Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
net/publication/221875658
CITATIONS READS
0 490
1 author:
Wagner Arbex
Brazilian Agricultural Research Corporation (EMBRAPA)
62 PUBLICATIONS 31 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Modelos computacionais para estabelecimento de meios e procedimentos metodológicos para análise de dados em bioinformática - MCBio
View project
Estratégias de melhoramento genético para as raças Gir Leiteiro, Guzerá, Sindi e Girolando em sistemas sustentáveis de produção de leite
View project
All content following this page was uploaded by Wagner Arbex on 15 May 2014.
Wagner Arbex
arbex AT jf.universo.edu.br
arbex AT arbex.pro.br
Versão 11.1
Sumário
Apresentação p. 4
1 Introdução p. 5
2.1 Agentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 7
2.2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 8
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 18
Referências p. 24
Apresentação
1 Introdução
1
O termo neural networks, em inglês, refere-se indistintamente ao sistema nervoso como um
todo ou a um neurônio individualizado. Entretanto, em português, diferencia-se “neural”, ao
tratar-se do sistema nervoso no sentido amplo, de “neuronal”, ao tratar-se de neurônios e, assim,
uma rede de neurônios deve ser chamada de “rede neuronal”. Apesar disso, em 1994, a Socie-
dade Brasileira de Redes Neurais, adotou o termo “rede neural”, o que torna correto o seu uso.
Contudo, o a complementação desses termos com a palavra “artificial” - p. ex., rede neuronal
artificial ou rede neural artificial - não foi oficializada (CARVALHO, 2005).
7
2.1 Agentes
Segundo Russel e Norvig (2004), “é tudo que pode ser considerado capaz de
perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por
meio de atuadores”.
Agent Sensors
Percepts
Environment
?
Actions
Actuators
2.2.1 Introdução
A Teoria dos Jogos (TJ) (NEUMANN; MORGENSTERN, 1944) é uma forma de se mo-
delar problemas que envolvem dois ou mais “tomadores de decisões” e, por-
tanto, não se trata de regras ou formas de como se deve jogar um determinado
jogo, mas de um mecanismo de análise de conflitos de interesses. Como, para a
IA, segundo Russel e Norvig (2004), os tomadores de decisão são agentes, então,
a TJ visualiza qualquer ambiente multiagente como um jogo e o que os agentes
fazem é escolherem diferentes ações para melhorarem seu retorno.
Os agentes que podem ter diferentes formas de relação entre si, p. ex., suas
decisões podem ser tomadas em separado, sem necessariamente estarem “co-
operando”, como no caso do Dilema do Prisioneiro (ver 2.2.2), ou exatamente o
contrário, quando a decisão de um agente pode influenciar na decisão do ou-
tro agente, isto é, a ação ou atuação de um agente pode ser mais um elemento
de percepção de outro agente e, portanto, pode influenciar na ação desse se-
gundo agente, como no caso do Truelo (ver 2.2.3). Entretanto, em qualquer um
dos casos, o “resultado do jogo” vai considerar a ação dos agentes envolvidos.
Dois assaltantes Alice (A) e Bob (B) são presos na cena do crime e são in-
terrogados separadamente. Para cada um deles é feita a mesma proposta de
9
J: DVD J: blu-ray
C: DVD J e C ganham mercado J e C perdem mercado
C: blu-ray J e C perdem mercado J e C ganham mercado
Um “truelo” é um “duelo para três pessoas” e, nesse caso, temos uma situ-
ação de multiagentes competitivos, isto é, que de alguma forma “cooperam”5
entre si, pois a ação ou atuação de cada agente é considerada pelo agente
seguinte na sua decisão e, como consequência, esse agente, pode ser influen-
ciado pela ação do agente anterior.
2. supondo que W erre seu alvo de forma proposital, ou seja, W não tentou
acertar ninguém. Nesse caso, certamente G tentará alvejar B, com 50% de
chance de sucesso, então, são possíveis dois casos:
(a) que as chances de cada atirador acertar o seu alvo são: W, 1/3; G, 2/3;
B, 1/1 e que W, novamente, deve errar seu alvo de forma proposital;
(b) que as chances de cada atirador acertar o seu alvo são: W, 1/3; G, 2/3;
B, 1/1 e que W tente acertar G;
(c) que as chances de cada atirador acertar o seu alvo são: W, 1/3; G, 2/3;
B, 1/1 e que W tente acertar B.
3. O problema do truelo modela situações em que o mais fraco pode ter mais
chances de vencer, caso tenha o benefício da “primeira jogada”, existem
problemas reais que podem ser modelados dessa forma? Qual(is) seria(m)
a(s) dificuldade(s) de se utilizar esse modelo em problemas reais?
Como visto, um agente pode ser descrito em função do PEAS, isto é, sua
atuação frente a um dada sequência de percepções, entretanto, na “prática”,
como pode ser descrita a “estrutura dos agentes”? Agentes são implementados
por “programas agentes”, ou seja, os programas agentes são as implementações
de suas descrições PEAS, para executarem a “função de agente”, que é mapear
percepções em ações.
Por definição, para estudos de IA, programas agentes devem ser executados
em diversos dispositivos de computação com sensores e atuadores, que definem
a “arquitetura” onde os agentes são executados, assim:
São o tipo mais simples de agentes, pois selecionam a ação com base na
percepeção corrente, ignorando, caso exista, o histórico de percepções.
state ← INTERPRET_INPUT(percept)
rule ← RULE_MATCH(state, rules)
action ← rule.ACTION
retorna action
fim
Algoritmo 3: Programa agente reativo simples (RUSSEL; NORVIG, 2009).
Agent Sensors
Environment
Condition-action rules What action I
should do now
Actuators
Sensors
State
How the world evolves What the world
is like now
Environment
What my actions do
Agent Actuators
entroncamento onde pode tomar três caminhos, a correta decisão de qual ca-
minho tomar vai depender de algum tipo de informação objetiva, que descreva
a situação desejada, p. ex., as coordenadas do ponto destino e não somente a
descrição do estado atual.
Sensors
State
What the world
How the world evolves is like now
Environment
What it will be like
What my actions do if I do action A
What action I
Goals should do now
Agent Actuators
Os objetivos, sem outras informações, podem não ser o suficiente para es-
tabelecer comportamentos com alta qualidade em muitos ambientes. P. ex.,
tomando o mesmo exemplo anterior, um agente pode saber como sair de um
determinado ponto e chegar em outro, porém, ele poderia ser utilizado para
buscar o menor caminho ou, então, o melhor caminho, somente pela deter-
minação do objetivo? Não, pois sua utilização nesses dois casos, se daria por
diferentes comportamentos, com percepções e ações diferentes.
Para piorar a situação, pode-se exigir que o agente determine uma boa mé-
dia entre diferentes objetivos, p. ex., achar o caminho com o melhor resultado
médio entre o menor caminho e o melhor caminho. Assim, um agente baseado
em utilidade, do inglês, utility-based agent, (Figura 5) usa um modelo do mundo,
juntamente com uma função de utilidade que mede suas preferências entre es-
tados do mundo. Em seguida, ele escolhe a ação que leva à melhor utilidade
esperada, onde a utilidade esperada é calculada pela média de todos os esta-
dos resultado possível, ponderadas pela probabilidade do resultado
16
Sensors
State
What the world
How the world evolves is like now
Environment
What it will be like
What my actions do if I do action A
What action I
should do now
Agent Actuators
A ideia de programas agentes foi descrita por Turing (1950) que, na verdade,
considerou a programação em máquinas inteligentes, propondo a construção
de máquinas de aprendizagem e, em seguida, usar programas para ensiná-las.
Critic Sensors
feedback
Environment
changes
Learning Performance
element element
knowledge
learning
goals
Problem
generator
Actuators
Agent
3 Descoberta de conhecimento
em bases de dados
3.1 Introdução
cia tem sido, há muito tempo, tema de estudo e debate, tanto do ponto de vista
técnico, quanto filosófico, sendo que a discussão técnica tomou grande impulso
a partir dos sistemas de computação modernos e com grande capacidade de
processamento (CRISTIANINI; SHAWE-TAYLOR, 2000). Entre as técnicas mais utilizadas
em mineração de dados estão as regras e árvores de decisão, algoritmos ge-
néticos, lógica difusa e, ainda, as redes neuronais, que, apesar de não gerarem
conhecimento explícito, são empregadas em várias tarefas de mineração de
dados (REZENDE, 2005).
Assim, segundo o que foi apresentado na Seção 3.1 e Witten e Frank (2005),
resume-se mineração de dados como o processo operacional de descoberta
de padrões automatizados ou semi-automatizados, em grandes quantidades de
dados, que devem ser, obrigatoriamente, úteis. Da mesma forma, para apren-
dizado, define-se como a alteração do comportamento, sendo, nesse caso, o
comportamento de agentes, de forma que esses apresentem melhor desempe-
nho no futuro.
Existem textos que não fazem essa diferenciação entre mineração de dados
e aprendizado de máquina e, até mesmo, de descoberta de conhecimento
e, além disso, também não existem consensos para se definirem técnicas de
mineração de dados – que deve tratar dos métodos, técnicas e algoritmos de
aprendizado de máquina e que serão utilizados no problema em questão – e
a operacionalização das mesmas, que são as formas de utilização das técnicas
de mineração de dados, isto é, as tarefas de mineração em si, que trata da
relação entre a escolha da técnica de mineração de dados, ou técnicas, e as
tarefas, isto é, o trabalho de mineração de dados, que devem ser realizadas.
Para tratar das técnicas de mineração de dados e as tarefas de mineração de
dados, esse texto, baseia-se em Carvalho (2005) e Goldschmidt e Passos (2005)
e, com maiores detalhes serão vistas na Seção 3.3.
Apesar da abordagem prática que está sendo feita, alguns preceitos teóri-
cos que são necessários à preparação da mineração de dados, como, p. ex.,
o entendimento do problema que será submetido ao processo de descoberta
de conhecimento em base de dados (GOLDSCHMIDT; PASSOS, 2005). O entendi-
mento do problema exige, no mínimo, o conhecimento da base de dados a ser
minerada e o especialista – ou equipe – que deve deter o conhecimento pré-
vio (background knowledge) sobre o problema, sendo que esses dois elementos,
levam ao terceiro, que é definir o objetivo da aplição.
Esses aspectos das bases de dados, atualmente, são impecilhos para técni-
cas tradicionais de análise de dados onde, p. ex., a estatítica tradiconal baseia-
se em modelos “hipótese x teste”, onde, simplificdamente, estabebelece-se uma
hipótese e, a partir, de dados coletados, que foram especificados no modelo,
são feitos testes onde os resultados confirmarão ou refutarão a hipótese. Entre-
tanto, modelos como esse são eficazes para pequenos números de hipóteses,
não percebem informações “escondidas” e os dados podem ser gerados a par-
tir de uma amostragem “oportunista” e não aleatória, como deveriam ser.
Referências
MITCHELL, T. M. Machine learning. 1. ed. New York: McGraw Hill Higher Education,
1997. 432 p. ISBN 0070428077.
RUSSEL, S.; NORVIG, P. Inteligência artificial. Rio de Janeiro: Elsevier, 2004. 1056 p.
SINGH, S. O último teorema de Fermat. Rio de Janeiro: Record, 1998. 328 p. ISBN
9788501050069.
WITTEN, I. H.; FRANK, E. Data mining: pratical machine learning tools and
techniques. 2. ed. San Francisco: Morgan Kaufmann Publishers, 2005. 525 p. ISBN
0-12-088407-024884070.
26
Alguns apostam que a década que se inicia será aquela em que a inteligên-
cia artificial se desenvolverá a uma velocidade exponencial, e passará a ter um
impacto econômico paralelamente à emergência da Índia e da China.
peonatos mundiais). Mas, nos anos seguintes, enquanto o homem aprendia por
meio dos computadores, as máquinas foram evoluindo a uma velocidade muito
maior.
De certo modo, o xadrez hoje é tão popular e faz tanto sucesso quanto nas
décadas anteriores. Ele se presta muito bem a ser jogado na internet, e os fãs
podem acompanhar os torneios de altíssimo nível em tempo real, muitas vezes
com comentários. A tecnologia contribuiu para a total globalização do xadrez,
28
Portanto, apesar de um início difícil depois da crise financeira (que ainda fre-
ará o crescimento global este ano e no próximo), não há nenhuma razão para
que a nova década tenha de ser um fiasco econômico. A não ser que ocorra
mais uma série de profundas crises financeiras, isso não acontecerá - desde que
os políticos não atrapalhem o novo modelo de comércio, tecnologia e inteligên-
cia artificial.
Esse documento foi editado com o TEXShop e processado pelo LATEX 2ε , utilizando a classe ABNTEX para o corpo do texto e para os formatos das citações e
referências bibliográficas. Encontra-se disponível para download em <http://www.arbex.pro.br/>.
Arquivo de impressão gerado em 7 de julho de 2011.