dsc/cct/ufc g inteligência artificial i aprendizagem (parte i) prof. a joseana macêdo fechine...
TRANSCRIPT
DSC/CCT/UFCG
Inteligência Artificial IInteligência Artificial I
Aprendizagem Aprendizagem (Parte I)(Parte I)
Prof.Prof.aa Joseana Macêdo Fechine Joseana Macêdo Fechine [email protected]@dsc.ufcg.edu.br
Carga Horária: 60 horas
Universidade Federal de Campina GrandeUniversidade Federal de Campina GrandeDepartamento de Sistemas e Computação Departamento de Sistemas e Computação
Curso de Bacharelado em Ciência da Curso de Bacharelado em Ciência da ComputaçãoComputação
2
DSC/CCT/UFCG
Aprendizagem
Tópicos
Aprendizagem – Conceitos Básicos
3
DSC/CCT/UFCG
“Aprendizagem é o processo pelo qual uma entidade adquire conhecimento”. Rich, 1983.
“Aprendizagem é uma forma de inferência que objetiva começar com informações sobre o domínio e então, estendê-las de alguma forma”. Ginsberg, 1993.
Para Russel e Norvig: "Aprender significa se comportar melhor ao adquirir experiência. Todo aprendizado aprende a representação de uma função."
Aprendizagem
4
DSC/CCT/UFCG
Aprendizagem
Processos aquisição de novos conhecimentos; desenvolvimento de técnicas motoras e cognitivas
por meio de instrução ou prática; generalização de conhecimentos adquiridos; representação do conhecimento; descoberta de novos fatos/teorias.
5
DSC/CCT/UFCG
AprendizagemAprendizagem
Objetivos
eliminação do elemento humano no processo de aquisição de conhecimento;
desenvolvimento de teorias gerais de aprendizagem; ensino assistido por computador.
6
DSC/CCT/UFCG
Agente de aprendizagem Elemento de desempenho: decide que ações
executar.
Elemento de aprendizagem: modifica o elemento de desempenho para que este tome decisões melhores.
O projeto é afetado por três questões importantes: Os componentes que devem ser aprendidos; A realimentação que estará disponível para aprender
esses componentes; A representação que será usada para os componentes.
7
DSC/CCT/UFCG
Aprendizagem (realimentação - feedback):
Aprendizagem supervisionada
Aprendizagem não supervisionada
Aprendizagem por reforço
AprendizagemAprendizagem
8
DSC/CCT/UFCG
Aprendizagem Supervisionada: Ocorre nas situações em que é possível perceber tanto as
entradas como as saídas; Freqüentemente as saídas são fornecidas por um
supervisor(especialista) humano; Envolve aprendizagem de uma função a partir de exemplos
de suas entradas e saídas.
Aprendizagem Não-Supervisionada: Envolve a aprendizagem de padrões na entrada, quando não
são fornecidos valores de saída específicos.
Aprendizagem por Reforço: O agente deve aprender a partir do reforço (recompensa).
AprendizagemAprendizagem
9
DSC/CCT/UFCG
AprendizagemAprendizagem
Tipos Segundo Ginsberg(1993), aprendizagem pode ser
dividida em:
Aprendizagem por Descoberta; Aprendizagem por Generalização;
Aprendizagem Dedutiva; Aprendizagem Indutiva
10
DSC/CCT/UFCG
Aprendizagem Por Descoberta: é uma forma restrita de
aprendizado em que uma entidade adquire conhecimento, sem o auxílio de alguém que já o possua.
Exemplos de Sistemas computacionais de descoberta AM - sistema para modelagem de aspectos da pesquisa
em Matemática Elementar, descobrindo novos conceitos guiado por uma grande gama de heurísticas;
BACON – modelo de descoberta dirigida por dados;
GLAUBER – sistema para descoberta de leis qualitativas em Química;
BOOLE – gera conhecimentos científicos simbolizáveis.
11
DSC/CCT/UFCG
Aprendizagem Dedutiva: Aprendizagem de novas informações que são conseqüências válidas de algo já conhecido.
Aprendizagem Indutiva: Inferência indutiva de fatos providos por um professor ou ambiente. O estudo e modelagem desta forma de
aprendizagem é um dos tópicos centrais de aprendizagem de máquina.
Em aprendizagem indutiva, um programa aprende a classificar objetos baseados nos rótulos que lhe são apresentados.
Deve tentar recuperar a função desconhecida ou uma aproximação.
Aprendizagem
12
DSC/CCT/UFCG
Dada uma coleção de exemplos de f, retornar uma função h que se aproxime de f.
A função h é chamada hipótese
Não é fácil saber se uma h específica é uma boa aproximação de f
Uma boa h irá generalizar bem – prever corretamente exemplos ainda não vistos
Esse é o problema fundamental da indução
Aprendizagem indutiva
13
DSC/CCT/UFCG
Aprendizagem Indutiva Atividade de um agente =
função f (percepção) ação
Idéia: aprender, a partir de exemplos (x,f(x)), representação de
uma função h que aproxima f
Métodos redes neurais, algoritmos genéticos, etc.
14
DSC/CCT/UFCG
Exemplo: Ajustar uma função de uma única variável a alguns pontos de dados Exemplos são pares (x, f(x)) de números reais
Aprendizagem Indutiva
15
DSC/CCT/UFCG
Exemplo:
Aprendizagem Indutiva
16
DSC/CCT/UFCG
Exemplo:
Aprendizagem Indutiva
17
DSC/CCT/UFCG
Exemplo:
Aprendizagem Indutiva
18
DSC/CCT/UFCG
Exemplo:
Aprendizagem Indutiva
A verdadeira f é desconhecida, mas existem muitas opções para h. Sem contar com mais conhecimento, não há razão que nos faça preferir uma das opções.
19
DSC/CCT/UFCG
Aprendizagem Indutiva - Estratégia de controle
Botton-up (dirigido a dados) - processam os eventos de entrada um de cada vez, generalizando gradualmente o conjunto corrente de descrições até que uma generalização conjuntiva seja computada;
Direção: bottom-up (específico geral)
Top-down (dirigida a modelo) - conjunto de possíveis generalizações na tentativa de encontrar as melhores hipóteses que satisfaçam certos requerimentos;
Direção: top-down (geral específico)
Mista
Aprendizagem
20
DSC/CCT/UFCG
Questões: on-line x off-line Aprender de uma vez ou aos poucos?
Incremental (on-line): atualiza hipótese a cada novo exemplo
mais flexível, ... porém ordem de apresentação é importante (backtracking) é difícil revisar as crenças
não incremental (off-line): gera h a partir de todo conjunto de exemplos
mais eficiente e prática mais usado!
21
DSC/CCT/UFCG
Modelo do Agente Aprendiz (on-line)
t
sensores
efetuadores
Agente
Gerador de problemas
crítico
elemento de aprendizagem
avaliação
objetivos de aprendizagem
elemento ator
trocas
conhecimento
a m
b i
e n
t e
t + 1
22
DSC/CCT/UFCG
Modelo do Agente Aprendiz (off-line)
Algoritmo deAprendizagem
elemento ator
exemplos
conhecimento
sensores
efetuadoresa m
b i
e n
t e
Trei
nam
ento
Uso
23
DSC/CCT/UFCG
“É quase certo que qualquer hipótese que esteja seriamente errada será "desmascarada" com alta probabilidade após um pequeno número de exemplos, por que fará uma previsão incorreta. Desse modo, qualquer hipótese que seja consistente com um conjunto bastante grande de exemplos de treinamento terá pouca probabilidade de estar seriamente errada: isto é, ela deve estar provavelmente aproximadamente correta (aprendizagem PAC).
Para tanto, os conjuntos de treinamento e teste devem ser extraídos ao acaso e de forma independente da população de exemplos com a mesma distribuição de probabilidade - suposição de hipótese de estacionariedade.”
(Russel e Norvig)
Por que a aprendizagem funciona?