Professional Documents
Culture Documents
DEMAT/ICE
ORGANIZAO DO
CURSO
Tpicos em IA: Reconhecimento de Padres
Organizao do Curso
Sistemas Inteligentes (reviso)
Reconhecimento de Padres (conceituao)
Formas de Representao dos Dados
Mtodos de Anlise de Dados
Mtodos de Anlise de Relevncia
Algoritmos de Agrupamento
Algoritmos de Classificao
Estudo de Casos (com implementao)
Avaliaes
Prova Terica
Projeto: Monografia
Projeto: Defesa Oral
NF =
+1+2
3
SISTEMAS INTELIGENTES
Tpicos em IA: Reconhecimento de Padres
Sistemas Inteligentes
Sistemas Inteligentes so modelos de
Principais aplicaes:
Jogos, configurao de produtos, emisso de propostas,
concesso de crdito, gesto de carteira, planejamento
estratgico, diagnstico, sistemas tutoriais, psico-testes.
Sistemas Especialistas
Utilizam regras de produo como uma outra forma de
representar o conhecimento:
SE <condio> ENTO <ao>
Generalizam o conhecimento.
Desvantagem:
No justificam decises.
Funcionam como uma caixa-preta.
Algumas aplicaes:
reconhecimento de padres: fala, sinais de radar e sonar, imagens,
ICR, etc.
Previses: ndices do mercado financeiro, previso de sries
temporais, meteorologia, etc.
10
Algoritmos Genticos
So algoritmos de otimizao global, baseados nos
11
Forma de processamento:
Nebulizao das variveis de entrada,
Processo de inferncia,
Desnebulizao das variveis de sada.
Algumas aplicaes:
controle de aeronaves, operao do metr, transmisso
automtica de veculos, controle de elevadores, anlise do
mercado de aes, ajuste da imagem de TV, autofocus para
cmera de vdeo, controle de temperatura em ar-condicionado.
12
Sistemas Hbridos
Sistemas que combinam diferentes tcnicas e
Sistemas Hbridos
Sistemas Neuro-Difusos:
Redes neurais tentam
reproduzir o desempenho
do crebro humano.
Porm, o raciocnio
humano difuso por
natureza.
A teoria dos conjuntos
nebulosos capaz de
modelar a incerteza e
ambigidade dos dados do
mundo real.
13
RECONHECIMENTO DE
PADRES
Tpicos em IA: Reconhecimento de Padres
14
15
Reconhecimento de Padres
Um dos maiores desafios encontrados pela informtica
16
Reconhecimento de Padres
Dentro dos muitos aspectos da percepo,
Codificao
Questes relevantes:
Formato de representao dos dados.
18
Extrao de Caractersticas
Reconhecimento de padres em geral baseia-se na
torna complicada
Desconhecimento do problema
Dificuldade em definir caractersticas
19
0 vrtices
4 vrtices
20
= 470 nm
= 550 nm
21
Caracterstica = rea
A > 3 cm2
A 3 cm2
22
Classificao
0 vrtices
4 vrtices
23
0 vrtices
4 vrtices
24
25
14
12
10
x2
8
x1
10
12
14
26
Extrao de caractersticas
Quando extramos as caractersticas de um conjunto
Utilizamos
27
Classificao
Extradas as caractersticas, obtm-se delas um conjunto,
Mtodos de classificao:
Supervisionados: classificador de mxima verossimilhana de
Bayes e a regra do Perceptron.
No-supervisionados: Algoritmos de clusterizao, como o vizinhomais-prximo (nearest-neighbor), k-means e o ISODATA.
063.JPG
(1247 KB)
DNT_IMG063.JPG
(48 KB)
BWDNT_IMG063.JPG
(43 KB)
(2)
(1)
(4)
(3)
CORDNT_IMG063.JP
G
(1247 KB)
(5)
Extrao de Caractersticas
Variveis Disponveis
Variveis Selecionadas
Cinza Escuro
Cinza Escuro
Cinza Mdio
Cinza Mdio
Cinza Claro
Cinza Claro
Brancos
Vermelhas
Verdes
Vermelhas
Verdes
Blue Mdio
Red Mdio
Green Mdio
Blue Mdio
de leo.
O objetivo principal era a economia atravs da reduo
ou eliminao das panes mecnicas e o aumento do
perodo entre trocas de leo.
Interessante para empresas que possuam grande frotas
de veculos ou avies.
Descrio do Problema
Servio preventivo que compreende as fases:
Coleta peridica de amostras de leo.
Anlise qumica das amostras.
Identificao das amostras cujo exame laboratorial revele indcios
de problemas quanto ao desgaste, combusto ou contaminao.
Diagnstico do problema.
Emisso de laudo tcnico.
Sistema Automatizado
Objetivos:
Agilizar a fase de identificao das amostras.
Separar as amostras em dois conjuntos:
Motores em bom estado.
Motores que devem passar por um exame mais
detalhado.
Amostras de Dados
725 amostras, cada uma contendo 27 resultados de
Mximo
542,00
31,00
127,00
74,00
27,00
43,00
43,00
5,00
Mnimo
11,00
0,00
0,00
1,00
0,00
1,00
1,00
0,00
97,24
3,63
11,58
6,88
4,18
8,50
8,50
0,75
48,82
3,13
9,18
6,50
2,11
4,05
4,05
0,88
39
O Modelo Neural
Foram utilizadas 3 redes neurais feedforward, treinadas
40
Exemplo 3: ICR
O reconhecimento de caracteres cursivos uma tarefa
41
Redes Neurais
Para avaliar o desempenho no reconhecimento dos
42
Redes Neurais
CARACTERE
SADA
0000000001
0000000010
1000000000
43
Redes Neurais
O tipo II composto por dez redes neurais, cada uma
ICR
Segmentao
Aquisio e
digitalizao
Extrao de
caractersticas
Codificao
Reconhecimento
Validao e
gerao de cdigo
de barras
44
45
46
47
Mtodo do Dimetro:
ESTUDO DE CASOS
Tpicos em IA: Reconhecimento de Padres
48
49
Exemplos de Aplicaes
Anlise inteligente de dados:
Satlite, sonar, psicologia, medicina, BI, Data Mining, Big Data, etc.
Estudo de Casos
Entregar POR ESCRITO, at 28/08:
Especificao e seleo de temas.
Constituio dos grupos de trabalho (1 ou 2
alunos).
Projeto:
Escolha do tema e pesquisa de base de dados.
Tratamento dos dados / Extrao de
caractersticas.
Anlise de Relevncia dos Dados.
Classificao das amostras (RNA).
Construo de um prottipo.
Elaborao de um relatrio (formato de projeto de
pesquisa).
Apresentao e defesa oral do projeto.
Excel/MySQL
SciLab/Matlab
Ferramentas de apoio
MySQL:
http://dev.mysql.com/downloads/workbench/
Netbeans:
www.netbeans.org
Neuroph (Java Neural Network Framework ):
http://sourceforge.net/projects/neuroph/
SciLab:
www.scilab.org
51