1 / 88

Inteligência Computacional

Inteligência Computacional. UFGD/Análise de Sistemas Prof. Celso Camilo. Introdução - Conteudo. O que é Inteligência Computacional (IC) ? Técnicas Inteligentes Algoritmo genético Redes Neurais Logica Fuzzy Swarm Intelligence ... Áreas de Aplicação . Introdução. O que é Inteligência ?.

arion
Download Presentation

Inteligência Computacional

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Inteligência Computacional UFGD/Análise de Sistemas Prof. Celso Camilo

  2. Introdução - Conteudo • O que é Inteligência Computacional (IC) ? • Técnicas Inteligentes • Algoritmo genético • Redes Neurais • Logica Fuzzy • Swarm Intelligence • ... • Áreas de Aplicação

  3. Introdução O que é Inteligência ?

  4. O que você considera inteligente ?

  5. Introdução O que é Inteligência ? “capacidade de aprender, apreender e interpretar ” Dicionário Aurélio

  6. Introdução O que é Inteligência ? “A habilidade de aprender ou entender ou tratar com situações novas.” “A habilidade de aplicar o conhecimento para manipular um ambiente ou pensar abstratamente como avaliado por critérios objetivos (como testes).” Webster’s New Collegiate Dictionary,1975

  7. Introdução O que é Inteligência ? “Inteligência é a capacidade do sistema adaptar seu comportamento para encontrar seus objetivos em uma faixa de ambientes.” David Fogel (1995)

  8. Introdução O que é Inteligência ? • No livro do Andreas ele relata outras fontes que incluem aspectos como creatividade, habilidade, emoção e intuição na definição de inteligência Andreas Book (CI – An Introduction)

  9. Intelligence Is… • Capacity to learn from experience • Ability to adapt to different contexts • The use of metacognition to enhance learning

  10. Emotional Intelligence • Mayer & Salovey (1997) “The capacity to reason about emotions, and of emotions to enhance thinking. It includes the abilities to accurately perceive emotions, to access and generate emotions so as to assist thought, to understand emotions and emotional knowledge, and to reflectively regulate emotions so as to promote emotional and intellectual growth”

  11. Social Intelligence • Ability to get along with others • Knowledge of social matters • Insight into moods or underlying personality traits of others

  12. Introdução Os computadores podem ser inteligentes ?

  13. Introdução Os computadores podem ser inteligentes ? • Em meados de 1900, Alan Turing acreditava que não há nada que a mente faz que um computador bem projetado não possa fazer. • Depois de 20 anos, o seu pensamento ainda é considerado visionario. • Em 1950 Turing publicou o seu teste para medir a inteligência do computador – Teste de Turing.

  14. Introdução Teste de Turing • O teste consiste em uma pessoa fazer perguntas pelo teclado para uma outra pessoa e um computador. • Se o interrogador não conseguir distinguir a máquina da pessoa, então o computador é inteligente.

  15. Introdução • O que é Inteligência Computacional (IC) ? “Técnicas e sistemas computacionais que imitam aspectos humanos, tais como: percepção, raciocínio, aprendizado, evolução e adaptação”. “A Inteligência Computacional busca, através de técnicas inspiradas na Natureza, o desenvolvimento de sistemas inteligentes que imitem aspectos do comportamento humano, tais como: aprendizado, percepção, raciocínio, evolução e adaptação.” ICA-Puc-RIO

  16. Introdução • O que é Inteligência Computacional (IC) ? “Redes Neurais, Algoritmos Genéticos, Sistema Fuzzy, Programação Evolucionária e Vida Artificial são os blocos construtores da Inteligência Computacional.” IEEE Transactions on Neural Networks “IC geralmente descreve métodos de computação que podem ser usados para adaptar soluções para novos problemas sem depender explicitamente do conhecimento humano” David Fogel - 1995

  17. Introdução • Inspiração na Natureza Lógica Fuzzy - processamento linguístico Redes Neurais - neurônios biológicos Algoritmos Genéticos – evolução biológica Sistemas Híbridos – aspectos combinados

  18. Suporte a Decisão

  19. Introdução – Áreas de Aplicação

  20. Introdução – Áreas de Aplicação

  21. Introdução – Áreas de Aplicação

  22. Algoritmos Genéticos

  23. Conceitos Básicos • Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética.

  24. Conceitos Básicos • Algoritmo de busca/otimização inspirado na seleção natural e reprodução genética. • Combina sobrevivência do mais apto e cruzamento aleatório de informação

  25. Indivíduo Cromossoma Reprodução Sexual Mutação População Gerações Meio Ambiente Solução Representação Operador Cruzamento Operador Mutação Conjunto de Soluções Ciclos Problema Analogia com a Natureza Evolução Natural Alg. Genéticos

  26. Qual a finalidade de Algoritmos Genéticos? Algoritmos Genéticos empregam um processo adaptativo e paralelo de busca de soluções em problemascomplexos.

  27. Qual a finalidade de Algoritmos Genéticos? • Adaptativo • informação corrente influencia a busca futura • Paralelo • várias soluções consideradas a cada momento • Problema Complexo • de difícil formulação matemática ou com grande espaço de busca (grande número de soluções)

  28. Problema Complexo Exemplo: Maximizar f (x) = x2: encontrar x (0 ... 2 L -1) para f(x)=máx 109 inst/seg

  29. Problema Complexo Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=máx 109 inst/seg

  30. Problema Complexo Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=máx 109 inst/seg

  31. Problema Complexo Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=máx 109 inst/seg

  32. Problema Complexo Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=máx 109 inst/seg

  33. Problema da Cabra Cega Busca de objetivo escondido em uma área y tesouro Avaliação adapta a busca (X0 , Y0) tá frio y0 x0 x

  34. Problema da Cabra Cega Busca de objetivo escondido em uma área y tesouro Avaliação adapta a busca (X0 , Y0) tá frio (X1 , Y1) tá morno y1 y0 x0 x1 x

  35. Problema da Cabra Cega Busca de objetivo escondido em uma área y tesouro y2 Avaliação adapta a busca (X0 , Y0) tá frio (X1 , Y1) tá morno (X2 , Y2) tá quente! y1 y0 x0 x2 x1 x

  36. Problema da Cabra Cega Área Muito Grande Busca Paralela y tesouro x

  37. Problema da Cabra Cega Área Muito Grande Busca Paralela y tesouro A yA C y B B E D xA x xB

  38. Problema da Cabra Cega y tesouro A yA cruzamento C y B B E D x xB xA

  39. (xA ,yB) G Problema da Cabra Cega y tesouro (xB ,yA) A yA F cruzamento C y B B E D x xB xA

  40. Operações Básicas • Seleção: privilegia os indivíduos mais aptos

  41. Operações Básicas • Seleção: privilegia os indivíduos mais aptos • Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão

  42. Operações Básicas • Seleção: privilegia os indivíduos mais aptos • Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão • Crossover: troca de genes (pedaços de palavras)

  43. Operações Básicas • Seleção: privilegia os indivíduos mais aptos • Reprodução: indivíduos (ex: palavras binárias) são reproduzidos com base na aptidão • Crossover: troca de genes (pedaços de palavras) • Mutação: troca aleatória de um gene (bit da palavra)

  44. Exemplo • Problema: • Achar o valor máximo para f (x) = x2, x no limite de 0 a 63.

  45. Exemplo • Problema: • Achar o valor máximo para f (x) = x2, x no limite de 0 a 63. • Representação da Solução: • Palavras binárias representando sucessivas potências de 2. • 011100 Representa 28 • 110101  Representa 53 (uma solução mais apta)

  46. X Aptidão (x2 ) Cromossoma Palavra A 1296 100100 36 B 010010 18 324 C 010110 22 484 D 000001 1 1 Seleção em Algoritmos Genéticos • População

  47. X Aptidão (x2 ) Cromossoma Palavra D A 1296 100100 36 C B 010010 18 C 010110 22 484 A B D 000001 1 1 Seleção em Algoritmos Genéticos • População • Seleção 324 ProbabilidadeAptidão do de Seleção Cromossoma 

  48. Operadores de Algoritmos Genéticos Crossover 1 0 1 0 1 1 Pais 0 0 1 1 0 0

  49. Operadores de Algoritmos Genéticos Crossover 1 0 1 0 1 1 1 0 1 0 0 0 Pais Filhos 0 0 1 1 0 0 0 0 1 1 1 1

  50. Operadores de Algoritmos Genéticos Crossover 1 0 1 0 1 1 1 0 1 0 0 0 Pais Filhos 0 0 1 1 0 0 0 0 1 1 1 1 Mutação Antes 0 0 1 1 1 1 0 0 0 1 1 1 Depois

More Related