INTELIGÊNCIA ARTIFICIALINTELIGÊNCIA ARTIFICIAL2284-ELE/5, 3316-IE/3Universidade da Beira Interior, Departamento de InformáticaHugo Pedro Proença, 2007/2008

Aprendizagemp g

A aprendizagem é um aspecto crucial da Inteligência Artificial.“Aprender implica mudanças adaptativas do sistema no sentido de lhe permitir realizar a(s) mesma(s) tarefa(s) nas

d d f f d mesmas circunstâncias de um modo mais eficiente e efectivo da próxima vez” (Herbert A. Simon).No domínio da IA, a aprendizagem é uma área que se foca

d l ãnos processos de auto-evolução.Um dos objectivos da Inteligência Articial será o de permitir que os computadores sejam ensinados, em lugar de

dprogramados.Este processo requer a acquisição de conhecimento, inferência, actualização, etc…

Aprendizagemp g

Os problemas do mundo real são normalmente Os problemas do mundo real são normalmente complexos.

Mais que o planeado.q pSoluções eficientes são menos comuns que o planeado.

Justificação está no facto de, para qualquer problema existirem factores desprezadosp p

Será o lançar de dados (calibrados) aleatório?

Aprendizagemp g

Tarefas que são típicamente revolvidas através de Tarefas que são típicamente revolvidas através de Aprendizagem

Reconhecimento de imagemDiagnósticoJogosProblemas de optimização Problema de prediçãoC t i ã d i iCategorização de sinaisIdentificação de variáveis relevantes…

Aprendizagemp g

Quais as formas de um agente computacional aprender?

Refinamento de capacidadesAtravés da repetição sistemática de uma tarefa

Acquisição de Conhecimentoq çAprendizagem através da experiência acumulada numa base de conhecimento.

Resolução de Problemas.A resolução de um problema leva a que o agente possa evoluir (aprender) dessa experiência. Normalmente não envolve novo conhecimento, mas a sua reorganização.

Indução.Aprendizagem através de exemplos. Normalmente é requqrida a existência de um tutor.

Descoberta.O processo de descoberta de conhecimento sem a existência de um tutor.

Analogia.A detecção de similaridade /padrões na informação permite a acquisição de novo conhecimento e respectiva evolução.

Tipos de Aprendizagemp p g

A existência de um tutor determina a divisão entre A existência de um tutor determina a divisão entre duas classes de processos de aprendizagem:

Supervisionada.Apresentando ao algoritmo de aprendizagem um conunto de instâncias relativas ao problema em questão, pretende-se que este infira a melhor forma de prever o output desejado, não só entre as instâncias apresentadas mas também outras similares (capacidade de generalização)mas também outras similares (capacidade de generalização)

Não-Supervisionada.

Apresentando ao algoritmo um conjunto de instãncias, pretende-se que sejam detectadas similaridades / padrões / relações entre estassejam detectadas similaridades / padrões / relações entre estas.

Aprendizagemp g

Modelação das tarefas a executar pelo Agente como Modelação das tarefas a executar pelo Agente como tarefas de classificação.

Prever o estado do tempo.“Bom Tempo”, “Chuva”, “Vento”, “25º”,…

Decidir qual o caminho a seguir por um robot.“Esquerda”, “Direita”, “Cima” ou “Baixo”

Analisar o estado de saúde de um paciente.“Doença” “Saudável”Doença , Saudável

…

Aprendizagemp g

ClassificaçãoNúmero de Classes discreto.

Finito, enumerável.Exemplo:

D idi l ó i j d tid d d êDecidir qual a próxima jogada numa partida de xadrêz“Rainha E5”, “Rainha E6”,…

RegressãoNúmero de Classes contínuoNúmero de Classes contínuo

Infinito, Não enumerávelExemplo:

Prever a temperatura de um determinado ambiente25 5º ?25,5º,?25,554º?

O número de classes é potencialmente infinito, dependendo apenas da precisão sensorial do agente e da resposta pretendida.

Aprendizagemp g

Fases Típicas de um Sistema de ClassificaçãoFases Típicas de um Sistema de ClassificaçãoAbordagem usualmente associada ao Reconhecimento de Padrões.

Pré-Processamento Classificação

Acquisição de Dados

Extracção de Características

Classe

Pré-Processamento

Ao funcionar como base do sistema de classificação, Ao funcionar como base do sistema de classificação, adquire relevãncia extremaPara cada variável/factor analisado é crucial a análise /prévia:

Quais são os valores válidos?

Q l d í i ?Qual o domínio?

Qual a distribuição de valores?Qualitativa, Quantitativa, Discreta, Contínua

Que processos de normalização podem (devem) ser utilizados?Normalização linear, logarítmica.

Conjuntos de Treino / Testej /

Conjuntos disjuntos que servem respectivamente para a construção e validação do modelo proposto para a interpretação do fenómeno.

Conjunto de instãncias (observações) Conjunto de atributos (factores)j ( )

No caso da Aprendizagem Supervisionada, deverá ser incluída informação da classe correspondente a cada instãncia.

Var 1 Var 2 … Var K CLASSE

1 617 35 12721 DIREITA1,617 35 12721 DIREITA

1,272 66 11212 ESQUERDA

…

1,6262 77 12666 CIMA

Algoritmo ID3g

Algoritmo de construção de árvores de decisãoAlgoritmo de construção de árvores de decisãoProposto por Ross QuinlanBaseado no princípio de Razorp p

A explicação de um fenómeno deverá conter o menor número de assumpções possível.

P ili i á d d i ã Previligia árvores de decisão menoresBaseado no conceito de entropia de informação

Algoritmo ID3g

A Maximização do Ganho de Informação equivale à A Maximização do Ganho de Informação equivale à minimização da entropia.

Uma vez que a entropia inicial é constante.

Gain(S,A)Ganho de Informação ao dividor o conjunto S através do atributo “A”

v = valores possíveis para o atributo Ap p

| . | = Cardinalidade de conjuntos

Algoritmo ID3g

Pseudo-Código

1. Medir a entropia dos atributos ainda não utilizados nas instãncias locais.

2. Escolher o atributo (A) com entropia mínima3. Dividor o conjunto de dados iniciais através dos valores “v” do

atributo “A”.

NotasAtributos não-utilizados

Análise do trajecto desde a raiz da árvore até ao ramo pretendido.Instãncias locais

Instãncias cujos respectivos valores de atributos satisfazem o trajecto desde a raiz da árvore até ao ramo pretendido.p

Algoritmo ID3g

ExercícioÉ pretendida a construção de um agente inteligente que preveja a possibilidade de queimaduras solares por parte dos utentes de uma praiaparte dos utentes de uma praia.Análise de um conjunto de 5 factores

AlturaPesoCôr cabeloLoçãoLoção

Utilize o algoritmo ID3 para gerar um conjunto de regras respeitantes ao problema enunciado.

Algoritmo ID3g

Atributos Independentes Atributo Dependente

Name Hair Height Weight Lotion Result

Sarah blonde average light no sunburned (positive)

Dana blonde tall average yes none (negative)

Alex brown short average yes none

Annie blonde short average no sunburned

Emily red average heavy no sunburned

Pete brown tall heavy no none

John brown average heavy no none

K ti bl d h t li htKatie blonde short light yes none

Algoritmo ID3g

Cálculo da entropia para o atributo “Hair Color”Cálculo da entropia para o atributo Hair Color

Algoritmo ID3g

Cálculo da entropia para o atributo “Height”Cálculo da entropia para o atributo Height

Algoritmo ID3g

Cálculo da entropia para o atributo “Weight”Cálculo da entropia para o atributo Weight

Algoritmo ID3g

Cálculo da entropia para o atributo “Lotion”Cálculo da entropia para o atributo Lotion

Algoritmo ID3g

Com base no conjunto de dados anterior o atributo seleccionado para a i i f d áli á i i i t i (H i C l =0 5)primeira fase de análise será o que minimiza a entropia (Hair Color=0.5)

O processo será repetido para o único subconjunto que ainda não está perfeitamente discriminado

Hair Color= Blonde

Algoritmo ID3g

Árvore de decisão final:

Regras:SE “Hair Color=Blonde” E “Lotion=No” ”Sunburn”SE “H C l B ” “N ”SE “Hair Color=Brown” “None”…