1ª LISTA DE EXERCÍCIOS PARA A 2ª PARTE DA DISCIPLINA DE ?· 1ª LISTA DE EXERCÍCIOS PARA A 2ª PARTE…

Download 1ª LISTA DE EXERCÍCIOS PARA A 2ª PARTE DA DISCIPLINA DE ?· 1ª LISTA DE EXERCÍCIOS PARA A 2ª PARTE…

Post on 21-Dec-2018

212 views

Category:

Documents

0 download

TRANSCRIPT

1LISTADEEXERCCIOSPARAA2PARTEDADISCIPLINADEINTELIGNCIAARTIFICIAL

1)Expliqueadiferenaentreincertezaporaleatoriedadeeporimpreciso.

Na incerteza por aleatoriedade calculamos a probabilidade, j na incerteza por impreciso calculamosapossibilidade.Interteza:OelementoxmembrodoconjuntoAAleatoriedade:ProbabilidadedeocorreroconjuntoAImpreciso:GraudepertinnciaaoconjuntofuzzyA

Incerteza por aletoriedade, no se pode prever com toda certeza o que acontecer num novo caso.Incertezaporimpreciso,fuzzyset,trabalhocomconjuntoscomlimitesimprecisos.

2) Considere os conjuntos difusos A e B, no intervalo X=[0 10] de nmeros reais, definidospelasfunesdepertinncia

A(x)=x/x+2B(x)=2^(x)

Resolva:a)RepresentegraficamenteosconjuntosdifusosAeB

b) Obtenha a funo de pertinncia (graficamente e matematicamente) para os seguintesconjuntos:

b1)Abarradob2)Bbarradob3)ABb4)ABb5)AbarradoBb4)AbarradoBbarrado

c)OsconjuntosdifusosatendemsleisdeMorgan?Sim

3)Qualadiferenaentrecutestrongcut?acut={x|A(x)>=a}strongacut={x|A(x)>a}

4) Os machos humanos tm um cromossomo X e um cromossomo Y, enquanto que as fmeas tm dois cromossomos X, cada cromossomo sendo herdado de um dos pais. A hemofilia uma doena que apresenta herana recessiva ligada ao cromossomo X, o que significa que um homem que herda o gene que causa a doena no cromossomo X afetado, enquanto que uma fmea que transporta o gene em somente um de seus dois cromossomos X no afetada. A doena geralmente fatal para mulheres que herdam dois genes, e isso muitoraro,jqueafreqnciadeocorrnciadogenereduzidaempopulaeshumanas.

Considere uma mulher que tem um irmo afetado, o que implica que a sua me deve ser uma portadora do gene da hemofilia com um "bom" e um "mau" gene da hemofilia. Tambm nos dito que seu pai no afetado, assim o prpria mulher tem uma chance de 5050 de ter o gene. A varivel de interesse desconhecida, o estado da mulher em relao ao gene da hemofilia, tem apenas dois valores: a mulher uma portadora do gene ( = 1) ou no ( = 0). Com base nas informaesfornecidaatagora,adistribuioaprioriparaavariveldesconhecidapodeserexpressasimplesmentecomoPr(=1)=Pr(=0)=1/2.

Os dados utilizados para atualizar esta informao prvia consiste no estado dos filhos da mulher. Suponhamos que ela tenha tido dois filhos e que nenhum dos dois afetado pela hemofilia. Seja yi = 1 ou 0 a meneira de indicar se um filho afetado ou no pela hemofilia. Os resultados dos dois filhos so intercambiveis e, condicionados varivel descolhecida so independentes. Assumimos tambm que os filhos no so gmeos idnticos. Diga qual a probabilidade da mulher ser portadora do cromossomo da hemofilia ( = 1) sabendo que os filhosnoapresentamadoenaPr(=1|y1=0ey2=0).

5)Emumgrupode50turistastemosasseguintesvariveisdescritasabaixo:

Nacionalidade Masculino FemininoBrasileira 20 15Estrangeira 5 10

Ao selecionar aleatoriamente uma pessoa do grupo obtenha as probabilidades de ocorrnciadosseguinteseventos:

a)Oturistabrasileiro.(20+15)/50=35/50=7/10=70%

b)Oturistaestrangeiro.(5+10)/50=15/50=3/10=30%c)Oturistamasculino.25/50==50%

d)Oturistafeminino.25/50==50%

e)Oturistafemininoebrasileiro.15/50=3/10=30%

f)Oturistafemininoeestrangeiro.10/50==20%

g)Oturistamasculinoebrasileiro.20/50==40%

h)Oturistamasculinoeestrangeiro5/50=1/10=10%

i)Oturistafemininooubrasileiro.Brasileiro:7/10Feminino:Femininooubrasileiro:9/10=90%

j)Oturistafemininoouestrangeiro.Feminino:Estrangeiro:3/10Femininoouestrangeiro:=80%

k)Oturistamasculinooubrasileiro.Masculino:Brasileiro:7/10Masculinooubrasileiro:9/10=90%

l)Oturistamasculinoouestrangeiro.Masculino:Estrangeiro:3/10Masculinoouestrangeiro:=80%

m)Oturistasermasculinosebrasileiro.20/35=4/7=57%

n)Oturistasermasculinoseestrangeiro.5/15==33,3%

o)Oturistaserfemininosebrasileiro.15/35=3/7=43%

p)Oturistaserfemininoseestrangeiro.10/15==67%

q)Oturistaserbrasileirosemasculino.20/25==80%

r)Oturistaserestrangeirosemasculino.5/25==20%

s)Oturistaserbrasileirosefeminino.15/25==60%

t)Oturistaserestrangeirosefeminino.10/15==67%

6) Para o diagnstico de Edemas Subcutneos Generalizados, tais como Celulite e Alergia, so considerados os seguintes sintomas: Febre, Cor Local, Dor Histria de AlergiaePrurido.A seguir so explicitadas as probabilidades a priori P(Hi) e as probabilidades condicionaisP(e/Hi).

Tab.1Probabilidadedecadahiptesediagnstica.HiptesesDiagnsticas P(Hi)Celulite 0,20Alergia 0,80

Tab. 2 Probabilidades condicionais de cada sintoma em relao s hipteses diagnsticas.Evidncias P(ek/Celulite) P(ek/Alergia)FebreSim 0,85 0,5No 0,15 0,5CorLocalRoxa 0,98 0,03Rsea 0,02 0,97DorLeve 0,03 0,8Intensa 0,97 0,2HistriaAlergiaFamlia

Sim 0,5 0,95No 0,5 0,05PruridoSim 0,5 0,98No 0,5 0,02

Comosdadosacima:a) Desenvolva um Sistema Especialista Probabilstico (Desenhe a Rede Bayesiana de Causas eEfeitos)paraApoioaoDiagnsticodeEdemasSubcutneosLocalizados.b)Explicitealgumasprobabilidadesdaredebayesiana.

2LISTADEEXERCCIOSPARAA2PARTEDADISCIPLINADEINTELIGNCIAARTIFICIAL

1. Discorra sobre a capacidade de se extrair explicaes para um diagnstico obtido atravsdeumsistemaespecialistaimplementadoatravsderedesneurais.

Redesneuraissotimosinterpoladores,isto,reconhecempadresbaseandoseemparametrosdeentrada.Essamesmaredenecessitasertreinadautilizandoumconjuntodetreinamento,queconsisteemexemplos.

Aoentrarcomosparametrosparaumdiagnostico,arederetornaovalorquemaisseaproximamdoscenriostreinados.

Oproblemadeseusarredesneuraisparaaplicaescomoessaofatoquearedenoretornaumpercentualdeacerto,searespostaprecisaouno.Arederetornarumresultadomesmosenaotiversidotreinadaparaosdadosdeentradaaplicados.

Sendoassim,redesneuraispodenoseromelhormtodoparadiagnsticomdico,principalmentepeladificuldadedetreinamentoparasistemasreais(commuitasvariveis)eaincertezasearespostaconfivelouno(nohretornodepercentualdeprecisaodaresposta).

2. Para que serve o parmetro taxa de aprendizado no algoritmo de aprendizado backpropagation e o que ocorre se usarmos um valor muito elevado para este parmetro?

A taxa de aprendizado (n) um ajuste aplicado ao Delta ou passo ou deslocamento no gradientedescendente. Se for muito elevado, pode ser difcil se aproximar do erro mnimo, visto que o algoritmo tentar se aproximar por ambos os lados mas no encontrar (ou demorar significativamente)paraencontraroerroquesatisfaaabusca.

J se a taxa de aprendizado for muito pequena, o treinamento pode ser muito lento, de acordo com a configuracao dos erros. (Se for uma superficie mais plana, demora muito caso a taxadeaprendizadosejapequena)

Oidealeaplicarumataxadeaprendizadoadaptativa.

3. Para que serve o parmetro conhecido como momento no algoritmo de aprendizado backpropagation?O termo momento (alpha) tenta simular a inrcia aplicada ao algoritmo de descida de encosta (gradientedescendente)comoobjetivodedesviardeburacos,isto,mnimoslocais.

4. Analise a capacidade de generalizao de uma rede MLP em termos de capacidade de interpolaoeextrapolao.

Redes MLP so muito boas para interpolao de dados se os parmetros forem bem configurados, como nmero de perceptrons da camada de entrada, camada intermediria e sada,taxadeaprendizagem,funodeativaoemtododeaprendizdo.

Redes MLP so pssimas em extrapolao de dados, sendo difcil prever o comportamentoparaintervalosnocobertospelosconjuntosdetreinamento.

5. Porque os estudos sobre Redes Neurais Artificiais caram em descrdito aps 1969 e porqueelesforamretomadosapartirde1986?

Porque foi concluido que o Percepton era capaz de distinguir apenas padres linearmente separveis, isto causou um trauma na comunidade cientfica e levou ao corte de verbasparaaspesquisasemRedesNeuraisArtificiais.

Em 1974, Paul Werbos conseguiu o maior progresso em termos de redes neurais desde o perceptron de Rosenblatt: ele lanou as bases do algoritmo de retropropagao (backpropagation), que permitiu que redes neurais com mltiplas camadas apresentassem capacidade de aprendizado. Em 1982, David Parker desenvolveu um mtodo similar, de forma aparentemente independente. Contudo, a potencialidade deste mtodo tardou a ser reconhecida.

Os primeiros resultados da retomada do desenvolvimento sobre redes neurais foram publicados em 1986 e 1987, atravs dos trabalhos do grupo PDP (Parallel and Distributed Processing),ondeficouconsagradaatcnicadetreinamentoporbackpropagation.

6.Quaisoscritriosdeparadadotreinamentobackpropagation?O critrio de parada do algoritmo backpropagation no bem definido, e geralmente

utilizado um nmero mximo de ciclos. Mas, devem ser considerados a taxa de erro mdio por ciclo, e a capacidade de generalizao da rede. Pode ocorrer que em um determinado instante do treinamento a generalizao comece a degenerar, causando o problema de overtraining, ou seja a rede se especializa no conjunto de dados do treinamento e perde a capacidade de generalizao.

O algoritmo busca o menor erro possvel tendo um erro aceitvel como parametro. tambm possvel limitar a quantidade de epocas em que a rede treinada. H tambm o critrio de validao, onde 1520% dos neuronios sao usados para verificar problemas de overfitting. O treinamento deve ser interrompido quando o erro na validacao comear a subir de forma consistente.

7. Cite algumas aplicaes que podem ser feitas com redes neurais e que so bastante complexasdeseremimplementadasusandooutrastcnicasdeIA.

aproximaodefunes previsodesriestemporais classificaes reconhecimentodepadres.

8. Explique no que se constituem os seguintes passos de um Algoritmo Gentico Simples.

a)SeleodosPaisOs pais so selecionados de acordo com sua adequao. Quanto melhores so os

cromossomos, mais chances de serem selecionados. Imagine uma roleta onde so colocados todos os cromossomas da populao. O lado de cada seco da roleta proporcional ao valor da adequao de cada cromossoma: quanto maior for esse valor, mais larga a seco. Uma bolinha lanada na roleta e o cromossomo onde ela para selecionado. Evidentemente os cromossomascommaioresvaloresdeadequaoseroselecionadosmaisvezes.

b)Recombinao(crossover)A recombinao, ou crossingover um processo que imita o processo biolgico

homnimo na reproduo sexuada: os descendentes recebem em seu cdigo gentico parte do cdigo gentico do pai e parte do cdigo da me. Esta recombinao garante que os melhores indivduos sejam capazes de trocar entre si as informaes que os levam a ser mais aptos a sobreviver,eassimgerardescendentesaindamaisaptos.

c)MutaoSo feitas com probabilidade a mais baixa possvel, e tem como objetivo permitir maior

variabilidade gentica na populao, impedindo que a busca fique estagnada em um mnimo local.

d)ClculodaFunodeAptido(fitness)Uma dada populao consiste de indivduos. Cada um caracterizado pelo seu

gentipo, consistindo de n genes, que determina de modo no ambguo a aptido para a sobrevivncia.

9.ExpliquequaisoscritriosdeparadadeumAlgoritmoGenticoSimples.O critrio de parada do algoritmo gentico pode variar de acordo com a opo do

usurio. Uma das formas definir uma quantidade de geraes que devem ser geradas. Outra forma apliclo at que se encontre uma populao onde os indivduos tenham a funo de avaliaoquesedesejaalcanar.

Normalmente usase como critrio de parada o nmero mximo de geraes ou um

tempo limite de processamento. Outro critrio usa a idia de estagnao, ou, seja, parase o algoritmoquandonoseobservamelhoriadapopulaodepoisdevriasgeraes.

10. Explique as Etapas de um Sistema Especialista Nebuloso desde a etapa de FuzzificaoataetapadeDefuzzificao.Passo1Fuzzificar:

Etapa na qual os valores numricos so transformados em graus de pertinncia para um valor lingstico. Cada valor de entrada ter um grau de pertinncia em cada um dos conjuntosdifusos.

Passo2Avaliaodasregrasdeinferncia:Cada antecedente (lado if) tem um grau de pertinncia. A ao da regra (lado then)

representa a sada nebulosa da regra. Durante a avaliao das regras, a intensidade da sada calculada com base nos valores dos antecedentes e ento indicadas pelas sadas nebulosas daregra.Algunsmtodosdeavaliao:MinMax,MaxMin,MaxProduto,MinMin,MaxMedia,MaxMaxeSomadosprodutos.

Passo3Desfuzzificar:Processo utilizado para converter o conjunto difuso de sada em um valor crisp

correspondente.Algunsmtodosdedefuzzificao:

Centride,Mdiadosmximos,DistnciadeHamming,Barrasverticais,Mtododaaltura,etc.

11. Considerando as variveis fuzzy de entrada PESO e ALTURA, escreva um conjunto de regras fuzzy para um sistema especialista que selecionasse jogadores de basquete para um time (p.ex.: se o candidato for GIGANTE e PESADO ento BOM jogador se o candidatoforBAIXINHOePESADOentoMAUjogador).

12. O que acontece num algoritmo gentico simples se a taxa de mutao for colocada igualazero?

Pode estagnar em um resultado de maximo local, perdendo a capacidade de tirar esta estagnaoquenocasodocrossoveracontece.

13. O que acontece num algoritmo gentico simples em que a taxa de recombinao

(crossover)seja0epossuaumataxademutaoelevada?Resultadosinesperadoseperdadecaracteristicasimportantesdasgeraes,ouseja,

aoacharumcaminhoquelevariaaobomresultadocomamutaopodeseperderestacaracteristica

14. Conhecendo as tcnicas de IA (Simblica, Neural, Evolucionria e Nebulosa), diga como voc poderia analisar um problema a fim de selecionar qual a tcnica de IA mais apropriada para tentar achar a soluo do problema. Isto : Que caractersticas o problemadeveterqueindicamatcnicamaisadequadadesoluo.

3LISTADEEXERCCIOSPARAA2PARTEDADISCIPLINADEINTELIGNCIAARTIFICIAL

1)QualadiferenaentreaRedePerceptroneaAdaline?

PERCEPTRONobjetivo:AtuarcomoclassificadorecomogeradordefuneslgicasbinriascaractersticasaprendizadosupervisionadorepresentaobinriaapenasumacamadadepesosajustveisLimitaes:noadmitemaisdeumacamadadepesosajustveisaprendizadonemsempreocorreasduasclassesC1eC2devemserlinearmenteseparveis

ADALINE:ADALINEePerceptronsurgiramquasequesimultaneamente tem seus pesos ajustados em funo do erro de sua sada linear, antes da aplicao da funodepropagaocontinuacomoproblemadeumanicacamadadepesosajustveis a funo de custo a ser minimizada quadrtica nos pesos de entrada, e a minimizao feitapelomtododogradienteVantagens:TreinamentomaissuavequeodoPerceptronLimitaes:AsmesmasdoPerceptronOtreinamentoinclusivepodesermuitomaisdemorado

2)QualfoiaprincipaldificuldadenamigraodaAdalineparaasMLPs?

3) Calcule os valores de W para uma rede Adaline usando o mtodo analtico de Minimizar o ErroMdioQuadrticoparaoproblemadoOULGICO.

4) Calcule os valores de W para uma rede Adaline usando o mtodo iterativo da Descida da Encostamaisngreme(RegraDeltaouSteepstDescent)paraoproblemadoOULGICO.

5) Porque o modelo de rede neural de McCulloch&Pitts pode ser equiparado a um computador digital?Quaisas5suposiesbsicasquesuportamofuncionamentodestemodelo?

6) Discorra sobre a afirmao: Uma rede neural direta multicamadas um dispositivo toleranteafalhas.Istoverdadeiro,falsoeporque?Verdadadeiro. Redes neurais exibem caracteristicas similares ao do comportamento dos seres vivos,taiscomo:Generalizao:

redes neurais sao capazes de generalizar o seu conhecimento a partir de exemplos anteriores

habilidadedelidarcomruidosedistorcoes,respondendocorretamenteapadroesnovosRobustezeDegradaoGradual:

a perda de um conjunto de elementos processadores e/ou conexes sinpapticas no causaomalfuncionamentodaredeneural

7) Dada a equao fundamental do perceptron: 1 se w1.x1+w2.x2 >= Theta, 0 caso contrrio. Ache os valores de ws e Thetas para a rede de 2 camadas de perceptrons aprender o ouexclusivo(XOR).

8) Qual a afirmao comprovada por Minsky & Papert no seu livro Perceptrons de 1969 e quepraticamenteestagnouaspesquisasemredesneuraisartificiaispormuitosanos?

Porque foi concludo que o Percepton era capaz de distinguir apenas padres linearmente separveis, isto causou um trauma na comunidade cientfica e levou ao corte de verbasparaaspesquisasemRedesNeuraisArtificiais.

9) Em que iidia se baseia o algoritmo de aprendizado backpropagation? Para que serve otermoconhecidocomomomento?

Consiste em analizar os erros dos elementos processadores da camada de saida e retropropagalos para as camadas intermedirias (erros so calculados com resultado do treinamentosupervisionado).

Omtododeanliseebuscadoerromnimoagradientedescendente.Momento: (alpha) simula a inrcia na descida de encosta, com o objetivo de escapar de

mnimoslocais.

10) Comente a seguinte afirmao referente a redes neurais com funo de sada do tiposigmoidal,dizendoseaafirmaoverdadeiraoufalsaeporque: Uma rede neural direta com apenas um neurnio na camada intermediria equivalente a uma rede neural direta sem camada intermediria e portanto incapaz de resolveroproblemadoOUEXCLUSIVO.

Verdadeiro

11) Considere uma rede neural direta com neurnios estticos para reconhecimento de caracteres do alfabeto. Configure esta rede em termos de nmero de neurnios de entrada, nmero de neurnios da camada de sada, nmero de neurnios na camada intermediria, taxa deaprendizado,funodesadadosneurnios,etc.Justifiqueasuaescolha.

12) Para uma populao de 4 indivduos dada a seguir e uma taxa de cruzamento de 50%, descreva o processo e mostre os elementos da populao aps fazer a recombinaoentreo3e4bit.

Cromossoma ValordoCromossoma Aptido(fitness) %doTotal1 10111 201 512 11001 136 353 11110 20 54 00010 34 9Total: 391 100

Taxadecruzamento50%entooscromossomos1e3formamumpar

101|11>10110111|10>11111

Populaoapsocruzamento

Cromossoma ValordoCromossoma Aptido(fitness) %doTotal1 101102 110013 111114 00010

13) Como a taxa de mutao de um AG pode auxiliar a procura por timos globais e evitaraestagnaoemtimoslocais?

14) Procure na Internet implementaes e solues para o problema da mochila (knapsack). Verifiqueedescrevaaformadecodificaodoproblemaemcromossomos.

15) Comente sobre as outras tcnicas de computao evolucionria e tente elencar aplicaes ondecadaumadastcnicasseriamaisadequadaparasoluodoproblema.16)Oquevocentendeporalgoritmosgenticos?

17) Como funcionam a mutao e o crossover? Quais as vantagens e desvantagens de cadaumdeles?

Mutao a alterao de um gen do cromossomo e sua vantagem que pode achar resultados melhores, pois o processo de recombinao tende a estagnar em um mximo que podenoseromelhorresultado.

Crossover a troca de material gentico, onde pegase os pais selecionados e trocase numacertaalturadocromosomoomaterialgenticodestepais.

18) Faa o cruzamento dos cromossomos abaixo, indique qual o cruzamento que foi feito efaaumamutao,indicandoa.

Me 111000011101111Pai 101011010111000

Croosover:101011011101111111000010111000

7bittrocadomaterialmutao

1111000111011114bitpara1

19)Encontrardexparaoqualafunof(x)=x23x+4assumeovalormnimo.

a.Assumirquex[10,+10]b.CodificarXcomovetorbinrioc.Criarumapopulaoinicialcom4indivduosd.AplicarMutaocomtaxade1%e.AplicarCrossovercomtaxade60%f.Usarseleopelomtododaroleta.g.Usar5geraes.

Recommended

View more >