Aprendizagem Automática

Propaganda
Aprendizagem de Máquina
(Machine Learning)
Marcos Augusto Hochuli Shmeil & Edson Emílio Scalabrin
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Comportamento
Uma das formas mais simples de aprendizagem é a habituação. Ela
consiste:
(i) na diminuição da tendência para responder aos estímulos
que se tornaram familiares, e
(ii) no efeito das respostas a estes estímulos se tornarem
"automáticas“
devido a uma exposição repetida aos mesmos.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
No condicionamento clássico:
associações cujo trabalho experimental se iniciou
com Ivan P. Pavlov (1849-1936), o qual é conhecido
por reflexo condicionado.

aprendizagem instrumental (também chamada de
condicionamento operante).

iniciada
antes das experiências de Pavlov, por
Edward L. Throndike (1874-1949). Ela consistia em
levar o animal a executar uma determinada ação
estabelecida pelo treinador, em troca de uma
recompensa.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
Para os teóricos cognitivistas, a essência do que se
aprende está dentro do animal e,

sendo
um acontecimento reservado, só se conhecerá
que o animal aprendeu quando este agir/reagir em
conformidade com o novo estado mental.
Este
novo estado mental do aprendiz diz respeito a
alterações no conhecimento com o surgimento de
relações conceituais abstractas.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
Vinculado à aprendizagem, encontra-se o
conhecimento, cuja origem sempre foi tema de
discussão e de pesquisa.

Duas
escolas, a empirista e a inatista, mesmo de
posições opostas entre si, oferecem uma
complementaridade para a compreensão deste
fenômeno.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
os empiristas concentram-se na idéia de que o
conhecimento é adquirido a partir de experiências.
John Locke (1632-1704),

todo o conhecimento é proveniente dos sentidos,
não havendo idéias inatas,

A
mente seria como uma tábua rasa na qual a
experiência iria imprimir as sua marcas.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
os inatistas, observam que vários aspectos do nosso
conhecimento têm origem em características do
cérebro (cujas raízes remontam a Platão),

uma das respostas modernas mais influentes ao
empirismo foi-nos apresentada por Immanuel Kant
(1724-1804),

Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
o conhecimento não pode provir apenas dos dados
sensoriais, tendo que existir certas categorias
preexistentes (sistema nervoso), em torno das quais
esses dados sensoriais são organizados,

As
experiências funcionam como fornecedoras de
dados sensoriais, os quais são estruturados segundo o
sistema nervoso inato.
Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
a integração da informação genética (inatista) e da
ambiental (empirista) resulta numa perspectiva
psicofísica entre as características dos estímulos
físicos e a experiência psicológica a que estes
estímulos dão origem.

Um pouco de história sobre a obtenção e a
Origem do Conhecimento
Baseadas em Cognição:
três passos básicos (modelo simplificado) para que
uma sequência de acontecimentos se inicie num
estímulo e termine num conceito do objecto
observado.

outras
modalidades
sensoriais
cognição
- centros de
processamento
e s tím ulo
dis tal
transductor
cade ia
e s tím ulo
proxim al
ne uronal de
aconte cim e ntos
- raciocínio
- memória
re s pos ta
ps icológica
(experiência sensorial)
(imagem retiniana)
passo 1
dos estímulos
sensoriais
passo 2
passo 3
Aprendizagem Automática
a
disciplina de Aprendizagem Automática ou
Aprendizagem
de
Máquina
("Machine
Learning"), é uma das áreas da Inteligência
Artificial,
tem como um dos seus principais objetivos, o
estudo e a compreensão dos processos de
aprendizagem bem como o desenvolvimento de
algoritmos que suportem estes processos, para
aplicação em artefatos.

Aprendizagem Automática
de forma geral estes algoritmos devem proporcionar
mudanças de estados mentais, que venham a melhorar o
desempenho dos artefactos (em particular os agentes), na
execução de atividades

Aprendizagem Automática

melhorar, significa:
apresentar um comportamento mais eficiente/eficaz
(menor tempo de execução da atividade, acréscimo de
confiança das relações entre agentes),

obtenção de perícia para novas atividades ou relações
no domínio de atuação do artefato ou fora deste,


alcance satisfatório de um objetivo, etc
no desempenho de atividades.
Aprendizagem Automática

Na história da aprendizagem automática três
paradigmas da sua evolução destacam-se:
Aprendizagem Automática
a modelagem neural e as técnicas de
decisão.


no modelamento neural o interesse recai na
construção de sistemas de aprendizagem de
propósito geral, cujo processo de aprendizagem
consiste em trocas incrementais das probabilidades
nos elementos que representam os neurônios numa
rede neural artificial.
Aprendizagem Automática

a modelagem neural e as técnicas de decisão.
trabalhos pioneiros na aprendizagem
computacional destacam-se o “Perceptron” e o
“Pandemonium”

Nas
técnicas de decisão, dentre outros, o
trabalho de Samuel tornou-se um marco, o
qual consistia de um programa que aprendia a
jogar damas, baseado nas experiências obtidas
em jogos anteriores.
Aprendizagem Automática
O
seu programa continha uma série de
parâmetros, cada qual com um valor numérico.
Estes valores numéricos eram ajustados pela
experiência
(conjunto
de
exemplos)
considerando a importância do mesmo para
um determinado movimento (decisão)
Aprendizagem Automática
aprendizagem simbólica de conceitos
2.

Os conceitos descrevem classes de
eventos, objetos ou relações entre eles.

Uma das formas importantes de relacionar
conceitos é a de fazer qualquer afirmação
sobre eles, por exemplo: o rato roeu a
roupa do rei.
Aprendizagem Automática

Esta afirmação é chamada de proposição, a qual
apresenta uma afirmação que relaciona um sujeito (o
rato) e um predicado (roeu).

O
sujeito
e
o
predicado
correspondem
respectivamente: ao item em relação ao qual a
afirmação é feita, e o que é afirmado em relação ao
sujeito.

Independente da veracidade (verdadeiro ou falso) da
proposição, são essas proposições que ligam
(associam) os elementos mentais. Este paradigma
orienta a aquisição de conceitos e conhecimento
estruturado
Aprendizagem Automática
A aprendizagem simbólica tem como uma das bases os
modelos humanos de aprendizagem cognitiva, os
quais podem utilizar a lógica ou grafos no lugar de
métodos numéricos ou estatísticos
Aprendizagem Automática
3.
outros métodos de aprendizagem e sistemas de
aprendizagem com conhecimento intensivo.

A partir de meados da década de setenta

por instrução, por analogia, de descoberta de conceitos e
classificação, etc.)

e métodos baseados em conhecimento intensivo (métodos de
aprendizagem em sistemas os quais a partida possuem uma
quantidade expressiva de conhecimento).
Aprendizagem Automática
Características de um processo de aprendizagem


de Simon:
(i) denota mudanças num sistema,
(ii) estas mudanças capacitam o sistema a executar, numa próxima vez, a
mesma atividade ou atividade da mesma população de forma mais
eficiente,
Simon, H. A., Why Should Machines Learn?, em Machine Learning: An Artificial
Intelligence Approach, R. S. Michalski, J. G., and T. M. Mitchell, editores,
Tioga, Palo Alto, California, 1983.
Aprendizagem Automática
Características de um processo de aprendizagem


de Minsky:
(i)
denota mudanças úteis na nossa mente,
Minsky, M., The Society of Mind, MIT Press, Cambridge, 1985.
Aprendizagem Automática
Características de um processo de aprendizagem


de Michalski:
(i)
é a construção e a modificação da representação do que está sendo
experimentado,
Michalski, R. S., Understanding the Nature of Learning: Issues and Research Directions. Em
R.S. Michalski, J. G. Carbonell, and T. M. Mitchell ,editores, Machine Learning: An
Artificial Intelligence Approach, Volume II. Los altos, California, Morgan Kaufmann
Publishers, Inc, 1986
Aprendizagem Automática
Características de um processo de aprendizagem


de Carbonell:
(i)
é a habilidade de executar novas tarefas, as quais não eram possíveis
anteriormente,
(ii)
(ii) é melhorar (maior precisão, menor tempo, etc.) a execução de
antigas tarefas.
Carbonell, J. G., Introduction: Paradigms for Machine Learning. Em J. G. Carbonell editor,
Machine Learning: Paradigms and Methods, MIT Press, 1990.
Aprendizagem Automática

A partir das características apresentadas na perspectiva que a
aprendizagem está associada à mudança dos estados mentais de
um aprendiz (agente), dois tipos de aprendizagem automática
apresentam-se:

(i) a aquisição de conhecimento

diz respeito à aquisição de novas informações simbólicas acopladas com a
habilidade de aplica-las de maneira útil , e
Aprendizagem Automática
(ii) o refinamento de habilidades

refere-se à prática repetida e à correção dos desvios do comportamento
desejado, e

relaciona-se ao conhecimento chamado de sub-simbólico (conhecimento
adquirido, por exemplo pelas redes neurais, o qual não é de fácil
entendimento pelo ser humano), cujo processo de geração é encontrado
fundamentalmente nos sistemas adaptativos.
Aprendizagem Automática
Classificação


(i) o critério de propósito principal ou seja o objetivo principal dos
métodos de aprendizagem. Este critério conduz à divisão dos métodos em
sintéticos e analíticos.

Os sintéticos visam fundamentalmente a criação de novo ou melhor
(de acordo com algum objetivo) conhecimento.

Os analíticos estão interessados na reformulação (transformação ou
organização) de um conhecimento existente num melhor (de acordo
com algum objetivo),
Aprendizagem Automática
Classificação


(ii) o critério dos tipos de entrada. Este critério agrupa os métodos de
aprendizagem quanto ao tipo da entrada de informação para estes:

A aprendizagem é efetivada a partir de exemplos (positivos ou
negativos), previamente classificados, quando o conhecimento fonte
independentemente da sua origem (professor, especialista, modelo
simulado, etc.), exemplifica um objecto ou evento,

É efetivada a partir de observações, quando as entradas necessitam
ser estruturadas pelo aprendiz, uma vez que as mesmas não se
encontram previamente classificadas.
Aprendizagem Automática
Classificação


(iii) o critério do principal método de inferência utilizado.
Este critério classifica os métodos de aprendizagem quanto à forma de
raciocínio utilizado na transformação dos estados mentais.

É indutivo quando a partir de dadas consequências gera premissas
hipotéticas,

É dedutivo quando deriva consequências a partir de dadas premissas.
Aprendizagem Automática
Classificação


(iv) o critério do papel do conhecimento já existente
P&BK|>C
onde:
P é a premissa,
BK é o conhecimento existente, e
C é a consequência
Aprendizagem Automática
Classificação

(iv) o critério do papel do conhecimento já existente


Empírico: uso do conhecimento existente de forma não intensiva e
com inferência indutiva

Indutivo: e o uso intensivo do conhecimento existente

Abdutivo: utiliza o conhecimento existente para orientar a
preferência para uma hipótese

Dedutivo: transformação das descrições de um espaço de
representação ou linguagem para outro (abstração/generalização)
Aprendizagem Automática

Classificação
Critérios de
classificação
Propósito
principal
Tipos de
entradas
Principal
inferência
Métodos de Aprendizagem
Sintético
Exemplos
Analítico
Conduzido
pelos exemplos
Observações
Indução
Conduzido
pela especificação
Dedução
Analogia
Papel do
conhecimento
já existente
Empírica
- Generalização
empírica
- Descoberta
qualitativa
- Agrupamento
conceptual
- Redes neuronais
- Algoritmos
genéticos
Indução
construtiva
Multi-estratégias
Dedução
construtiva
Axiomática
- Abdução
- Abstração
- Baseada em explicação
- Generalização
construtiva
- Generalização
dedutiva
- Síntese automática de
programas
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


baseia-se na estratégia de construção de árvores de decisão, como
forma de apresentação das regras inferidas.

Esta estratégia é utilizada pelo grupo de sistemas de aprendizagem
denominado de “TDIDT - Top Down Induction Decision Trees”
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


Os exemplos, obtidos a partir da observação do fenômeno, são
representados através de um conjunto de atributos e de seus valores,
considerando um dos atributos, a classe do exemplo.
atr1
atr2
...
atrn (classe)
observação1
valor1,1
valor1,2
...
valor1,n
observação2
valor2,1
valor2,2
...
valor2,n
...
...
...
...
...
observaçãok
valor k,1
valork,2
...
valork,n
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


O algoritmo geral dos sistemas da família “TDIDT” tem como
objetivo gerar a menor árvore de decisão que classifique corretamente
todos os exemplos.

Para que este objetivo seja alcançado, é necessário escolher o atributo
mais relevante, i.e. o atributo que melhor particiona os exemplos,
segundo o valor da classe.

A escolha do atributo, potencialmente melhor é obtido através de uma
função denominada de função de avaliação (por ex. entropia).
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica – entropia (E)


Se uma observação pode ser classificada em n classes diferentes c1,
c2, ..., cn e a probabilidade de um objeto pertencer à classe ci é p(i),
então a entropia de classificação do ramo é dada por:
n
E(atr=vj)=
- p(i) log2p(i)
n=1

atr = vj: o atributo atr possui o valor vj, i.e. a entropria E do ramo
correspondente ao valor vj do atributo atr
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


Condições de parada:

(i) construir a árvore de decisão que classifica exatamente todos os
elementos do conjunto de aprendizagem e domínios completos
(“ID3”),

(ii) decidir pela não expansão da árvore, quando a evidência for
insuficiente nos exemplos fornecidos. Este mecanismo de prépoda de uma árvore de decisão é encontrado no sistema “C4” e
“ASSISTANT”
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


Algoritmo geral da família “TDIDT”:

dados
 um conjunto de exemplos de aprendizagem ES,
 uma função de avaliação a(ES, atributo), e
 uma condição de parada s(ES),
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


Algoritmo geral da família “TDIDT”:
se todas as instâncias em ES satisfizerem a condição de parada s(ES),
então retornar o valor da classe,
caso contrário
1. para cada atributo atri, determinar o valor da função a(ES, atri),
2. se atrj possuir valores aj1, aj2, ...,ajk, criar o nó:
Metodologias de Aprendizagem
Simbólica Automática
Indução Empírica


Algoritmo geral da família “TDIDT”:
... caso contrário
aj
aj1
aj2
ajk
3. particionar os exemplos do conjunto ES nos subconjuntos E1, E2,
...,Ek segundo os valores de aj na árvore de decisão,
4. aplicar, recursivamente, o algoritmo para cada um dos subconjuntos Ei.
Metodologias de Aprendizagem
Simbólica Automática

Indução Empírica

EXEMPLO - Slides Empresa
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


A metodologia de aprendizagem automática por dedução axiomática é
orientada por exemplos.

Estes exemplos são utilizados para apresentar quais novas regras são
interessantes serem derivadas a partir do conhecimento de fundo
(“background knowledge”).
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


Uma das metodologias, para a aprendizagem automática por dedução
axiomática, é a de aprendizagem baseada em explicações, enquadrada
em problemas denominados de especialização de conceito baseado em
teoria (“theory-based concept specialization”).

A especialização de conceito baseada em teoria é assim denominada,
devido a aprendizagem envolver a especialização indutiva de um
conceito definido por uma teoria de um domínio.
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


três métodos [151, 152] para a obtenção de especialização de conceitos:

(i) generalização baseada em explicação (“EBG - Explanation-based
Generalization”),

(ii) generalização baseada em explicações a partir de múltiplos exemplos
(mEBG - multiple-example Explanation-based Generalization”), e

(iii) indução sobre as explicações (“IOE - Induction over explanations”).
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


Para cada um desses métodos são requeridos:

(i) uma teoria do domínio do assunto,

(ii) um conceito a ser obtido, e

(iii) um ou mais exemplos de treino.
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


dado

uma teoria do domínio TC a qual define o conceito a ser
obtido, e

um conjunto de exemplos positivos de treino de um conceito
C, onde C é uma especialização da teoria do domínio TC.

encontrar

uma definição correcta do conceito C.
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


Algoritmo “EBG”:

Dado um exemplo do conceito a ser aprendido

1. construir uma árvore, que explique porque o exemplo é uma
instância do conceito a ser aprendido, e
Metodologias de Aprendizagem
Simbólica Automática
Dedução Axiomática


Algoritmo “EBG”:

2. aplicar:

(i) a generalização na árvore resultante, através da substituição
das constantes por variáveis, e

(ii) a conjunção das folhas da árvore de explicação, obtendo as
“weakest preconditions”

obs: em problemas de especialização de conceito baseado em
teoria, as “weakest preconditions” formam a definição de um
novo conceito, o qual é uma especialização do conceito a ser
obtido.
Metodologias de Aprendizagem
Simbólica Automática

Dedução Axiomática

EXEMPLO - Paper
Metodologias de Aprendizagem
Learning by Analogy
Vamos
supor:
 uma informação, representada por (A,B),
 onde B depende por causalidade de A, de alguma maneira,
 chamaremos esta relação de ß,
 outra porção de informação (A’,B’),
 a qual apresenta alguma semelhança entre A e A’ ,
chamaremos esta semelhança de ,
 vamos chamar ß’ a dependência causal entre A’ e B’, e
 vamos chamar de ’ a dependência de similaridade entre B e B’
Metodologias de Aprendizagem
Learning by Analogy
semelhança / diferença
(SIMILARITY)
A

ß’
ß
B
dependência
(CASUALITY)
A’
B’
’
Metodologias de Aprendizagem
Learning by Analogy

Nós podemos definir ANALOGIA de várias formas,
Em todos os casos, é suposto que nós conhecemos mais
ou menos A, B, A’,  e ß e que vamos criar B’ ou
justificar sua aceitabilidade,

Metodologias de Aprendizagem
Learning by Analogy
A= Barney é um humano masculino
B = Barney pode raciocinar
a relação de causalidade entre A e B utiliza uma
propriedade herdada de um ancestral.
ß = Barney pode raciocinar porque é uma das
características da natureza humana
A’ = Vilma é uma humana feminina
 = humanos masculinos e femininos são humanos
B’ =
Vilma pode raciocinar
Metodologias de Aprendizagem
Learning by Analogy
A diferença com o silogismo é que ß não é uma real
implicação.
É interessante utilizar quando a propriedade é herdada
de ...
Metodologias de Aprendizagem
Learning by Analogy

EXEMPLO - Paper
WINSTON’s
Metodologias de Aprendizagem
Learning by Rewards

EXEMPLO - Paper
Sistema Multiagente com a Capacidade
de Aprendizagem

MALE (Multi-Agent Learning Environment )

EXEMPLO - Paper
Download