INICIO
Prezados leitores do TI ESPECIALISTA nas próximas edições eu vou publicar um assunto muito comentado no mundo atual e acadêmico na qual eu estou estudando na universidade que seria sobre Inteligência Artificial (IA) ou artificial intelligence (AI). Eu estou utilizando como base de conhecimento o livro Machine Learning de Tom M. Mitchell.
Espero poder interagir e compartilhar com vocês sobre o assunto. Para tanto eu vou encaminhar para os leitores os modelos de APRENDIZADO DE MÁQUINAS, amplamente utilizados no desenvolvimento da IA em capítulos para não tornar o assunto muito extenso.
PARTE 2
Analisando os conceitos do livro Machine Learning de Tom M. Mitchell para a execução de incentivo para a execução de um IA, precisamos induzir as funções gerais a partir de exemplos de alguns treinamento específicos, que é o grande motivador deste aprendizado. Este capítulo estaremos analisando os conceitos aprendizado, ou seja, adquirir uma definição de uma categoria geral, dada uma amostra de exemplos de treinamento positivos e negativos da categoria. Podemos dizer que para que o APRENDIZADO DE MÁQUINAS funcione corretamente precisamos realizar alguns treinamentos (hipóteses) para poder adquirir o conhecimento, sem estes treinamentos, não temos como induzir o aprendizado ao IA.
Estes conceitos de aprendizado podem ser formulados com um problema de pesquisa através de um espaço predefinido de potenciais hipóteses para que a hipótese se adapte melhor ao uns exemplos treinamento. Em muitos casos, esta pesquisa pode ser organizada eficientemente tomando vantagem de uma estrutura que ocorre naturalmente sobre o espaço da hipótese – Ordem específica de hipóteses. Este capítulo apresentará vários algoritmos de aprendizagem que considera situações sob as quais convergem para a hipótese correta. Nós também examinaremos a natureza da aprendizagem indutiva e a justificação pela qual qualquer programa pode generalizar com êxito além dos dados de treinamento observados.
Grandes partes da aprendizagem em máquinas envolvem a aquisição de conceitos gerais a partir de exemplos específicos de treinamento. As pessoas, por exemplo, aprendem continuamente conceitos ou categorias gerais como “pássaro”, “carro”, etc.
Cada um desses conceitos pode ser visto como descrever alguns subconjuntos de objetos ou eventos definidos em um conjunto maior (por exemplo, o subconjunto de animais que constituem aves). Alternativamente, cada conceito pode ser considerado uma função valorada booleana definida sobre este conjunto maior (por exemplo, uma função definida sobre todos os animais, cujo valor é verdadeiro para aves e falso para outros animais).
Figura 1 – Subconjuntos
No exemplo acima podemos analisar que o subconjunto de “Seres humanos”, mas que pertencem aos conjuntos de “animais vertebrados” e que também não pertencem aos conjuntos de “plantas”.
Neste artigo consideramos o problema de inferir automaticamente a definição de algum conceito, dado exemplos rotulados como membros ou não membros. Esta tarefa é comumente referida como de conceito aprendizado, ou aproximando uma função de valor booleano por exemplos.
Conceitos aprendizagem de maquina: Inferir uma função de valor booleano de exemplos de treinamento de sua entrada e saída (demonstrar como uma instrução de máquina seria para iniciar um aprendizado para IA).
CONCEITO DE APRENDIZAGEM
Definição: Um programa de computador é dito que aprende das experiências E e respeita algumas classes de tarefas T e medida de desempenho P, se seu desempenho nas tarefas em T como mensurado por P, melhora com a experiência E.
CONCEITO TOMADA DE APRENDIZAGEM
Para fundamentar nossa discussão sobre conceitos de aprendizado, considere a tarefa de exemplo de aprendizagem “dias em que ALDO uma pessoa comum pratica um esporte aquático” a Tabela 2.1 descreve um conjunto de dias de exemplo, que está representado por um conjunto de atributos.
O atributo EnjoySport (exemplo de uma hipótese ou de uma instrução de aprendizado) indica se ALDO gosta ou não de praticar esportes aquáticos conforme o tempo. A tarefa é aprender a prever o valores de EnjoySport para um dia arbitrário, com base nos valores de seus outros atributos. Quais representações de hipótese deveram fornecer? Comecemos por considerar uma representação simples em que cada hipótese consiste em uma conjunção de restrições nos atributos. Em particular, deixe cada hipótese ser um vetor de restrições, especificando os valores dos seis atributos atribuídos para análise ou para que ocorra o esporte aquático de ALDO: Céu, Ar, Tempo, Umidade, Vento, água, Previsão.
Tabela 2.1
EnjoySport.
Analisando o modelo da tabela 2.1 a hipótese mais geral que podemos exemplificar que para cada exemplo teremos seis tipos de análises .
Podemos exemplificar como sendo: .
Para resumir, a tarefa de aprendizagem do conceito EnjoySport exige aprender o conjunto de dias para o qual EnjoySport = yes, descrevendo este conjunto por uma conjunção de restrições sobre os atributos da instância. Em geral, qualquer tarefa de aprendizagem de conceitos pode ser descrito pelo conjunto de instâncias sobre as quais a função alvo é definida, o conjunto de hipóteses consideradas candidatas e o conjunto de exemplos de treinamento disponíveis.
A definição do conceito EnjoySport a tarefa de aprendizagem nesta forma geral é dada na Tabela 2.2.
Notação
A terminologia sobre o conceito de aprendizagem. É um conjunto de itens sobre os quais o conceito é definido e chamado de conjunto de instâncias que podemos denotar por X. No exemplo atual, X é o conjunto de todos os dias possíveis, cada representado pelos atributos CÉU, AR-TEMPO, UMIDADE, VENTO, ÁGUA e PREVISÃO.
O conceito ou função a ser aprendida é chamado de conceito de alvo, que designamos por c. Em geral, c pode ser qualquer valor booleano como função definida sobre as instâncias X; isto é, c: X + {O, 1). Na corrente, por exemplo, o conceito de destino corresponde ao valor do atributo EnjoySport (ou seja, c (x) = 1 se EnjoySport = Sim e c (x) = 0 se EnjoySport = Não).
Dado (Tabela 2.2):
- o Instâncias X: Dias possíveis cada um descrito pelos atributos
- CÉU (com valores possíveis ENSOLARADO, NUBLADO e CHUVOSO),
- Ar -Tempo (com valores CALOR e FRIO),
- Umidade (com valores NORMAL e ALTO),
- Vento (com valores FORTE e FRACO),
- Água (com valores QUENTE e FRIA), e
- Previsão (com valores INALTERÁVEL e MUDANÇA).
Hipóteses H: cada hipótese é descrita por uma conjunção de restrições sobre os atributos CÉU, Ar-Tempo, umidade, vento, água e previsão. Os construtores podem ser “?” (qualquer valor é aceitável), “0 (nenhum valor é aceitável) ou um valor específico.
Para o Conceito do alvo c: EnjoySport: X + (0, l)
Exemplos de treinamento D: exemplos positivos e negativos da função alvo
Neste caso Determinamos: Uma hipótese h em H tal que h (x) = c (x) para todo x em X.
Através desta análise podemos considerar as hipóteses de aprendizado para todos os tipos de atributos conforme as suas instâncias que é representado pelos atributos CÉU, AR-TEMPO, UMIDADE, VENTO, ÁGUA e PREVISÃO.
Para ilustrar este algoritmo, suponha que a tarefa EnjoySport tenha uma sequencia de treinando exemplos. O primeiro passo de ENCONTRAR é inicializar h para a hipótese mais específica em H.
Ao observar o primeiro exemplo de treinamento da Tabela 2.1, que passa a ser um exemplo positivo, torna-se claro que nossa hipótese é muito específica em particular.
Conclusão
Os principais pontos deste artigo incluem: O conceito aprendizado de pode ser lançado como um problema de busca por um espaço predefinido de potenciais hipóteses. O pedido parcial geral a específico de hipóteses, que pode ser definido para qualquer problema de conceito de aprendizagem, fornece uma estrutura útil para organizara busca pelo espaço da hipótese, como foi no exemplo de ALDO.
Não foi comentado no artigo, mas o algoritmo FINDS utilizado nas pesquisas para um modelo geral para o específico, executando uma pesquisa específica através do espaço de hipóteses ao longo de um ramo da ordem parcial e encontrar a hipótese mais específica consistente com os exemplos de treino.
A idéia de aprendizagem de conceitos e o uso de pedidos gerais a específicos foi estudado por algum tempo por Bruner et al. (1957) que forneceu um estudo inicial de aprendizado de conceito em seres humanos, e Hunt e Hovland (1963) um esforço inicial para automatizá-lo. Winston’s (1970) conceito amplamente conhecido como a pesquisa envolvendo operadores de generalização e especialização.
Plotkin (1970, 1971) forneceu uma formalização precoce da relação mais geral do que a relação, bem como a noção de 8 subconjuntos. Simon e Lea (1973) dão uma ideia sobre o aprendizado como busca através de um espaço de hipóteses.
Outros sistemas de aprendizagem de conceitos iniciais incluem (Popplestone 1969; Michalski 1973; Buchanan 1974; Vere 1975; Hayes-Roth, 1974).
Um grande número de algoritmos já foram desenvolvidos para os conceitos de aprendizado de com base em representações simbólicas.
Para todos os tipos de aprendizados de máquina se faz necessário o conhecimento de uma REGRA de algoritmos para que a máquina comece a praticar e desenvolver um mecanismo de busca, inserção, e eliminação de dados. Se analisarmos pelo lado da Inteligência Artificial estes modelos de algoritmos precisam ser definidos para que um modelo funcione conforme o seu objetivo.
Os 10 Algoritmos de Machine Learning que você precisaria conhecer:
Aprendizagem Supervisionada
- Árvores de Decisão
- Classificação Naïve Bayes
- Regressão Linear de Mínimos Quadrados
- Regressão logística
- Support Vector Machine
- Ensemble Methods
Aprendizagem sem supervisão
- Algoritmos de Agrupamento (Clustering)
- Decomposição em valores singulares
- Análise de Componentes Principais
- Análise de componentes independentes
Até a próxima edição sobre IA.