.ufrj.br

Inteligncia Computacional
o brao da Cincia da Computao que estuda formas de criar mquinas espertas, i.e. com capacidade de realizar funes normalmente associadas inteligncia humana. Webster Tcnicas e sistemas computacionais que imitam aspectos humanos tais como:
Percepo Aprendizado Evoluo Adaptao

Inteligncia Computacional
Inspirao na natureza
Lgica Nebulosa
Processamento lingustico

Redes Neurais
Estrutura do crebro Neurnios biolgicos

Algoritmos Genticos
Evoluo biolgica

Sistemas Hbridos
Aspectos combinados

Inteligncia Computacional
Atuao
Suporte deciso Classificao de Dados Reconhecimento de Padres Previso Otimizao Controle Descoberta do Conhecimento

Exemplos
Fuji Bank
Sistema de negociao de Bolsa de Valores (LN)

Eletrobrs
Previso do consumo mensal de energia eltrica (RN)

Embratel
Classificao de clientes (AG e RN)

Lgica Nebulosa
Lgica Fuzzy prov um mtodo de traduzir expresses verbais, vagas, imprecisas e qualitativas, comuns na comunicao humana em valores numricos. Trata matematicamente informaes imprecisas usualmente empregadas na comunicao humana. Abre as portas para se converter a experincia humana em uma forma compreensvel pelos computadores.

Lgica Nebulosa
Lgica tradicional
Tudo deve ser ou no ser, seja no presente ou no futuro. Aristteles

O Filsofo Cretense dizia que todos os Cretenses mentem.


Possibilidade de algo ser e no ser ao mesmo tempo

Toda linguagem vaga.


Como classificar corretamente?
Pessoas felizes Temperaturas altas Taxas de juros altas Salas pequenas Bons alunos Pessoas altas

Lgica Nebulosa
Lgica Tradicional
(Aristteles)

Lgica Nebulosa

No

No

Sim

Sim

Lgica Nebulosa
Pensando Nebulosamente
Se a roda deslizar solte o freio um pouco Se a terra est muita seca e a temperatura alta regue muito tempo Medida Fsica Idade = 35 Nota = 10 Nota = 8,5 Medida Nebulizada Idade = meia, meia(i) = 0,8 Nota = A, A(t) = 1,0 Nota = A, A(t) = 0,87

Lgica Nebulosa
Conjuntos Nebulosos
Grau de pertinncia no conj. dos Baixos 1

1.7

1.8

Altura (m)

As pessoas entre 1.7 e 1.8 metros no so nem baixas e nem no baixas. Essa regio nebulosa.

Lgica Nebulosa
Conjuntos Nebulosos
Altos 1

1.7

1.8

Altura (m)

Lgica Nebulosa
Conjuntos Nebulosos

Mdio 1

1.7

1.75

1.8

Altura (m)

Lgica Nebulosa
Operadores Lgicos
Lgica Tradicional AB AB A Lgica Nebulosa min(A,B) max(A,B) 1-A

Os operadores nebulosos no precisam necessariamente serem definidos desta forma, por exemplo, A B pode ser definido tambm como AB.

Lgica Nebulosa
Sistema Nebuloso
Recebe variveis numricas como entradas e gera sadas numricas.

X1 X2

Y1

Sistema Nebuloso

Y2

Xn

Ym

Lgica Nebulosa
Sistema Nebuloso
Nebulizao: Para cada varivel de entrada, computar o grau de pertinncia da varivel para cada conjunto associado. Por exemplo, se a varivel de entrada for altura, devemos computar os graus de pertinncia dos conjuntos associados a altura, como os conjuntos Alto, Mdio e Baixo.

Lgica Nebulosa
Sistema Nebuloso
Computar Regras: Processar cada regra e computar a sua fora de acordo com os graus de pertinncia. Computar as sadas: Cada varivel de sada computada de acordo com as regras associadas a ela.

Lgica Nebulosa
Sistema Nebuloso
Exemplo:
Se (velocidade alta) e (distncia da curva muito prxima) ento desacelere muito. Se (velocidade alta) e (distncia da curva muito longe) ento mantenha velocidade. Variveis de entrada: velocidade e distncia para prxima curva. Conjuntos Nebulosos: muito prxima, alta, desacelere muito e mantenha velocidade. Varivel de sada: acelerao.

Lgica Nebulosa
Vantagens
Utilizam regras que expressam as imprecises e aproximaes do mundo real Mais fceis de entender, manter e testar Podem ser prototipados em menos tempo So robustos. Operam com falta de regras ou regras defeituosas Necessitam menos regras Avaliam regras paralelamente

Desvantagens
Necessidade do especialista para construo da base de regras Necessitam mais simulaes e testes No aprendem facilmente Dificuldade de estabelecer regras corretamente No h uma definio matemtica precisa

Lgica Nebulosa
Aplicaes
Sistemas de controle Sistemas de apoio deciso Aproximao de funes

Produtos Comerciais
Sistemas ABS medem deslizamento e travamento das rodas para controlar freios Mitsubishi desenvolveu sistema que controla suspenso, trao, transmisso e ar
Hitachi usa 150 regras para negociar bonds e mercados futuros

Lavadoras de roupa medem peso e sujeira da roupas para avaliar programa de lavagem

Algoritmos Genticos
So algoritmos de otimizao e busca baseados nos mecanismos de seleo natural e gentica. Fazem uso dos princpios de seleo e evoluo natural das espcies introduzido por Charles Darwin. Combina sobrevivncia do mais apto e cruzamento aleatrio de informao. A melhor soluo para um determinado problema sobrevive e destaca-se das demais, aps um nmero razovel de geraes, graas ao seu melhor grau de aptido e adequabilidade ao problema.

Algoritmos Genticos
Evoluo Natural Indivduo Cromossoma Reproduo sexual Mutao Populao Geraes Meio ambiente Algoritmos Genticos Soluo Representao Operador Cruzamento Operador Mutao Conjunto de Solues Ciclos Problema

Algoritmos Genticos
Crossover
Pai 01011110 0110 Filho1 01011110 0100 Me 01010110 0100 Filho2 01010110 0110

inicializao da populao clculo da aptido

soluo encontrada? no

sim

fim

Mutao
Pai 01010110 0110 2 Gerao 01010111 0110

seleo reproduo

Algoritmos Genticos
Vantagens
Tcnica de busca global Dispensa formulao matemtica precisa do problema

Desvantagens
Dificuldade na representao do cromossoma Evoluo demorada em alguns problemas Modelagem depende de especialista em AG (muitos parmetros)

Algoritmos Genticos
Aplicaes Industriais
BBN
Roteamento de Telecomunicaes

Aplicaes Comerciais
SearchSpace
Deteco de Fraude na Bolsa de Londres

ATTAR
Planejamento da programao de TV

IOC
Planejamento dos Jogos Olmpicos

BRITISH GAS
Otimizao da Distribuio de Gs

CAP VOLMAC
Avaliao de Crdito e Anlise de Risco

Redes Neurais
Redes Neurais
Neurnio artificial Estrutura em camadas Centenas Aprendizado Generalizao Associao Reconhecimento de Padres Neurnio biolgico Rede de neurnios 100 bilhes de neurnios Aprendizado Generalizao Associao Reconhecimento de Padres

Crebro

Redes Neurais
Neurnio Biolgico
den itos dr

axnio corpo celular

Redes Neurais
Neurnio Artificial
Entradas Pesos
W

. . .

ff
W

Sada

Sinal

Redes Neurais
Neurnio Artificial
x1 w1
Funo de Ativao Funo de Propagao

x2
. . .

w2

xn

wn

y = f ( X , W ) = P ( A( X , W ))

Redes Neurais
Funo de Ativao

A( X , W ) = X , W = wi xi
i =1

A: R

2N

Redes Neurais
Funes de Propagao
f(x) 1 f(x) 1 1/2

Funo Degrau

Funo Sigmoid

Redes Neurais
Funes de Propagao
f(x) 1 f(x) 1

x -1 -1

Funo Sinal

Funo Tangente Hiperblica

Redes Neurais
Arquiteturas de RNAs
Quanto ao nmero de camadas
1 - redes de nica camada: s existe um n entre qualquer entrada e qualquer sada da rede. 2 - redes de mltiplas camadas: existe mais de um neurnio entre alguma entrada e alguma sada da rede.
x1 x2 x3

x1 x2 x3

Redes Neurais
Arquiteturas de RNAs
Quanto ao tipo de conexo
1 feedforward, ou acclica: a sada de um neurnio na i-sima camada da rede no pode ser usada como entrada de nodos em camadas de ndice menor ou igual a i 2 feedback, ou cclica: a sada de algum neurnio na i-sima camada da rede usada como entrada de nodos em camadas de ndice menor ou igual a i
x1 x2 x3

x1 x2 x3

Redes Neurais
Arquiteturas de RNAs
Quanto ao tipo de conectividade
1 parcialmente conectada 2 completamente conectada

x1 x2 x3

x1 x2 x3

Redes Neurais
Arquiteturas de RNAs
Quanto estrutura
1 esttica: a estrutura no se altera, ou seja, o nmero de neurnios, o nmero de camadas e o grau de conectividade no se alteram. 2 auto-organizvel: so redes que tanto o nmero de neurnios e camadas so dinmicos.

Redes Neurais
Aprendizado
Aprendizagem o processo pelo qual os parmetros livres de uma rede neural so adaptados atravs da estimulao pelo ambiente no qual est inserida. Passos do processo de aprendizagem
A rede neural estimulada pelo ambiente A rede sofre modificaes nos seus parmetros livres A rede responde de uma maneira diferente ao ambiente.

Redes Neurais
Aprendizado Supervisionado
Existe um professor que sabe como a rede tem que responder para determinados estmulos do ambiente. Desta forma, o professor orienta o treinamento para que os pesos da rede sejam ajustados de maneira a gerar uma resposta correta.

AMBIENTE

PROFESSOR SISTEMA DE APRENDIZAGEM

SINAL DE ERRO

Redes Neurais
Aprendizado No-Supervisionado
No h professor, ou seja, no se sabe como a rede deve responder aos estmulos do ambiente.

AMBIENTE

SISTEMA DE APRENDIZAGEM

Redes Neurais
Generalizao: Espera-se que aps a rede ter
sido treinada, ela saiba responder corretamente para estmulos (entradas) diferentes das utilizadas no treinamento.

Redes Neurais
Vantagens
Aprendizado automtico Tolerante a dados ruidosos e incompletos Resposta rpida Modelos compactos

Desvantagens
Ausncia de explicaes Sensvel a quantidade de dados disponvel