Sistemas de Informação Inteligentes

Sistemas de Informao Inteligentes
Airton Bordin Junior
Quem Sou Eu?

Airton Bordin Junior
Graduao: Cincia da Computao
Especializao: Redes de Computadores e Gerenciamento
de Projetos
Contato
airtonbjunior@gmail.com
airtonbjunior.com.br
facebook.com/airtonbjunior
Objetivos Gerais da Disciplina
Fornecer aos alunos os princpios bsicos da

Inteligncia Computacional procurando explorar
estes sob a perspectiva do projetista de sistemas
inteligentes.
Estratgia de Trabalho
Apresentao do contedo
Aulas expositivas de aspectos tericos;

Aplicaes a problemas de interesse, com exerccios
(classe e extra-classe);
Utilizao do laboratrio de informtica.
Avaliao
100 pontos, compostos por
1,5h/aula semana
60% prova;
40% trabalho.
Quinta-feira, 20h30
Bibliografia
Bsica
REZENDE S. Sistemas Inteligentes Fundamentos e Aplicaes.

Editora Manle, 2003
RUSSELL, Stuart J. - Inteligncia Artificial Ed. Norvig, Peter
Campus,2004
LUGER, George F. - Inteligncia Artificial Ed. Bookman
Companhia, 2004
Contedo Programtico
1.
2.
3.
4.
5.
6.
7.
8.
Reviso I.A.;
Lgica Fuzzy;
Representao do Conhecimento;
Reviso de Lgica;
Prolog, Clojure;
Sistemas Especialistas e Engenharia do Conhecimento;
Redes Neurais;
Minerao de Dados.
Introduo
Sistemas de Informao Inteligentes
Sistemas de Informao: Sistema (automatizado ou no)

que abrange pessoas, mquinas e/ou mtodos organizados para
coletar, processar, transmitir e disseminar dados que
representam informao para o usurio;
Inteligncia: Conjunto que forma todas as caractersticas

intelectuais de um indivduo; faculdade de conhecer, raciocinar,
pensar, interpretar e tomar decises;
Inteligncia Artificial: Inteligncia, similar humana, exibida

por mecanismos ou software.
1. Reviso Inteligncia Artificial
Inteligncia Artificial (Reviso)

Objetivos das pesquisas de Inteligncia Artificial
Capacitar o computador a executar funes que so

desempenhadas pelo ser humano usando o conhecimento e
raciocnio;
Homo Sapiens: homem sbio.
Pesquisa ps 2 guerra mundial;

Termo criado em 1956;
Variedade de subcampos
Jogos;
Demonstrao de teoremas;
Criao de poesia;
Direo de carros, etc.
Inteligncia Artificial
Filosofia (de 428 A.C. at a atualidade)

Lgica, mtodos de raciocnio, origens do aprendizado, racionalidade
Matemtica (cerca de 800 at a atualidade)
Representaes formais, algoritmos, computabilidade, probabilidade
Economia (de 1776 at a atualidade)
Conceito de utilidade, teoria da deciso, teoria dos jogos
Neurocincia (de 1861 at a atualidade)
Substrato fsico para a atividade mental
Psicologia (de 1879 at a atualidade)
Percepo e controle motor, tcnicas experimentais
Engenharia da computao (de 1940 at a atualidade)
Construo de computadores rpidos, ambientes, programao
Lingustica (de 1957 at a atualidade)
Representao do conhecimento e gramtica
10
Reviso - Inteligncia Artificial
11
Agindo de Forma Humana
Teste de Turing - Alan Turing (1950)
Passar no teste se
Habilidades necessrias
12
Um interrogador humano, depois de propor algumas perguntas por

escrito (vdeo e mecnica no teste total), no conseguir descobrir se
as respostas vem de um humano ou computador.
Processamento de linguagem natural;
Representao do conhecimento;
Raciocnio automatizado;
Aprendizado de mquina;
Viso computacional;
Robtica.
Alan Turing
Previso de Alan Turing: Em 2000, as mquinas tero 30%

de chances de enganar um humano por 5 minutos
2014: 33% dos pesquisadores convenceram-se de que

Eugene Goostman era humano.
13
14
Alguns pesquisadores tem deixado de lado o Teste de

Turing
Mais importante estudar os princpios bsicos da inteligncia

do que produzir um exemplar.
Justificativa: desafio do voo artificial
15
Pesquisadores pararam de imitar os pssaros e passaram a

aprender sobre aerodinmica.
Pensando de Forma Humana
Como os seres humanos pensam?
Introspeco;
Experimentos psicolgicos;
Imagens cerebrais.
Modelos computacionais + tcnicas experimentais da

psicologia
16
Pensando Racionalmente
Aristteles (384 a.C. 322 a.C.) Silogismo
Pensamento correto processos de raciocnio irrefutveis
17
Premissa maior (P);

Premissa menor (p);
Concluso (c).
Todo homem mortal.

Scrates homem.
Logo, Scrates mortal.
Agentes
Agente: algo que age
Autnomo;
Perceba o ambiente;
Persista;
Adapte-se;
Crie e persiga metas, etc.
Alguns modos de agir racionalmente no envolvem

inferncias
18
Reflexos (afastar-se do fogo, por exemplo)
Agentes
19
Agentes
Exemplo: Aspirador de p
Percepes: local e contedo
Exemplo: [A, sujo]
Aes: Esquerda, Direita, Aspirar, NoOp

20
Agentes
Percepes (sequncia)
Ao
[A, Limpo]
Direita
[A, Sujo]
Aspirar
[B, Limpo]
Esquerda
[B, Sujo]
Aspirar
[A, Limpo], [A, Limpo]
Direita
[A, Limpo], [A, Sujo]
Aspirar
[A, Limpo], [A, Limpo], [A, Limpo]
Direita
[A, Limpo], [A, Limpo], [A, Sujo]
Aspirar
...
21
Agentes
Conceito de sucesso do agente subjetivo
Medida de desempenho deve refletir o resultado

desejado
Agente racional: maximiza a medida de desempenho
Gasto de energia, quantidade de sujeira, rudo, etc
Leva em considerao a sequncia de percepes e por

conhecimento interno
Para pensar: Para que medida de desempenho o aspirador

de p (agente) racional?
22
Quantidade de p? (jogar o p e pegar novamente)

Cho limpo? (nvel limpeza, frequncia de trabalho)
Outras medidas...
Agentes Racionais
Agente racional: maximiza a medida de desempenho;

Racionalidade no perfeio!
Maximizao do desempenho esperado;

Perfeio maximiza desempenho real.
Escolha racional leva em conta as percepes at o

momento
23
Agentes Racionais
O agente deve coletar informaes?

O agente deve aprender?
24
Agentes Racionais
Os agentes podem e devem executar aes para a coleta

de informaes e aprender!
Coleta de informaes: explorao de um ambiente

desconhecido, por exemplo;
Agente que aprende: modifica seu comportamento,
dependendo das percepes ao longo do tempo
25
Tambm chamado Agente Autnomo.
Agentes Racionais
Ao projetar um agente, primeiramente deve especificar o

ambiente de tarefa (PEAS)
Performance Medida de desempenho

Environment Ambiente
Actuators - Atuadores
Sensors Sensores
Exemplo: Txi Autnomo

Performance
Environment
Actuators
Sensors
Seguro, dentro da lei,

viagem confortvel,
maximizao dos
lucros, otimizao
rota, etc.
Estradas, pedestres,
clientes, outros
trfegos, etc.
Acelerador, freio,
embreagem, cmbio,
rodas, pneus, luzes,
buzina, etc.
Cmeras, medidor de
velocidade, GPS,
teclado, sensor de
motor, etc.
26
Agentes Racionais
Exemplo: Sistema de Diagnstico Mdico

Performance
Environment
Actuators
Sensors
Paciente saudvel,
maximizao lucros,
diminuio custos,
sistemas legais, etc.
Hospital, paciente,
equipe mdica,
assistentes, etc.
Diagnsticos,
tratamentos,
questionamentos,
testes, etc.
Sensores, descobertas,
respostas da equipe e
paciente, teclado, etc.
Instrutor de Ingls Interativo

Performance
Environment
Actuators
Sensors
Maximizar
desempenho do aluno,
manter satisfao, etc.
Alunos
Sugestes, exerccios,
correes, mensagens,
etc.
Entradas pelo teclado,

anlise de dados, etc.
27
2. Lgica Fuzzy
28
Lgica Fuzzy (difusa)
Modelar modos de raciocnio aproximados ao invs de

precisos;
Lgica binria clssica
Verdadeiro ou Falso.
Lgica difusa
29
Valores intermedirios entre V e F (qualquer valor entre 0 e 1);

Graus de pertinncia.
Lgica Convencional
30
Lgica Fuzzy
H limitaes na representao de certos fenmenos

utilizando a lgica bivalente [0 | 1] (Zimmermann)
Situaes reais muito frequentemente no so determinsticas

e no podem ser precisamente descritas;
A descrio completa de um sistema real frequentemente
requereria mais dados detalhados do que os que um ser
humano poderia sempre reconhecer simultaneamente,
processar e entender.
Lgica clssica: homem, mortal, mpar, etc;
Clssica
Lgica fuzzy: jovem, est cansado, alto, etc.
Fuzzy
31
Habilidade de manipular conjuntos e nmeros fuzzy

uma das atividades mais importantes do crebro humano;
32
Provavelmente essa habilidade humana desenvolveu-se atravs

das geraes, j que o fato de se trocar preciso por
velocidade decisivo para a sobrevivncia biolgica em
situaes crticas ou de perigos naturais.
Pessoas jovens?
Temperatura agradvel?
Copo cheio?
Pessoa alta?
33
Incerteza
Ao At = sair para o aeroporto t minutos antes do

vo.
At me levar ao aeroporto a tempo?
Dificuldades de saber o resultado da ao:
Estados parcialmente observveis
Sensores ruidosos
34
Relatrios,etc.
Incerteza quanto ao efeito das aes
Estados das estradas, trnsito, etc.
Acidentes, pneu furado, etc.
Grande complexidade em prever e modelar o trnsito
Incerteza
Nesse caso, a lgica pura no seria muito til
Deduo de algo potencialmente falso
Concluses fracas para tomada de decises
A45 me levar a tempo ao aeroporto, se nenhum acidente

ocorrer na ponte, se no chover, se nenhum pneu furar, etc.
Concluses no prticas
35
A45 me levar a tempo ao aeroporto
A1440 me levar a tempo ao aeroporto
Incerteza
A Probabilidade modela o grau de crena de um agente

dada as evidncias disponveis
A25 chegar a tempo com probabilidade 0.04

Proporciona um meio para resumir a incerteza causada
36
Preguia - falha em enumerar todas as possveis excees

regra
Ignorncia - falta de conhecimento sobre fatos relevantes,
condies iniciais
Incerteza
Probabilidade (Bayesiana || Subjetiva)
Estado de crena do agente em uma sentenas, dadas as evidncias;

Diferente quando novas evidncias chegam
P(A25|nenhum acidente) = 0.06

P(A25|nenhum acidente, 5 a.m.) = 0.15
Sentenas (Verdadeiras || Falsas.)
Muda o grau de crena do agente na sentena;

Probabilidade 0 a uma sentena significa acreditar que ela falsa com
certeza absoluta;
Probabilidade 1 a uma sentena significa acreditar que ela verdadeira
com certeza absoluta.
0 = 100% falso
1 = 100% verdade
37
Incerteza
Suponha o seguinte conjunto de crenas:
A25 chegar a tempo com probabilidade 0.04;

A1440 chegar a tempo com probabilidade 0.9999.
Que ao o agente deve tomar?
Depende de suas preferncias (Perder o voo || Tempo

de espera no aeroporto)
38
Teoria da utilidade = representao de preferncias

Teoria da deciso = teoria da probabilidade + teoria da utilidade
Incerteza
Considere a regra em lgica de primeira ordem:

p Sintoma(p, Dor_de_Dente) Doena(p, Cries)
Certo ou errado?
39
Incerteza
Considere a regra em lgica de primeira ordem:

A regra est incorreta!
Nem todas as pessoas que tem dor de dente tem cries.

Doena(p, Gengivite) Doena(p, Abscesso)...
Para tornar essa regra verdadeira, necessrio encontrar

TODAS as possibilidades de causa de uma dor de dente.
Implicao pode ser modelada de forma mais fraca:
40
Dor_de_Dente(0.7) Doena(Cries)
Incerteza
Elemento bsico: varivel aleatria
Anlogo lgica proposicional
Cada varivel aleatria tem um domnio que determina

seus valores possveis.
Tipos de domnio
41
Mundos possveis so definidos pela atribuio de valores s variveis.
Booleano: Crie possui valores em [verdadeiro,falso]

Discreto: Clima possui valores em [ensolarado, chuvoso, nublado,
neve]
Contnuo: Temperatura
Incerteza
Proposies elementares:
Construdas atravs da atribuio de valores a variveis.

Crie = falso, Clima = chuvoso
Proposies complexas:
Formadas a partir de proposies elementares e conectivos lgicos

padro.
Clima = chuvoso Crie = falso
42
Incerteza
Um evento atmico consiste da especificao completa do

estado do mundo sobre o qual o agente est incerto.
Uma atribuio de valores a TODAS as variveis das quais o mundo formado.
Exemplo:
Crie = verdadeiro DorDeDente = verdadeiro
Crie = falso DorDeDente = falso
Crie = verdadeiro DorDeDente = falso
Crie = falso DorDeDente = verdadeiro
43
Incerteza
O grau de crena em uma proposio na ausncia de outras

informaes pode ser definida da seguinte maneira:
P(Crie = verdadeiro) = 0.1
P(Clima = ensolarado) = 0.72
Distribuio de probabilidades:
44
P(Clima) = (0.7, 0.2, 0.08, 0.02)

Clima = ensolarado, chuvoso, nublado, neve
3. Representao
do conhecimento
45
Representao do conhecimento
Como representamos nosso conhecimento?

As pessoas representam conhecimento da mesma
maneira?
Existe uma forma de representar qualquer coisa?
Como programas inteligentes devem representar
conhecimento?
46
Cadeia semntica (atividade prtica)
47
Cadeias semnticas (atividade);

Frames;
Scripts;
Orientao a objetos (exemplo).
48
Prolog
Programao lgica/matemtica.
Principal exemplo prtico: IBM Watson
49
Linguagens - Prolog
Programming in Logic;
Resolver problemas envolvendo objetos e relaes entre
eles;
Conceitos bsicos
Fatos;
Perguntas;
Variveis;
Conjunes;
Regras;
Conceitos avanados
50
Listas;
Recurso.
Linguagens - Prolog
Aulas prticas
http://swish.swi-prolog.org/
http://swish.swi-prolog.org/p/AulaPrologCesufoz.pl
Consultas
Interface
Respostas
51
Motor de
inferncia
Base de
Conhecimento
Linguagens - LISP
List Processor;
Assim como Prolog, utilizada em Inteligncia Artificial;
Final dos anos 50 MIT John McCarthy;
Processamento simblico;
Linguagem funcional;
Interpretado;
Possui garbage collector;
Uso intenso de recurso;
Vrias verses/dialetos
52
Mac Lisp;
Franz Lisp;
Common Lisp;
Golden Lisp;
Clojure, etc.
Linguagens - Clojure
2007 Rich Hickey;

Executada na JVM;
(println Ol Mundo!)
(defn raiz-quadrada [x] (* x x))
(javax.swing.JOptionPane/showMessageDialog nil "Ol Mundo" )
(defn soma-elementos
[lst]
(if (empty? lst)
0
(+ (first lst)
(soma-elementos (rest lst))))) ;
53
Linguagens - Clojure
Clojure
54
Java
Python
Ruby
4. Reviso de
Lgica
55
Lgica
Cincia do raciocnio;
Proporcionar a universalidade na representao do
raciocnio
Evitar ambiguidades.
Garantir consistncias;
Lgica formal ignora o contedo de um argumento e se
preocupa com a validade da argumentao;
Fornece as estruturas bsicas para descrever o mtodo
de pensar organizado e cuidadoso que caracteriza a
atividade racional (agentes racionais).
56
Lgica
Proposio
Sentena que falsa ou verdadeira

Usamos proposies para representar afirmaes que fazemos
em linguagem natural
Vinte maior que dez;

O cdigo hexadecimal da cor branca #ffffff.
Conjunes
57
pVq
p^q
Lgica
Exemplo
A = Pedro alto
B = Pedro magro
AND
OR
(A V B) = Pedro alto ou magro
Negao
58
(A ^ B) = Pedro alto e magro
(A ^ B) = Pedro baixo OU gordo
Lgica
Regras de equivalncia
59
6.Sistemas Especialistas e
Engenharia do Conhecimento;
60
Sistemas Especialistas
Sistemas baseados em conhecimento
H uma separao clara entre conhecimento e raciocnio;

Controle do programa no se mistura com a especificao do
conhecimento.
Conhecimento: conjunto integrado de fatos e relaes

que, quando devidamente interpretado, produz um
desempenho eficiente
61
Sistemas baseados em conhecimento
Podem ser usados para
62
Facilitar a introduo de um novo conhecimento;

Apoiar na deteco de erros;
Justificar as regras melhorando a capacidade de explicao;
Dar mais informaes acerca do conhecimento;
Guiar a seleo e uso de regras;
Etc.
Sistemas
Especialistas
Processamento
de Linguagem
Natural
Outros
Inteligncia
Artificial
Viso
Computacional
Robtica
Aprendizado
por reforo
63
Redes Neurais
Artificiais
Inteligncia Artificial
Sistemas que exibem/replicam comportamentos inteligentes
Sistemas Baseados em Conhecimento

Conhecimento vital, diviso entre conhecimento e raciocnio
Conhecimento obtido a partir de um perito/especialista
64
Sistema
65
Conjunto de elementos, materiais ou ideais, entre os quais se

possa encontrar ou definir alguma relao.
Sistema

Especialista
66
Pessoa que se consagra com particular interesse e cuidado a

certo estudo. Conhecedor, perito.
Sistema
Especialista

Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.
67
Sistemas que solucionam problemas que so resolvidos apenas

por pessoas especialistas (acumularam conhecimento) na
resoluo desses problemas.
Ramo da Inteligncia Artificial
Faz uso intensivo do conhecimento especializado para resolver

problemas ao nvel de um especialista humano;
Emulam o comportamento de especialistas humanos em algum
domnio especfico do conhecimento.
Caso especfico de Sistemas Baseados em Conhecimento;

O desenvolvimento de um Sistema Especialista incorpora
Vertente tcnica;
Vertente humana complexa
68
Relacionamento de confiana que se estabelece entre quem especifica

e desenvolve o sistema e quem possui o conhecimento.
Sistemas Convencionais x Sistemas Especialistas

Sistema Convencional
Baseado em um algoritmo;
Emite um resultado final
correto;
Processa um volume de dados
de maneira repetitiva.
69
Sistema Especialista
Baseado em busca heurstica;

Problemas para os quais no
existe uma soluo
convencional organizada de
forma algortmica disponvel
ou muito demorada.
Sistemas Convencionais x Sistemas Especialistas

Sistema Convencional
70
Representao e uso de dados;

Algortmico;
Processos repetitivos;
Efetiva manipulao de grandes
bases de dados.
Representao e uso de
conhecimento;
Heurstica;
Processos de inferncia;
Efetiva manipulao de grandes
bases de conhecimento.
Faz inferncias e dedues a partir de informaes

fornecidas pelo usurio;
Conhecimento aplicado na soluo do problema
Usado para guiar e restringir a busca por solues.
rea do problema pequena e bem definida
71
Medicina;
Segurana;
Automobilismo;
Engenharia;
Etc.
Especialista
Conhecimento amplo de uma tarefa especfica
Adquirido por meio de treinamento, leitura, experincia, etc.
Conhecimento
Dados + processamento = informao;

Informao + processamento (experincia, etc) = conhecimento
Conhecimento saber que um tomate

fruta, sabedoria saber que no se deve
usar um tomate em uma salada de frutas
72
Especialista
73
Identifica questes relevantes ao problema;

Resolve problemas complexos;
Explica o resultado;
Aprende continuamente (reestruturao);
Sabe quando aplicar excees;
humano.
Como um especialista toma uma deciso?
Encontra fatos;
Formula hipteses
Emite a deciso;
Durante o processo de raciocnio, verifica qual a importncia
dos fatos que encontra
74
Busca em sua memria um conhecimento prvio.
Compara com as informaes contidas em seu conhecimento

acumulado.
Formula novas hipteses e verifica novos fatos;

[...]
Como um especialista toma uma deciso?
Sempre baseado em conhecimento prvio;

Pode no chegar a uma deciso se os fatos de que dispe para
aplicar seu conhecimento prvio no forem suficientes
75
Pode chegar a uma concluso errada.
Arquitetura tpica de um sistema especialista

Fatos
Interface de usurio
Base de
Conhecimento
Conhecimento
Motor de Inferncia
76
7. Redes Neurais
77
Redes Neurais
Crebro humano = aproximadamente 10 bilhes de

neurnios;
Ligados atravs de sinapses;
78
Em mdia, cada neurnio forma entre 1000 e 10000 sinapses.
Comunicao realizada por meio de impulsos;

Formam uma grande rede Rede Neural.
Redes Neurais
Algoritmo de Redes Neurais
Tentativa de imitar o crebro e sua incrvel capacidade de

aprender;
Hiptese de que o crebro possui apenas um algoritmo que
consegue aprender toas as funcionalidades do corpo;
Primeiras menes sobre o tema 1943 McCulloch e Pitts
79
Sugesto de uma mquina baseada no crebro humano;

Criao de um neurnio artificial.
Redes Neurais
Crebro humano x Computador
Parmetro
Crebro
Computador
Material
Orgnico
Metal e plstico
Velocidade
Milisegundos
Nanosegundos
Tipo de processamento
Paralelo
Sequencial
Armazenamento
Adaptativo
Esttico
Controle de processos
Distribudo
Centralizado
Nmero elementos processados
10^11 10^14
10^5 10^6
Ligaes entre elementos processados
10000
<10
80
Redes Neurais
81
Redes Neurais
82
Redes Neurais
Disposio dos neurnios
Rummelhart: Rede deve possuir no mnimo duas camadas

(entrada e sada). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediria;
Hopfield: Rede deve possuir comportamento dinmico e fluxo
de dados multidimensional, com a integrao total de todos os
neurnios.
Hopfield
83
Rummelhart
Redes Neurais
Disposio dos neurnios
Rummelhart: Rede deve possuir no mnimo duas camadas

(entrada e sada). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediria;
Hopfield: Rede deve possuir comportamento dinmico e fluxo
de dados multidimensional, com a integrao total de todos os
neurnios.
Hopfield
84
Rummelhart
Redes Neurais
Aprendizado
Propriedade mais importante das redes neurais;

Habilidade de aprender com o ambiente e melhorar seu
desempenho;
Feito por meio de um processo iterativo de ajustes aplicados a
seus pesos;
Tipos de relacionamento com o ambiente de aprendizado
Aprendizado supervisionado;
Aprendizado no-supervisionado;
Reforo.
w(k+1) = w(k) + w(k)
Adequao dos pesos sinpticos dos neurnios
85
Redes Neurais
Treinamento de uma rede neural em tempo real
86
http://playground.tensorflow.org/,
https://www.youtube.com/watch?v=qv6UVOQ0F44
8. Minerao de Dados
87
Minerao de Dados
Uma parte do processo de Descoberta de Conhecimento

em Base de Dados (KDD Knowledge Discovery in
Databases);
KDD: Processo de tornar dados de baixo nvel em
conhecimento de alto nvel
A minerao de dados a extrao de padres ou modelos de

dados observados.
Dado
-15000
88
Informao
Saldo = -15000
Conhecimento
Endividado!
Sabedoria
Eliminar dvida
Minerao de Dados
Uso da Tecnologia da Informao para descobrir regras,

identificar fatores, tendncias, padres, relacionamentos
ocultos em grandes bancos de dados para auxiliar a
tomada de decises.
Tpico recente em Cincia da Computao que utiliza
vrias outras reas
89
Estatstica;
Inteligncia Artificial;
Clculo;
Recuperao da Informao;
Engenharia da Computao;
Reconhecimento de Padres, etc.
Minerao de Dados
Processo no trivial de identificar, em dados, padres

vlidos, novos, potencialmente teis e ultimamente
compreensveis (Fayyad);
Fases da Descoberta de Conhecimento
90
Seleo;
Pr-processamento;
Transformao;
Minerao de Dados;
Avaliao.
Minerao de Dados
http://techland.time.com/2012/02/17/how-target-knew-a-high-school-girl-was-pregnant-before-her-parents/
https://www.facebook.com/notes/facebook-data-science/the-formation-of-love/10152064609253859
91
Minerao de Dados
92
Minerao de Dados
93
Minerao de Dados
94
Minerao de Dados
95
Minerao de Dados
96
Minerao de Dados
97
Minerao de Dados
98
Referncias
REZENDE S. Sistemas Inteligentes Fundamentos e Aplicaes. Editora Manle, 2003.

RUSSELL, Stuart J. - Inteligncia Artificial Ed. Norvig, Peter Campus,2004.
INF 1771 Inteligncia Artificial Edirlei Soares de Lima
Inteligncia Artificial Srgio Silva e Josiane M. Pinheiro
Inteligncia Artificial - Bianca Zadrozny
Top IT Trends of 2016: Autonomous Agents and Things fwrdtech
Aplicao De Lgica Fuzzy Em Sistemas De Controle De Trfego Metropolitano Em Rodovias Dotadas De
Faixas Exclusivas Para nibus - Juliano Neves De Paula E Sousa
Lgica Fuzzy Mrio Benevides
Inteligncia Artificial Edirlei Soares Lima
Introduo Programao Prolog Jos Augusto Baranauskas
Lgica Formal Nathann Lucas Jos Lima Alcantara
Lgica Matemtica e Computacional Ana Florencia
Sistemas Especialistas Cedric Luiz de Carvalho
Sistema Especialista para Supresso Online de Alarmes em Processos Industriais Danilo Curvelo de Souza
Redes Neurais Cassis Yuri Tatibana e Deisi Yuki Kaetsu
Viso Geral de Redes Neurais Isabel Gomes
Aprendizado em Redes Neurais Artificiais Von Zuben
Data Mining Joel de Bortoli
99

Sistemas de Informação Inteligentes

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sistemas de Informação Inteligentes

Uploaded by

Copyright:

Available Formats

Sistemas de Informao Inteligentes

Airton Bordin Junior

Quem Sou Eu?

Objetivos Gerais da Disciplina

Fornecer aos alunos os princpios bsicos da

Aulas expositivas de aspectos tericos;

100 pontos, compostos por

REZENDE S. Sistemas Inteligentes Fundamentos e Aplicaes.

Sistemas de Informao: Sistema (automatizado ou no)

Inteligncia: Conjunto que forma todas as caractersticas

Inteligncia Artificial: Inteligncia, similar humana, exibida

1. Reviso Inteligncia Artificial

Inteligncia Artificial (Reviso)

Capacitar o computador a executar funes que so

Pesquisa ps 2 guerra mundial;

Filosofia (de 428 A.C. at a atualidade)

Reviso - Inteligncia Artificial

Agindo de Forma Humana

Teste de Turing - Alan Turing (1950)

Um interrogador humano, depois de propor algumas perguntas por

Agindo de Forma Humana

Previso de Alan Turing: Em 2000, as mquinas tero 30%

2014: 33% dos pesquisadores convenceram-se de que

Agindo de Forma Humana

Agindo de Forma Humana

Alguns pesquisadores tem deixado de lado o Teste de

Mais importante estudar os princpios bsicos da inteligncia

Justificativa: desafio do voo artificial

Pesquisadores pararam de imitar os pssaros e passaram a

Pensando de Forma Humana

Como os seres humanos pensam?

Modelos computacionais + tcnicas experimentais da

Aristteles (384 a.C. 322 a.C.) Silogismo

Pensamento correto processos de raciocnio irrefutveis

Premissa maior (P);

Todo homem mortal.

Agente: algo que age

Alguns modos de agir racionalmente no envolvem

Reflexos (afastar-se do fogo, por exemplo)

Percepes: local e contedo

Exemplo: [A, sujo]

Aes: Esquerda, Direita, Aspirar, NoOp

[A, Limpo], [A, Limpo]

[A, Limpo], [A, Sujo]

[A, Limpo], [A, Limpo], [A, Limpo]

[A, Limpo], [A, Limpo], [A, Sujo]

Conceito de sucesso do agente subjetivo

Medida de desempenho deve refletir o resultado

Gasto de energia, quantidade de sujeira, rudo, etc

Leva em considerao a sequncia de percepes e por

Para pensar: Para que medida de desempenho o aspirador

Quantidade de p? (jogar o p e pegar novamente)

Agente racional: maximiza a medida de desempenho;

Maximizao do desempenho esperado;

Escolha racional leva em conta as percepes at o

O agente deve coletar informaes?

Os agentes podem e devem executar aes para a coleta

Coleta de informaes: explorao de um ambiente

Tambm chamado Agente Autnomo.

Ao projetar um agente, primeiramente deve especificar o

Performance Medida de desempenho

Exemplo: Txi Autnomo

Seguro, dentro da lei,

Exemplo: Sistema de Diagnstico Mdico