dsc/cct/ufc g inteligência artificial i aprendizagem (parte i) prof. a joseana macêdo fechine...

DSC/CCT/UFCG

Inteligência Artificial IInteligência Artificial I

Aprendizagem Aprendizagem (Parte I)(Parte I)

Prof.Prof.aa Joseana Macêdo Fechine Joseana Macêdo Fechine joseana@dsc.ufcg.edu.brjoseana@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?