Introducao inteligenciaartificial

505 visualizações

Publicada em

Introdução à inteligência artificial para biólogos

Publicada em: Educação
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
505
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
8
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Introducao inteligenciaartificial

  1. 1. Introdução à Inteligência Artificial Esther Camilo 10/09/2013
  2. 2. Objetivo Introdução Se o objetivo da biologia é o estudo da vida, o objetivo dessa aula é responder como a inteligência artificial pode ajudar a biologia a compreender a vida ou prever comportamentos. Afinal, como eu posso utilizar IA na minha pesquisa?
  3. 3. Introdução
  4. 4. Introdução Robótica Finanças Jogos Medicina
  5. 5. Algumas definições Inteligência Artificial é um ramo da ciência da computação que estuda e desenvolve máquinas e softwares inteligentes. Um agente inteligente é um sistema que percebe seu ambiente e realiza ações que maximizam sua chance de sucesso. Introdução http://en.wikipedia.org/wiki/Artificial_intelligence
  6. 6. Algumas definições Introdução http://en.wikipedia.org/wiki/Artificial_intelligence Quimiotaxia Formação de biofilmes
  7. 7. Google Machine Translation Systems Introdução
  8. 8. Google Machine Translation Systems Introdução
  9. 9. Google Machine Translation Systems Introdução
  10. 10. Hora certa Introdução Inteligência Artificial
  11. 11. Explosão de informação em Biologia Introdução
  12. 12. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparce dictionary learning Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  13. 13. Árvore de Decisão Técnicas
  14. 14. Exemplo: Decisão de jogar tênis Técnicas
  15. 15. Exemplo: Decisão de jogar tênis Técnicas Todas as combinações → 3 x 3 x 2 x 2 = 36
  16. 16. Exemplo: Decisão de jogar tênis Técnicas Prever se joga ou não : sunny, mild, high, true
  17. 17. Exemplo: Decisão de jogar tênis Técnicas Prever se joga ou não : sunny, mild, high, true Outlook Humidity Wind Temperature
  18. 18. Como as árvores são geradas? Técnicas Ganho de informação É a medida de quão bem um atributo classifica os dados. Alta entropia = Baixo ganho de informação Baixa entropia = Alto ganho de informação
  19. 19. Exemplo Técnicas
  20. 20. Exemplo Técnicas
  21. 21. Exemplo Técnicas
  22. 22. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparce dictionary learning Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  23. 23. Redes Bayesianas Técnicas P(sol)=0.5 P(aumento) = 0.1 Sol $ Felicidade P(feliz) = 0.6 Rede de probabilidades
  24. 24. Redes Bayesianas Técnicas T1 T2 diagnóstico P(C) = 0,01 P(¬C) = _____ P(+|C) = 0,9 P(- |C) = _____ P(+|¬C) = 0,2 P(- |¬C) = _____ P(C|+) = ______ Probabilidade de incidência de um determinado tipo de câncer
  25. 25. Redes Bayesianas Técnicas Problema de Monty Hall http://en.wikipedia.org/wiki/Monty_Hall_problem
  26. 26. Redes Bayesianas Técnicas Problema de Monty Hall Suponha que você escolheu A 1 - Está em A (ficar ganha) 2 - Está em B, então C é revelado (trocar ganha) 3 - Está em C, então B é revelado (trocar ganha)
  27. 27. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparce dictionary learning Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  28. 28. Clustering Técnicas É uma técnica de aprendizado não supervisionado Connectivity based clustering
  29. 29. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparce dictionary learning Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  30. 30. Support Vector Machine Técnicas Técnica de clusterização binária Pode ser útil para: 1 – Classificação de proteínas; 2 – Reconhecimento de letra de mão; 3 – Classificação de imagens.
  31. 31. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparce dictionary learning Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  32. 32. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/ 964324 Scientists have already spent entire careers researching and implementing complex solutions. reconhecimento de padrões
  33. 33. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/  Os elementos individuais de uma rede neural é simples. Eles leem inputs, processam e geram output. Mas uma rede de muitos neurônios pode exibir comportamento rico e inteligente.  Capacidade de aprender -> sistema complexo adaptativo. Isto é, ele muda sua estrutura interna baseado no fluxo de informação que o atravessa.
  34. 34. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/  Os pesos variam, enquanto o programa não executa a tarefa de forma satisfatória.
  35. 35. Redes Neurais Técnicas www.sciencedirect.com/science/article/pii/S092523120700286X
  36. 36. Foco em aprendizado de Máquina Técnicas Concentrada no desenvolvimento de algoritmos cujos inputs são dados experimentais. Árvore de Decisão Sparse dictionary Representation LearningReinforcement learning Redes BayesianaClustering Support Vector Machines Programação Lógica Indutiva Programação Genética Redes NeuraisRegras de Associação
  37. 37. Programação genética Técnicas  É um algoritmo inspirado no modelo biológico da evolução para encontrar programas que realizem um tarefa definida pelo usuário.  É um conjunto de instruções e uma função fitness para medir quão bem o computador executou a tarefa.  É uma especialização do algoritmo genético.
  38. 38. Programação genética Técnicas  É um algoritmo inspirado no modelo biológico da evolução para encontrar programas que realizem um tarefa definida pelo usuário.  É um conjunto de instruções e uma função fitness para medir quão bem o computador executou a tarefa.  É uma especialização do algoritmo genético.
  39. 39. Algoritmo genético Técnicas Inicialize um população com n indivíduos Calcule o desempenho de cada um. Selecione os melhores. Embaralhe a lista dos selecionados (cross-over). 11100110 11100110 11100110
  40. 40. Algoritmo genético Técnicas
  41. 41. Weka Software http://www.cs.waikato.ac.nz/ml/weka/ http://jmlr.org/mloss/
  42. 42. Sugestões de estudos Além http://www.udacity.com

×