Ínfehgência Arfificial

Prof.  Rafael Pinto ^9?"t°5
Inteligentes

Nom!  uma ;  um mm. ; mmngcnxc um:  !act-bn

O nua é IA?...
Ínfeiigência Arfificiai

Prof.  Rafael Pinto “em”

inteligentes

o que e w
gm m"" m , WM _W Nimikfuiiihn i wav. ..,  .. .i...
O que é IA? 

- É os estudo das formas como
comportamentos inteligentes
podem ser inseridos em
máquinas

- "É tudo que um ...
"Deep Blue não era inteligente,  era apenas um algoritmo de força
bruta rodando em um super computador"

"Watson não é int...
o nosso cérebro faz

(pergunta retórica,  não tem nada de mágico no nosso
cérebro! )
Mas e o que é inteligência? 

Não há uma deñniçào
universalmente aceita

ã©Í= Pa92i
Algumas deñnições propostas: 

"I-iabilidade Cognitiva"
Algumas deñnições proposi

"Habilidade Cognitiva"

"Comportamer
s deñnições propostas: 

lidade Cognitiva"

"Comportamento adaptativo orientado a metas"

"Habilidade de intencionalmente ...
amento adaptativo orientado a metas"

"Habilidade de intencionalmente reorganizar
informações para inferir novos conhecime...
7

itencionalmente reorganizar
l inferir novos conhecimentos"

"Capacidade mental de raciocinar,  planejar,  resolver
prob...
E tem como colocar isso em
um computador? 

Sim,  e é o que faremos nesta
disciplina,  ,o 

Com

aaaaaaaaaaa as

enledi ee...
. 1
~ oritmos de busca
E. ... _.-. ... ,_.  Emas. .-
3R1Z?1ã?3.'= s"""“ - Sistemas de
- Busca em largura Recomendação . 
-...
Algoritmos de busca

Como planejar uma sequência de ações de modo a
atingir um objetivo?  Como achar um caminho em um
mapa...
f'
s* 
i
J/  'É
r' . 
.f : l
HE ai. 
n .  i.  .

. irei < w i i l.  i i i i w  i alii
Como planejar uma sequência de ações...
Algoritmos de busca

Como planejar uma sequência de ações de modo a
atingir um objetivo?  Como achar um caminho em um
mapa...
ÍIQRQZI

      
      
   

Sistemas Baseados em
Conhecimento

Como criar um sistema capaz de inferir causas,  prever
situ...
Sistemas Baseados em
Conhecimento

Como criar um sistema capaz de inferir causas,  prever
situações e prover soluções de a...
ÍIQRQZI

      
      
   

Sistemas Baseados em
Conhecimento

Como criar um sistema capaz de inferir causas,  prever
situ...
Lógica

Como tirar conclusoe observados? 

~ Lógica Proposicional
-s Lógica de Predicados
 Prolog

áíÇv-; jêpaezi
Lógica

Como tirar conclusões a partir de fatos observados? 

 Drnnncir
Lógica

Como tirar conclusoe p tir de fatos observados? 

  
  

- Lógica Proposicional
- Lógica de Predicados
- Prolog
Algoritmos de
Classiñcação

Como classiñcar
dados usando
experiência? 

=  Algoritmo do vizinho mais

próximo (KNN)

 Clas...
Como classiñcar
dados usando
experiência?
Cluassiñcação

       
     
       

Como classificar
dados usando
experiência? 

- Algoritmo do vizinho mais
próximo (KN...
Algoritmos de
Regressão

informaçoes para inferir
artir

   

OLIUD conjun
eeee riência? 

- Regressão linear por
mínimos ...
Regressão

Como usar um conjunto de informações para inferir
outro conjunto de informações a partir de
experiência? 

cire...
PKLLJUI ILI l IUD UC

Regressão

Como usar um conjunto de informações para inferir
tro conjunto de informações a partir de...
:QRQZI

 
      
    
      
    

Algoritmos de Clustering

  

Como encontrar
agrupamentos naturais em
um conjunto de da...
IIIJJ Jke aLLl

Como encontrar
agrupamentos naturais em
um conjunto de dados?
QlSIJÍFLAIII&IIB-I~J IIA¡J| IAIJ Qlll

um conjunto de dados? 

- K-Means

 dp Dimpncin
I iij7II-lII7à TI?  "Úlí-ÍIIII: 
Como encontrar
agrupamentos naturais em

um conjunto de dados? 

- K-Means

Redução de Di...
Como trabalhar com dados
de alta dimensionalidade?
GE alla CllmeriSlOnallüaüef
E mais? ,

v Sistemas de

Recomendação

v Previsão

~ Linguagem Natural

-s Visão Computacional
r Algoritmos Genéticos
lld

- Todas as tarefas humanas
aos poucos vão sendo
automatizadas

- Computadores devem nos

liberar de tarefas

entedian...
Aiialicações

h ° n iki ia r iki
. a. _ _a .  .a _. 

h ° iki ia r iki
r _n _i i

°4oC3°4oAAncia_artiñcial

á©fepaezi
iigência

iutacional

entes contínuos, 
ieterministicos e
almente

'váveis

; ões aproximadas
spirada
1dizagem
iutação num...
39
1 c? ?
 _ Art.  Q '
|  o" 'õ -
de Alan T  Computer Mach- Q¡
uring Iner
V and Intelligence. .

1955 - Primeiro prov dor ...
1955 - Primeiro provador automático de
teoremas

1956 _ çgnierenci tauonaç de
m9**
dem °°
n'.  m0 di.  O
195% - ? BMW *oãú...
á©fepaezi

1 JIÍ  kO/ h 
[eo , me/ ro 07s¡ r
1956 - Conferência de Dartmouth ! C0 de Qenc
1958 - Percetron:  modelo comput...
-. J/Írefên "Ufe 

'Z 958 ~ p e Daft ÍbaÍ/ 'ç 07/7¡ 9395

@rc Ou¡ O O' 67/ . 
neurôm @tron m h e 098
mpUta
1964 - “W781 de...
"os .  "ez,  "o o 'o
C S O Ô¡ Ô e'
apõzd Ôa/ Vey¡ p _ 0/7908 9% 0/4- Eãilçq 0.1
@faq r/ me róol_  “po
OC/ har #O 'ob « (70...
,V6

1980 - 1987 - Boom da IA
á©êpaezi

1980 - Boom dos sistemas especialistas
1982 - 1986 - Renascimento das redes neurais

mo (33 | >~
n60 “N e
seg** Ô
 P a 9 z A  , fã
“mento a
às re
des
a. 

1987 - 1993 - Segundo inverno da IA
00'
O
, o à
Óo ? j 3
'â/  ea
O1, 7 U"
'70 )r
c? 
Ore?  o 9303
D ARPA Urban Challenge
n vence o eopai ÓJ- _ w
ge_ ((300
esõ...
/Eigbàfo ç 

lx

2o *70

0.5 ' Stanford Venc 47076?
e 0 D
ARPA Gra
nd 
auenge

2007 - CMU vence o DARPA Urban Challenge

2...
2011 - Watson vence o Jeopardy! 

d
_ pYESaS
dqulie 8 em
2013 - 600W a

l -
OL

  
 

'a 
o)

2013 - Google adquire 8 empresas de robótica (à,
Agentes
Inteligentes

Nome dado a um software inteligente que recebe

informações externas de um ambiente (percepção), 
pr...
Ambientes
v Um agente interage
com ambientes
«e Ambientes podem
ser classiñcados

quanto aos seguintes
c rité ri os 

(cal...
Acessibilidade:  Dizemos que um ambiente é
'totalmente observável quando o agente tem acesso
a todas as informações do est...
ileiteiwii'iisn'ioz Um ambiente é
deixarririimístico quando não envolve
probabilidades. 

Ex. : Jogo da velha

Ou rtão-det...
Tipos de Agentes

Atuam com base nas percepções atuais,  sem considerar o passado.  R

.  Refiex ivo 5 só funcionam bem em...
»os de Agentes

Atuam com base nas percepções atuais,  sem considerar o passado.  R
/ O S Só funcionam bem em ambientes to...
Tipos de , Agentes

Atuam com base nas perc 'es atuais,  sem considerar o passado.  Regras do tipc

~ Reflexivos amam i 

...
;sado.  Regras do tipo Percepção -> Ação. 

"O Guardam alguma forma de histórico de percepções e ações,  gerando um modelo...
Tipos de , Agentes

Atuam com base nas perc 'es atuais,  sem considerar o passado.  Regras do tipc

~ Reflexivos mm i 

~ ...
ais,  sem considerar o passado.  Regras do tipo Percepção -> Ação. 
:almente observáveis. 

ra,  í.  e (e › [ FH_ [ (J e) ...
Tipos de , Angentes

Atuam com base nas perc 'es atuais,  sem considerar o passado.  Regras do tipc

~ Reflexivos mm i 

~...
s atuais,  sem considerar o passado.  Regras do tipo Percepção -> Ação. 
as totalmente observáveis. 

A l L Guardam alguma...
Tipos de , Angentes

Atuam com base nas perc 'es atuais,  sem considerar o passado.  Regras do tipc

~ Reflexivos mm i 

~...
UU IIIUIIUU L| UC DUPIC OD IIIL'

 a a f** Conseguem distinguir estados comuns de objetivos,  pi
escolher ações que levam ...
Tipos de , Angentes

Atuam com base nas perc 'es atuais,  sem considerar o passado.  Regras do tipc

~ Reflexivos mm i 

~...
1966 - Sl”

capaz de
"Good Old-Fashioned Al" Inteligência
30a e Velha 'A Computacional 966,(
,  Ambkntes - Ambientes contí...
r Algoritmos de Busca e Planejamento
r Sistemas Baseados em Conhecimento
v inferência Lógica

r Análise Sintática de Texto
.. v.. .r. ... ..v. ... .v. ... .-

- Ambientes contínuos, 
não-determinísticos e
parcialmente
observáveis

- Soluções apr...
r Redes Neurais

r Algoritmos Genéticos

«a Algoritmos de Clustering
r Tradução Estatística

: :Q-Dawn i
1966 - Sl”

capaz de
"Good Old-Fashioned Al" Inteligência
30a e Velha 'A Computacional 966,(
,  Ambkntes - Ambientes contí...
ãÍQRQZI

 
  
       
    
 
   
 

A Disciplina

- 1 trabalho em para o final do semestre
- 2 provas
- Muitos exercícios ...
Inteligência Artificial - Aula1 intro
Inteligência Artificial - Aula1 intro
Inteligência Artificial - Aula1 intro
Inteligência Artificial - Aula1 intro
Inteligência Artificial - Aula1 intro
Próximos SlideShares
Carregando em…5
×

Inteligência Artificial - Aula1 intro

437 visualizações

Publicada em

Introdução à Inteligência Artificial

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

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
437
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
14
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Inteligência Artificial - Aula1 intro

  1. 1. Ínfehgência Arfificial Prof. Rafael Pinto ^9?"t°5 Inteligentes Nom! uma ; um mm. ; mmngcnxc um: !act-bn O nua é IA? - E as uma: : das Vurmas comu (omwmmemní “EMM” A Disciplina minrmaçnesl externas na um amfienle imagem? ) a m _m _ “m” c; ,s m ormaçocs vam 0mm uma «isso S* (mqmçin) e : :uma a am examina na ¡mbieme 'i -Hrahaiha em para ofmai ao semesm ; amami - 1 0mm) . 'e wdo que um computador não . Mmm¡ rxemrius m¡ Manole Lumrgur um "W “E "Fm" . . . .,«. ... ,. J Avaliação 7 »wwunmw- a d>ewvl4wx -. sl. m . m maahu . NF E+T+P1+P2 " 4 E tem como colocar isso em um computador? Sim. e e' o que faremos nesta disciulina m. m. l_ iiwiukhWküVn mw _mm uI1»1-. |-›g4““› r ›. ,. 9 m” n' hbél-uxnoñ GOFAI x _q_ -Amhnenlzs zmnlinuus - Ambienln V msnemi nau-determinismo: e , ama meme delermnnlslltuâ “ : :Inu-Navais eousewávens . saiuçàcsapruxnmadas ~ Suluçües exatas . Bmmgpiuda e numas . Aprendizagem - (nmpmaçan numuiu E' 'ç me Bi Idumurnnaxrwzuunm¡
  2. 2. Ínfeiigência Arfificiai Prof. Rafael Pinto “em” inteligentes o que e w gm m"" m , WM _W Nimikfuiiihn i wav. .., .. .i. i.. ,.-. .i~ i, ... .. im- _. .i. .i». ... . . .i ; ir u. .. lx* ipamu, ... A Disciplina nndrm m inwiim mi _ / _ _ . na-him FOIHIWJIH . - mi II . i _i . ..iii FKJHW¡ . ii . NYIhiF rif' . l . um. rm m. ; m . ..i n_ . A_. ____«_0, - ' idüjurnrrwvimitzmrnar ^"“'°“° i mamae, .ma. ..». .i. .n. ... i.ii. ..i. _. 4 . .. .mam Ayanação , . , NF*E+T+P1+PZ - 4 E mm como tolerar isso em _ _gm um compuraaoiv Sim, e é o que faremos nesia disciplina GOFAI x IC . ii. ..i. ... .. , , . , i4 _mam _ $ "i _ Amwemes - miami: : nuñlinuu; 7. _ amam m «Íisimmisiimso 7 dtlevmm sucos “M” "M" * b NME un-, çmm V. E ° “Í - SDÍIKDCA alfuximadas ” -Soinçues exalas _smmmnnJ e arms . ÀpmYdlIZugeM . [ampuliçãn mrnm : a i Í i
  3. 3. O que é IA? - É os estudo das formas como comportamentos inteligentes podem ser inseridos em máquinas - "É tudo que um computador não consegue fazer 'Deep ame não era miengenxeera apenas um aigummo ne força bmla rodando em um super (omvuladuf Watson não e . nzeiigenxee ¡pznas um aexeam ne padre: : (um uma base ae dados gigantesca rodando em um supev computador' se nada disso e mmhgênuz, então nussa (emma la¡ 0 QUE” Mqumas dcñmçnns nmpasms Hñbihdldñ (agmuu Mas e o que é Inteligência? 'Cumpmlamenlc ampume anexado a um; Não há uma definição univevsalmente acena 'Hahilmadw : te mienrlonalmenze rmrganlzav mim: me, par¡ mleru naves Lunhemmznm) (aaauaaae menmae vaaotmai alguem! resolver
  4. 4. "Deep Blue não era inteligente, era apenas um algoritmo de força bruta rodando em um super computador" "Watson não é inteligente, é apenas um detector de padrões com uma base de dados gigantesca. .. rodando em um super computador" Se nada disso é inteligência, então nosso cérebro faz o que? ? (pergunta retórica. não tem nada de mágico no nosso cérebro! ) "Pnezi
  5. 5. o nosso cérebro faz (pergunta retórica, não tem nada de mágico no nosso cérebro! )
  6. 6. Mas e o que é inteligência? Não há uma deñniçào universalmente aceita ã©Í= Pa92i
  7. 7. Algumas deñnições propostas: "I-iabilidade Cognitiva"
  8. 8. Algumas deñnições proposi "Habilidade Cognitiva" "Comportamer
  9. 9. s deñnições propostas: lidade Cognitiva" "Comportamento adaptativo orientado a metas" "Habilidade de intencionalmente reor informações para inferir novos conhei ÊÀÇ/ ;JÊQQQZI
  10. 10. amento adaptativo orientado a metas" "Habilidade de intencionalmente reorganizar informações para inferir novos conhecimentos" "Capacidade mental de raciocinar, pla problemas, abstrair ideias, compreenc linguagens e aprender"
  11. 11. 7 itencionalmente reorganizar l inferir novos conhecimentos" "Capacidade mental de raciocinar, planejar, resolver problemas, abstrair ideias, compreender ideias e linguagens e aprender"
  12. 12. E tem como colocar isso em um computador? Sim, e é o que faremos nesta disciplina, ,o Com aaaaaaaaaaa as enledi eeeeeeeeeeeeee as f"f'i_
  13. 13. . 1 ~ oritmos de busca E. ... _.-. ... ,_. Emas. .- 3R1Z?1ã?3.'= s"""“ - Sistemas de - Busca em largura Recomendação . - Busca em - Previsão pmfundwade - Linguagem Natural - Visão Computacional ' Busca heudstica - Algoritmos Genéticos - Busca competitiv Algoritmos de Chmerlng Slmmas Baseados em (armamento (D - K-MBIHS Redução de Dlmenslonalldaoe Sistemas Especialistas -PCA Algoritmos de Regressão Lógica - Regressão linear por minimos quadrados - Redes Neurais - Lógica Proposicional - Lógica de Predicados - Prolog Algoritmos de Classificação o Algoritmo minho mais próximo (KNN) › Classincador Bayeslano (Naive Hayes)
  14. 14. Algoritmos de busca Como planejar uma sequência de ações de modo a atingir um objetivo? Como achar um caminho em um mapa? E como achar o MELHOR caminho? - Busca em largura - Busca em profundidade - Busca heurística - Busca competitiv ãÊORQZI
  15. 15. f' s* i J/ 'É r' . .f : l HE ai. n . i. . . irei < w i i l. i i i i w i alii Como planejar uma sequência de ações de modo a atingir um objetivo? Como achar um caminho em um mapa? E como achar o MELHOR caminho? l? ? i * i< É, ,j i J -gh. " i* lim O i i _ i 'Qi ' -â. _. _ _
  16. 16. Algoritmos de busca Como planejar uma sequência de ações de modo a atingir um objetivo? Como achar um caminho em um mapa? E como achar o MELHOR caminho? - Busca em largura - Busca em profundidade - Busca heurística - Busca competitiv ãÊORQZI
  17. 17. ÍIQRQZI Sistemas Baseados em Conhecimento Como criar um sistema capaz de inferir causas, prever situações e prover soluções de acordo com os conhecimentos de um especialista? Sistemas Especialistas
  18. 18. Sistemas Baseados em Conhecimento Como criar um sistema capaz de inferir causas, prever situações e prover soluções de acordo com os conhecimentos de um especialista? Sistemas Especialistas
  19. 19. ÍIQRQZI Sistemas Baseados em Conhecimento Como criar um sistema capaz de inferir causas, prever situações e prover soluções de acordo com os conhecimentos de um especialista? Sistemas Especialistas
  20. 20. Lógica Como tirar conclusoe observados? ~ Lógica Proposicional -s Lógica de Predicados Prolog áíÇv-; jêpaezi
  21. 21. Lógica Como tirar conclusões a partir de fatos observados? Drnnncir
  22. 22. Lógica Como tirar conclusoe p tir de fatos observados? - Lógica Proposicional - Lógica de Predicados - Prolog
  23. 23. Algoritmos de Classiñcação Como classiñcar dados usando experiência? = Algoritmo do vizinho mais próximo (KNN) Classiñcador Bayesiano (NaTve Bayes)
  24. 24. Como classiñcar dados usando experiência?
  25. 25. Cluassiñcação Como classificar dados usando experiência? - Algoritmo do vizinho mais próximo (KNN) - Classiñcador Bayesiano (Naive Bayes)
  26. 26. Algoritmos de Regressão informaçoes para inferir artir OLIUD conjun eeee riência? - Regressão linear por mínimos quadrados - Redes Neurais
  27. 27. Regressão Como usar um conjunto de informações para inferir outro conjunto de informações a partir de experiência? ciressão lineai
  28. 28. PKLLJUI ILI l IUD UC Regressão Como usar um conjunto de informações para inferir tro conjunto de informações a partir de ~ Regressão linear por mínimos quadrados = Redes Neurais
  29. 29. :QRQZI Algoritmos de Clustering Como encontrar agrupamentos naturais em um conjunto de dados? - K-Means Redução de Dimensionalidade Como trabalhar com dados de alta dimensionalidade? - PCA
  30. 30. IIIJJ Jke aLLl Como encontrar agrupamentos naturais em um conjunto de dados?
  31. 31. QlSIJÍFLAIII&IIB-I~J IIA¡J| IAIJ Qlll um conjunto de dados? - K-Means dp Dimpncin
  32. 32. I iij7II-lII7à TI? "Úlí-ÍIIII: Como encontrar agrupamentos naturais em um conjunto de dados? - K-Means Redução de Dimensionalidade Como trabalhar com dados de alta dimensionalidade? - PCA
  33. 33. Como trabalhar com dados de alta dimensionalidade?
  34. 34. GE alla CllmeriSlOnallüaüef
  35. 35. E mais? , v Sistemas de Recomendação v Previsão ~ Linguagem Natural -s Visão Computacional r Algoritmos Genéticos
  36. 36. lld - Todas as tarefas humanas aos poucos vão sendo automatizadas - Computadores devem nos liberar de tarefas entediantes ou perigosas Aplicações Por quê? P a ez I
  37. 37. Aiialicações h ° n iki ia r iki . a. _ _a . .a _. h ° iki ia r iki r _n _i i °4oC3°4oAAncia_artiñcial á©fepaezi
  38. 38. iigência iutacional entes contínuos, ieterministicos e almente 'váveis ; ões aproximadas spirada 1dizagem iutação numérica i Paezi C f . r, l l 'I IS"OI”Ia Qd g1 , cú 195o 00°) og. - '6 44% 4%? “ça a 19 o» ° c 39K* te 5329;' , Og 00600¡ @a g - Ore ln, . e, 36 512N ma: e"°p a A504 9 5959 a3u3^ “o 1956 _ "ag 'o ç a dos( 0 CO/ iferên 053gb 73900_ _›¡QQ° ¡jçple N) _ LOOÍ. 1 C ° Dartm m t* [We/ x e 1 *d o 33"? ” ñ 958 . p °uth e 'o Val "eum" 9" etron od OCB» eu-J eqlñ l 0 co punk_ aÕU3 lona¡ de 1964- ELIZA: primeiro chatterbot . aõuajjeuj pueig Vdava O anus/ i piiojuels - 500¡ _ . - no de propósitos gera” 195,6 - Shakey. Primeiro rO _ ? e capaz de raciocinar sobre suas aÇPeÉ a o lap* oww - n omputaciü b¡ com L Ieda-j¡ a q'$.3° c fôtô 39 /0 Ju 4 to da 9g( . e o ãn¡ Nas°““°“ 11°” â O"? 8d°°o. x96** N* ° à? , (561 - e a a “à r (aos (as õ'b *a 2, °oç Ceçx Y* o 9° 'í T» O6' . (ema íeàzs (só É 53 ? P ta” ao” -<~° a s “e x9 . me .5- v ° â °> . bo % o* a* 5 ” « vo "' at_ “t” e' Ê s É” ã “â o ° .14 é* Z 'â m a E” v-Í
  39. 39. 39 1 c? ? _ Art. Q ' | o" 'õ - de Alan T Computer Mach- Q¡ uring Iner V and Intelligence. . 1955 - Primeiro prov dor automatico de teoremas m ou ^ cia de “afim 1956 - Ccmiei” . a oe com3“xac . - m0óeo X36 9 9 e 2 | X( 0“ - 0K. Q? ~ f 9. - Ve( Ce (Ceço I KOS . (F3 QOÇ” -(0 'A83 *QQ Á
  40. 40. 1955 - Primeiro provador automático de teoremas 1956 _ çgnierenci tauonaç de m9** dem °° n'. m0 di. O 195% - ? BMW *oãúefo Qbàxos I ' ' c' o ©°““' nouiomo «WMO A? , QQ; -c.
  41. 41. á©fepaezi 1 JIÍ kO/ h [eo , me/ ro 07s¡ r 1956 - Conferência de Dartmouth ! C0 de Qenc 1958 - Percetron: modelo computacional de neuronio hattemot _ú _ EUZA'. Primeiro C ósitos @em 1964 , ç de piüp 'meiio @bo s aêões nakei' PH gobie “a (3003 &966 ' giocma( 0X3 ' 1 de (a ÇOÇQQ ? fx caPa _ ; ça-ao Aço?
  42. 42. -. J/Írefên "Ufe 'Z 958 ~ p e Daft ÍbaÍ/ 'ç 07/7¡ 9395 @rc Ou¡ O O' 67/ . neurôm @tron m h e 098 mpUta 1964 - “W781 de 1966 - Shakey: Primeiro robô de propósitos gerais capaz de raciocinar sobre suas ações iiíci--sa-
  43. 43. "os . "ez, "o o 'o C S O Ô¡ Ô e' apõzd Ôa/ Vey¡ p _ 0/7908 9% 0/4- Eãilçq 0.1 @faq r/ me róol_ “po OC/ har #O 'ob « (70 ? So Sobre O de " Suas p/ 'Opó . 1966 aÇô 5/?0 ' Nascim 95 39a, 95a. entO da Vjsão co 8/5 mDUtaCÍOHaI a5 Uai/ is 1969 - Livro "Perceptrons" de Minsky e Papert acaba com o investimento em redes neurais i>~ . vei“° da F2 - rO m 'U O _ ? uma rg; '5 974498 é” É' í x? ” é? é? O; at” as? 00 o, ft¡ q, m -u ea' e? 8 . e à” E
  44. 44. ,V6 1980 - 1987 - Boom da IA
  45. 45. á©êpaezi 1980 - Boom dos sistemas especialistas
  46. 46. 1982 - 1986 - Renascimento das redes neurais mo (33 | >~ n60 “N e seg** Ô P a 9 z A , fã
  47. 47. “mento a às re des a. 1987 - 1993 - Segundo inverno da IA
  48. 48. 00' O , o à Óo ? j 3 'â/ ea O1, 7 U" '70 )r c? Ore? o 9303 D ARPA Urban Challenge n vence o eopai ÓJ- _ w ge_ ((300 esõã , o Q, eNW
  49. 49. /Eigbàfo ç lx 2o *70 0.5 ' Stanford Venc 47076? e 0 D ARPA Gra nd auenge 2007 - CMU vence o DARPA Urban Challenge 2011 - Watson vence o leoPardy! Obófu 585 de(
  50. 50. 2011 - Watson vence o Jeopardy! d _ pYESaS dqulie 8 em 2013 - 600W a l -
  51. 51. OL 'a o) 2013 - Google adquire 8 empresas de robótica (à,
  52. 52. Agentes Inteligentes Nome dado a um software inteligente que recebe informações externas de um ambiente (percepção), processa estas informações para tomar uma decisão (cognição) e executa a ação escolhida no ambiente (atuação) Ambientes - Um agente interage com ambientes ~ Ambientes podem ser classiñcados Tipos de Agentes Atum com ! um na¡ vevupçõu arrume-n (mudam n »meu - - Reflex ivo 5 sn Nnúlonlm bem em emblema . um. amu. .., - Baseados em objetivos w - Baseados em utilidade s: : '- o Com aprendizagem «_, ... m.. _mw. ..«, _m. a mar-amu
  53. 53. Ambientes v Um agente interage com ambientes «e Ambientes podem ser classiñcados quanto aos seguintes c rité ri os (calmante uhsrwivrl quando a agente tem Messi) a todas as mrormaçaes do estado Ex 'Joga de damas Ou pmiuinseme nbsewivel : m (onlmno E¡ vom. : maximum Um ñmbiEHlE e continue quando e (omposm vo: variaveis continuas, ou seia, quando Dõssvi um . ..mim mñmlo e mrontável de estados Ex Dugnmstitn medico ou diurno quando possui um numero (ontavel de estados Ex mm na : menus Paezi
  54. 54. Acessibilidade: Dizemos que um ambiente é 'totalmente observável quando o agente tem acesso a todas as informações do estado. Ex. :Jogo de damas Ou parcialmente observável caso contrário. Ex. : Pôquer Continuidade: Um ambiente é contínuo quando é composto por variáveis contínuas, ou seja, quando possui um número inñnito e incontável de estados. Ex. : Diagnóstico médico Ou discreto quando possui um número contável de estados. A Ex. :Tutor de idiomas á©w3ae2i i
  55. 55. ileiteiwii'iisn'ioz Um ambiente é deixarririimístico quando não envolve probabilidades. Ex. : Jogo da velha Ou rtão-deterntir¡ístico caso contrário. Ex. : Banco imobiliário : :Q-Paga i
  56. 56. Tipos de Agentes Atuam com base nas percepções atuais, sem considerar o passado. R . Refiex ivo 5 só funcionam bem em ambientes totalmente observáveis. - Reflexivos baseados em modelo ° - Baseados em objetivos ÊSSSEÊÉÊTeÊÉÊEÉÍIVÍnTSS : :srt - Baseados em utilidad Com aprendizagem . do tipo Percepção -> Açãc am alguma forma de hi: ndo que supre as incen D. a no ambiente
  57. 57. »os de Agentes Atuam com base nas percepções atuais, sem considerar o passado. R / O S Só funcionam bem em ambientes totalmente observáveis. / os baseados em modelo ã os e m o bj etivos ÊÊÉSSÉÉZÊÕÊLSÊEÉÍÉVÊÍÍÊSS os em utilidad tendizagem _jêpnezi do tipo Percepção -> Ação. am alguma forma de histórico de p ndo que supre as incertezas em an muns de objetivos, permitindo etivo. ado, permitindo escolher as ações mais des no ambiente
  58. 58. Tipos de , Agentes Atuam com base nas perc 'es atuais, sem considerar o passado. Regras do tipc ~ Reflexivos amam i ~ Reflexivos baseados em modelo : :anzííiseã Baseados em objetivos É? ?eeÍÊTÕÉÉÍÃEÉÍÉVÊÍÃaÊÉZÉÍnQÚZ ~ Baseados em utilidad ~ Com aprendizagem
  59. 59. ;sado. Regras do tipo Percepção -> Ação. "O Guardam alguma forma de histórico de percepções e ações, gerando um modelo interno do mundo que supre as incertezas em ambientes parcialmente observáveis. guir estados comuns de objetivos, permitindo e levam ao objetivo. idade de cada estado, permitindo escolher as ações mais desejáveis em ance atuando no ambiente
  60. 60. Tipos de , Agentes Atuam com base nas perc 'es atuais, sem considerar o passado. Regras do tipc ~ Reflexivos mm i ~ Reflexivos baseados em modelo : :anzííiseã Baseados em objetivos É? ?eeÍÊTÕÉÉÍÃEÉÍÉVÊÍÃaÊÉZÉÍmQÚZ ~ Baseados em utilidad ~ Com aprendizagem
  61. 61. ais, sem considerar o passado. Regras do tipo Percepção -> Ação. :almente observáveis. ra, í. e (e › [ FH_ [ (J e) Guardam alguma forma de histórico de perr i - s ' se - do mundo que supre as incertezas em ambi Conseguem distinguir estados comuns de objetivos, permitindo escolher ações que levam ao objetivo. _ Conseguem medir a qualidade de cada estado, permitindo escolher as ações mais desejá › cada estado. Jem melhorar sua performance atuando no ambiente
  62. 62. Tipos de , Angentes Atuam com base nas perc 'es atuais, sem considerar o passado. Regras do tipc ~ Reflexivos mm i ~ Reflexivos baseados em modelo : :anzííiseã Baseados em objetivos : S:eetífnifíizàtigíífâãzígxí: ~ Baseados em utilidad ~ Com aprendizagem
  63. 63. s atuais, sem considerar o passado. Regras do tipo Percepção -> Ação. as totalmente observáveis. A l L Guardam alguma forma de histórico de percepções e açõesq_ e l O e O do mundo que supre as incertezas em ambientes parcialmer O S Conseguem distinguir estados comuns de objetivos, permitindo escolher ações que levam ao objetivo. j Conseguem medir a qualidade de cada estado, permitindo escolher as açoes mais desejaveis em I cada estado. inseguem melhorar sua performance atuando no ambiente
  64. 64. Tipos de , Angentes Atuam com base nas perc 'es atuais, sem considerar o passado. Regras do tipc ~ Reflexivos mm i ~ Reflexivos baseados em modelo : :anania Baseados em objetivos : :iaeaisiiiansnaisznia: : ~ Baseados em utilidad ~ Com aprendizagem
  65. 65. UU IIIUIIUU L| UC DUPIC OD IIIL' a a f** Conseguem distinguir estados comuns de objetivos, pi escolher ações que levam ao objetivo. Conseguem medir a qualidade de cada estado, permitindo escolher a cada estado. i J. iii Conseguem melhorar sua performance atuando no ambiente
  66. 66. Tipos de , Angentes Atuam com base nas perc 'es atuais, sem considerar o passado. Regras do tipc ~ Reflexivos mm i ~ Reflexivos baseados em modelo : :anania Baseados em objetivos : :iaeaisiiiansnaisznia: : ~ Baseados em utilidad ~ Com aprendizagem
  67. 67. 1966 - Sl” capaz de "Good Old-Fashioned Al" Inteligência 30a e Velha 'A Computacional 966,( , Ambkntes - Ambientes contínuos, discretos, naO-. ÓTÍETTTHISÍICOS e . , . arcia men e , deterministicos p A observáveis e obsÊrvavms - Soluções aproximadas - Soluçoes exatas , B¡o¡nsp¡rada e Óümas - Aprendizagem - Computação numérica
  68. 68. r Algoritmos de Busca e Planejamento r Sistemas Baseados em Conhecimento v inferência Lógica r Análise Sintática de Texto
  69. 69. .. v.. .r. ... ..v. ... .v. ... .- - Ambientes contínuos, não-determinísticos e parcialmente observáveis - Soluções aproximadas - Bioinspirada - Aprendizagem - Computação numérica
  70. 70. r Redes Neurais r Algoritmos Genéticos «a Algoritmos de Clustering r Tradução Estatística : :Q-Dawn i
  71. 71. 1966 - Sl” capaz de "Good Old-Fashioned Al" Inteligência 30a e Velha 'A Computacional 966,( , Ambkntes - Ambientes contínuos, discretos, naO-. ÓTÍETTTHISÍICOS e . , . arcia men e , deterministicos p A observáveis e obsÊrvavms - Soluções aproximadas - Soluçoes exatas , B¡o¡nsp¡rada e Óümas - Aprendizagem - Computação numérica
  72. 72. ãÍQRQZI A Disciplina - 1 trabalho em para o final do semestre - 2 provas - Muitos exercícios no Moodle Avaliação NF= E+T+P1+P2 4

×