O documento discute o tratamento da incerteza em sistemas inteligentes. Aborda conceitos como probabilidade subjetiva, probabilidade condicional, independência condicional e a regra de Bayes. Explica como esses métodos podem ser usados para modelar crenças e tomar decisões em situações incertas.
O documento discute métodos complementares de exames clínicos em veterinária. Em três frases, resume que os exames complementares como punções, biopsias e exames laboratoriais auxiliam no diagnóstico quando realizados após o exame físico. Também discute a importância da anamnese para fornecer subsídios ao diagnóstico.
O documento descreve as proteínas, incluindo que são compostas por aminoácidos e possuem diferentes estruturas. As proteínas têm muitas funções importantes como estruturais, enzimáticas, hormonais, de transporte, defesa, reserva, nutrição e regulação.
O documento apresenta o conteúdo programático da disciplina de Patologia Especial Veterinária, incluindo as datas das aulas sobre os sistemas digestório, hepático, cardiorespiratório e outros. Também fornece informações sobre as provas, recursos didáticos e patologias da cavidade oral que serão discutidas na primeira aula.
Este documento apresenta uma introdução ao estudo da anatomia dos animais domésticos. Primeiro, define anatomia e seus principais tipos. Em seguida, descreve os métodos de estudo da anatomia, como a anatomia sistemática e topográfica. Por fim, explica termos e conceitos importantes para a descrição anatômica, como os planos do corpo e princípios de construção corpórea nos vertebrados.
1) O documento descreve as características do tecido nervoso e as células que o compõem, incluindo neurônios, astrócitos, oligodendrócitos e micróglia.
2) Também descreve as reações celulares à agressão, como cromatólise, degeneração de Walleriana e neuroniofagia.
3) A mielopatia cervical estenótica em eqüinos e cães é discutida como exemplo de lesão medular compressiva.
O documento descreve a fisiologia cardíaca, incluindo a estrutura do músculo cardíaco, o ciclo cardíaco, a regulação do bombeamento sanguíneo, a excitação rítmica do coração e os mecanismos de controle da frequência cardíaca pelos sistemas nervosos autônomos simpático e parassimpático.
O documento discute a diarreia em bezerros leiteiros lactantes, apresentando suas principais causas como vírus, bactérias e protozoários. Detalha a situação da doença em diferentes unidades de pesquisa da Embrapa, como a Embrapa Pecuária Sudeste, Embrapa Pecuária Sul e Embrapa Rondônia, enfatizando o manejo e prevenção da diarreia nessas regiões.
O documento define artigos científicos como pequenos estudos completos que tratam de uma questão científica e objetivam apresentar resultados de pesquisas, geralmente publicados em revistas especializadas. A estrutura comum de um artigo inclui título, resumo, palavras-chave, introdução, referencial teórico, material e método, resultados e considerações finais. As experiências relatadas devem ser passíveis de reprodução.
O documento discute aprendizagem com árvores de decisão. Explica que a aprendizagem é essencial quando o projetista não conhece totalmente o ambiente e permite que o agente seja exposto à realidade. Descreve como as árvores de decisão podem representar funções dos atributos de entrada e como o algoritmo de aprendizagem constrói árvores recursivamente escolhendo o atributo mais significativo em cada nó, medido pelo ganho de informação.
Curso Inteligência Artificial - Parte 1 -ronaldo ramos
Este documento apresenta um curso sobre inteligência artificial, abordando seus conceitos fundamentais, histórico, metas, agentes inteligentes, resolução de problemas, linguagem e comunicação. A bibliografia básica é extensa e inclui livros e artigos sobre diferentes tópicos da área.
O documento discute métodos complementares de exames clínicos em veterinária. Em três frases, resume que os exames complementares como punções, biopsias e exames laboratoriais auxiliam no diagnóstico quando realizados após o exame físico. Também discute a importância da anamnese para fornecer subsídios ao diagnóstico.
O documento descreve as proteínas, incluindo que são compostas por aminoácidos e possuem diferentes estruturas. As proteínas têm muitas funções importantes como estruturais, enzimáticas, hormonais, de transporte, defesa, reserva, nutrição e regulação.
O documento apresenta o conteúdo programático da disciplina de Patologia Especial Veterinária, incluindo as datas das aulas sobre os sistemas digestório, hepático, cardiorespiratório e outros. Também fornece informações sobre as provas, recursos didáticos e patologias da cavidade oral que serão discutidas na primeira aula.
Este documento apresenta uma introdução ao estudo da anatomia dos animais domésticos. Primeiro, define anatomia e seus principais tipos. Em seguida, descreve os métodos de estudo da anatomia, como a anatomia sistemática e topográfica. Por fim, explica termos e conceitos importantes para a descrição anatômica, como os planos do corpo e princípios de construção corpórea nos vertebrados.
1) O documento descreve as características do tecido nervoso e as células que o compõem, incluindo neurônios, astrócitos, oligodendrócitos e micróglia.
2) Também descreve as reações celulares à agressão, como cromatólise, degeneração de Walleriana e neuroniofagia.
3) A mielopatia cervical estenótica em eqüinos e cães é discutida como exemplo de lesão medular compressiva.
O documento descreve a fisiologia cardíaca, incluindo a estrutura do músculo cardíaco, o ciclo cardíaco, a regulação do bombeamento sanguíneo, a excitação rítmica do coração e os mecanismos de controle da frequência cardíaca pelos sistemas nervosos autônomos simpático e parassimpático.
O documento discute a diarreia em bezerros leiteiros lactantes, apresentando suas principais causas como vírus, bactérias e protozoários. Detalha a situação da doença em diferentes unidades de pesquisa da Embrapa, como a Embrapa Pecuária Sudeste, Embrapa Pecuária Sul e Embrapa Rondônia, enfatizando o manejo e prevenção da diarreia nessas regiões.
O documento define artigos científicos como pequenos estudos completos que tratam de uma questão científica e objetivam apresentar resultados de pesquisas, geralmente publicados em revistas especializadas. A estrutura comum de um artigo inclui título, resumo, palavras-chave, introdução, referencial teórico, material e método, resultados e considerações finais. As experiências relatadas devem ser passíveis de reprodução.
O documento discute aprendizagem com árvores de decisão. Explica que a aprendizagem é essencial quando o projetista não conhece totalmente o ambiente e permite que o agente seja exposto à realidade. Descreve como as árvores de decisão podem representar funções dos atributos de entrada e como o algoritmo de aprendizagem constrói árvores recursivamente escolhendo o atributo mais significativo em cada nó, medido pelo ganho de informação.
Curso Inteligência Artificial - Parte 1 -ronaldo ramos
Este documento apresenta um curso sobre inteligência artificial, abordando seus conceitos fundamentais, histórico, metas, agentes inteligentes, resolução de problemas, linguagem e comunicação. A bibliografia básica é extensa e inclui livros e artigos sobre diferentes tópicos da área.
Este documento apresenta os conceitos fundamentais de sistemas difusos (fuzzy) em 3 frases:
Apresenta a lógica clássica versus lógica difusa e define conjuntos difusos utilizando funções de pertinência entre 0 e 1; Descreve operações básicas com conjuntos difusos como união, interseção e complemento; Introduz a lógica difusa com variáveis linguísticas, partições difusas e regras de produção para sistemas de controle difuso.
Curso Inteligência Artificial - Parte 2 -ronaldo ramos
O documento descreve o mundo de Wumpus, um ambiente de jogo comum em Inteligência Artificial. Ele apresenta as regras do mundo de Wumpus, como a detecção de fedor indica a presença do monstro Wumpus, e descreve como um agente pode explorar logicamente o ambiente com base em percepções.
O documento discute redes neurais, começando com a estrutura do cérebro e modelo de McCulloch-Pitts. Apresenta perceptrons de camada simples e multicamadas, explicando que perceptrons de camada simples são insuficientemente expressivos, ao contrário de redes multicamadas que podem representar qualquer função contínua. Descreve o algoritmo de retropropagação para treinamento de redes multicamadas.
Apresentação para Candidatos do MPCOMP Turma Aracatironaldo ramos
1) O documento discute a história da educação superior, desde a Europa Medieval até o século XIX. 2) Inicialmente as universidades ofereciam cursos de Artes, Teologia, Medicina e Direito, com diplomas de bacharel e mestre/doutor. 3) No século XIX, o modelo da Universidade de Humboldt na Alemanha passou a exigir dissertações com contribuições científicas para o título de Doutor em Filosofia (Ph.D.).
Este documento apresenta uma introdução ao reconhecimento de padrões, discutindo: 1) como os seres humanos reconhecem padrões; 2) a definição formal de reconhecimento de padrões; 3) a importância de atributos e sua transformação numérica para análise computacional; 4) o conceito de distância para medir similaridade entre padrões.
1. O documento apresenta um resumo sobre lógica de programação com a linguagem Python. Aborda conceitos de algoritmos, linguagens algorítmicas, variáveis, estruturas de decisão e repetição. Também introduz a linguagem Python para representação de algoritmos.
O documento discute a geração de código objeto, que é a última fase de um compilador. Ele explica que o gerador de código objeto recebe a representação intermediária do compilador e produz um código objeto semanticamente equivalente para a máquina-alvo. Alguns conceitos importantes incluem a seleção de instruções, alocação de registradores e escalonamento de instruções.
O documento discute a análise semântica na compilação, que verifica a coerência do código por meio de heurísticas. Ele explica como a tabela de símbolos armazena informações sobre variáveis e escopo e como a decoração de nomes lida com sobreposição. Também descreve verificações de tipos, fluxo de controle e unicidade realizadas pela análise semântica.
1) O documento descreve a estrutura geral de um compilador, incluindo as fases de análise e síntese. 2) A fase de análise inclui a análise léxica, sintática e semântica do código fonte para reconhecer sua estrutura e significado. 3) Exemplos ilustram a construção de tabelas de lexemas e símbolos durante a análise léxica de um pequeno programa.
Compiladores na programação: compiladores traduzem programas de linguagens de alto nível para linguagens de máquina. Compiladores no processamento da informação: compiladores processam arquivos XML e páginas dinâmicas da Web. Atividades de um compilador: análise, síntese, leitura/escrita de arquivos.
Este documento apresenta uma introdução à Teoria da Computação. Aborda tópicos como classes de problemas computacionais, linguagens formais e autômatos. Explica que a Teoria da Computação estuda o que pode e não pode ser computado, definindo formalmente linguagens e modelos de computação.
Creando Aplicaciones para Android con KivyNahuel Defossé
Kivy es un framework para crear aplicaciones multiplataforma con interfaz gráfica desde Python. Permite desarrollar apps para Android e iOS generando la interfaz con OpenGL en lugar de widgets nativos. Incluye soporte para multi-táctil, depuración gráfica, programación reactiva y herramientas como Buildozer para empaquetar apps para Android.
O documento descreve as principais etapas de um compilador, incluindo a geração de código intermediário, geração de código objeto, otimização de código e gerenciamento de tabelas de símbolos. O código intermediário representa o programa em uma forma independente da máquina e pode ser otimizado antes de ser traduzido para código de máquina. A geração de código objeto mapeia o código intermediário para instruções da máquina-alvo.
As árvores B armazenam múltiplas chaves em cada nó, ao contrário das árvores binárias que armazenam uma chave por nó. Adicionar uma nova chave envolve busca e adição ou divisão de nós. Remover uma chave pode requerer substituição, concatenação ou redistribuição de chaves entre nós. Árvores B são usadas em sistemas de arquivos e bancos de dados.
Uma árvore rubro-negra é uma árvore binária de busca auto-balanceada onde cada nó possui uma cor (vermelha ou preta) e as propriedades de balanceamento são mantidas durante inserções e remoções, garantindo operações de busca, inserção e remoção em O(log n).
Desarrollo de aplicaciones multiplataforma con python y KivyErnesto Crespo
Ernesto Crespo presentó sobre el desarrollo de aplicaciones multiplataforma con Python y Kivy. Explicó qué es Kivy y que soporta múltiples plataformas como Linux, Windows, Android e iOS. Detalló cómo instalar Kivy y creó varios ejemplos simples como "Hola Mundo", un botón y un reproductor de video. Finalmente compartió referencias y recursos adicionales y respondió preguntas.
A árvore B+ é uma estrutura de dados derivada da árvore B usada em bancos de dados e sistemas de arquivos para armazenar chaves de forma a permitir buscas eficientes de forma sequencial ou aleatória. Sua estrutura separa as chaves em páginas folha encadeadas e os nós internos armazenam apenas referências às folhas, diferentemente da árvore B. Isso torna operações como busca, inserção e remoção mais eficientes.
1) O documento apresenta conceitos fundamentais da teoria da probabilidade, incluindo definição de probabilidade de Laplace, probabilidade condicional e independência de eventos.
2) Exemplos ilustram como calcular probabilidades usando a definição de Laplace e como a informação adicional pode alterar as probabilidades condicionais.
3) O conceito de independência é explicado e distinguido de eventos disjuntos, com um exemplo mostrando o uso de árvores de probabilidade.
1) O documento apresenta conceitos fundamentais da teoria da probabilidade, incluindo definição de probabilidade de Laplace, probabilidade condicional e independência de eventos.
2) Exemplos ilustram como calcular probabilidades usando a definição de Laplace e como a informação adicional pode alterar as probabilidades condicionais.
3) O conceito de independência é explicado e distinguido de eventos disjuntos através de um exemplo sobre máquinas em uma fábrica.
O documento discute conceitos básicos de probabilidade como a regra do produto, lei associativa, regra da cadeia e marginalização. Exemplos são fornecidos para ilustrar como calcular probabilidades conjuntas, condicionais e marginais a partir de uma tabela de distribuição de probabilidade conjunta de três variáveis - Covid, teste de Covid e febre. O documento também aborda independência condicional e como simplificar modelos probabilísticos.
[1] O documento apresenta conceitos básicos de probabilidade e estatística, incluindo definições de fenômenos determinísticos e aleatórios, variáveis aleatórias discretas e contínuas, e funções de probabilidade. [2] Também discute conceitos como espaço amostral, eventos, probabilidade condicional, teoremas da probabilidade total e de Bayes. [3] Por fim, exemplifica cálculos de probabilidade para lançamento de dados.
(1) O documento contém uma prova de fundamentos de matemática com 5 questões. (2) A primeira questão trata de proposições lógicas e tabelas-verdade. (3) A segunda questão avalia o entendimento de tautologias, contradições e equivalências lógicas.
Este documento apresenta conceitos básicos de probabilidade. Em três frases, resume:
1) É introduzido o conceito de modelo probabilístico para quantificar incertezas em fenômenos aleatórios;
2) São revisados conceitos da teoria dos conjuntos como espaço amostral e eventos para definir probabilidades;
3) São apresentadas as propriedades que uma função deve satisfazer para ser considerada uma probabilidade.
Este documento apresenta os conceitos fundamentais dos números reais, incluindo:
1) Define os conjuntos N, Z, Q e R e suas relações de inclusão;
2) Apresenta os axiomas da adição, multiplicação e distributividade que definem a estrutura algébrica de R;
3) Demonstra propriedades algébricas dos números reais usando raciocínios lógicos a partir dos axiomas.
O documento discute noções de teste de hipóteses estatísticas. Explica que um teste de hipóteses envolve estabelecer uma hipótese nula e alternativa sobre um parâmetro populacional e definir uma regra de decisão para aceitar ou rejeitar a hipótese nula com base nos resultados de uma amostra. Também discute conceitos como nível de significância, região crítica, erros tipo I e tipo II e hipóteses unilaterais e bilaterais.
O documento apresenta conceitos básicos da teoria da probabilidade, incluindo:
1) Define probabilidade como uma medida quantitativa das chances de um evento ocorrer;
2) Explica experimentos aleatórios, espaço amostral e eventos;
3) Apresenta os axiomas e propriedades da probabilidade de acordo com a definição de Kolmogorov.
P(A|F1) = 0,2, P(A|F2) = 0,05 e P(A|F3) = 0,02. F1, F2 e F3 formam uma partição do espaço amostral. Usando o Teorema de Bayes, calcula-se P(F1|A) = 0,4, ou seja, há 40% de chances da amostra adulterada ter vindo da fazenda F1.
Este documento discute lógica proposicional e raciocínio lógico. Apresenta conceitos como proposições simples e compostas, conectivos lógicos, tabela verdade, negações e validações. Explica como representar proposições logicamente e analisar suas possibilidades de validação usando tabelas verdade.
Este documento discute lógica proposicional e raciocínio lógico. Apresenta conceitos como proposições simples e compostas, conectivos lógicos, tabela verdade, negações e classificações como tautologia, contradição e contingência.
Este documento discute lógica proposicional e raciocínio lógico. Apresenta conceitos como proposições simples e compostas, conectivos lógicos, tabela verdade, negações e validações. Explica como representar proposições logicamente e analisar suas possibilidades de validação usando tabelas verdade.
Este módulo apresenta distribuições de probabilidade discretas e contínuas importantes para análise de confiabilidade, como binomial, Poisson, normal, uniforme e exponencial. Exemplos ilustram como calcular probabilidades e parâmetros dessas distribuições para problemas de engenharia de confiabilidade. Recomenda-se que os alunos consultem referências para maiores detalhes sobre as distribuições.
O documento introduz conceitos básicos de probabilidade, incluindo espaço amostral, eventos, definições clássica e frequentista de probabilidade, probabilidade condicional, teoremas da soma e da probabilidade total e teorema de Bayes.
Este documento apresenta exemplos de como definir conceitos matemáticos como números naturais, soma, multiplicação, exponenciação, fatorial, mínimo entre dois números, resto da divisão e maior divisor comum usando programação lógica. As definições são feitas de forma recursiva, começando pelos casos base e indo construindo os conceitos de forma incremental através de regras recursivas.
Estatística: Introduçao à Estimacao BayesianaRenato Vicente
1) O capítulo introduz a lógica indutiva versus dedutiva e como a estimativa bayesiana usa a lógica indutiva para determinar causas prováveis com base em evidências observadas.
2) Discute os axiomas de Cox e como eles levam ao teorema de Bayes, que resume o procedimento de análise de dados usando probabilidades condicionais.
3) Faz um breve histórico sobre como a estimativa bayesiana foi desenvolvida por Bernoulli, Bayes e Laplace, mas foi ignorada no século XIX devido a definições
Trabalho de física erro absoluto e erro relaticoBianca Araújo
1) Os alunos mediram 5 recipientes para encontrar o diâmetro, raio, comprimento e valor de π. Eles também calcularam o erro absoluto, erro relativo e valor mais provável.
2) O erro absoluto é a diferença entre o valor exato de um número e seu valor aproximado, enquanto o erro relativo é o erro absoluto dividido pelo valor aproximado.
3) O valor mais provável de uma grandeza medida várias vezes é a média aritmética das medidas, de acordo com o Postulado de Gauss.
1) O documento discute modelos probabilísticos discretos, incluindo variáveis aleatórias discretas e suas distribuições de probabilidade.
2) É introduzido o modelo uniforme para descrever experimentos como lançamento de dados, onde cada resultado tem a mesma probabilidade.
3) O modelo geométrico é usado para descrever o intervalo até a primeira falha em sistemas, como de aterrissagem de aviões, onde a probabilidade de falha é constante a cada uso.
Probabilidade um curso introdutório dantasAngelica Alves
1) O documento discute conceitos básicos de probabilidade, incluindo experimentos aleatórios, espaço amostral e eventos. 2) É apresentada a definição clássica de probabilidade baseada no conceito de eventos igualmente possíveis. 3) Diferentes abordagens para definir probabilidade são discutidas, incluindo definições clássica, freqüentista e subjetiva.
Semelhante a Curso de Inteligência Artificial - Parte 3 - (20)
1. O documento discute elementos da programação funcional em Lisp, incluindo funções como mapcar, lambda, ordenação de listas e igualdade.
2. É apresentado um roteiro com tópicos como ordenamento, igualdade e identidade, e funções para listas como append e reverse.
3. Exemplos demonstram o uso de funções como funcall, apply, mapcar, find e operações em listas como união e interseção.
Este documento discute paradigmas de programação funcional em Lisp. Resume os principais tópicos abordados: 1) Manipulação de variáveis e argumentos, incluindo escopo, variáveis opcionais e default; 2) Formatação de saída e forms especiais; 3) Tipos de dados como vetores, strings e estruturas.
O documento discute paradigmas de programação funcional em Lisp, apresentando:
1) Uma breve história da linguagem Lisp e seu dialeto mais popular CLisp;
2) Conceitos básicos como átomos, listas, funções predefinidas e definição de funções;
3) Mecanismos de controle de fluxo como condicionais if/cond.
O documento discute a programação funcional em JavaScript. Ele define programação funcional, foca em aspectos como manutenibilidade e testabilidade, e apresenta exemplos de funções puras, imutabilidade, mapas, filtros, reduce, currying e encadeamento de chamadas usando pipe/compose. O documento também menciona bibliotecas funcionais como Ramda e sugere estudar linguagens puramente funcionais após entender os conceitos básicos em JavaScript.
1) O documento discute programação funcional em Python, definindo o paradigma, focos e exemplos de como reduzir efeitos colaterais em programas. 2) Apresenta conceitos como funções puras e impuras, funções como cidadãos de primeira classe, partials e imutabilidade. 3) Discutem objetos versus variáveis em Python e tipos mutáveis e imutáveis na linguagem.
Este documento resume os principais conceitos da programação lógica em Prolog, incluindo:
1) Fatos, regras, variáveis e predicados para representar dados e relações;
2) Queries para extrair informação através da dedução lógica;
3) Exemplos simples usando uma família bíblica para ilustrar os conceitos.
O documento discute os paradigmas de programação imperativo e estruturado, apresentando as linguagens BASIC e FORTRAN como exemplos históricos. Inclui detalhes sobre recursos, comandos, variáveis, entrada/saída e exemplos de código nas duas linguagens.
O documento apresenta um programa de curso sobre paradigmas de programação, abordando três principais paradigmas: imperativo, declarativo e misto. O programa inclui tópicos como noções sobre paradigmas, abstração em linguagem de máquina e assembly, programação funcional e lógica, além de discutir a importância da linguagem de programação.
O documento apresenta um programa de curso sobre paradigmas de programação, abordando três principais paradigmas (imperativo, declarativo e misto) e suas respectivas linguagens (Assembly, Prolog, Python). O documento também discute a importância da linguagem de programação e exemplifica alguns paradigmas e linguagens como Assembly, Prolog, Ruby e outras.
O documento discute os conceitos básicos da programação orientada a objetos, incluindo classes e objetos, encapsulamento, herança, polimorfismo e comunicação por mensagens. É apresentada a evolução histórica das linguagens estruturadas para a programação orientada a objetos.
1) O documento discute programação funcional em Python, definindo o paradigma, focos e exemplos de como reduzir efeitos colaterais em programas. 2) Apresenta conceitos como funções puras e impuras, funções como cidadãos de primeira classe, partials e imutabilidade. 3) Discutem objetos versus variáveis em Python e tipos mutáveis e imutáveis na linguagem.
O documento discute representação do conhecimento através de grafos conceituais, incluindo características como nós de conceitos e relações, hierarquias de tipos, operações de generalização e especialização. Também apresenta a arquitetura de subsunção de Brooks, na qual a inteligência emerge de comportamentos organizados em camadas de tratadores de tarefas assíncronas.
Este documento apresenta conceitos fundamentais de probabilidade e crenças para sistemas de inteligência artificial. Discute como crenças podem ser representadas numericamente através de probabilidades para apoiar o raciocínio de agentes. Também introduz noções como espaço amostral, eventos, variáveis aleatórias e distribuições de probabilidade para modelar incerteza.
O documento discute conceitos de processos estocásticos como cadeias de Markov e redes bayesianas temporais para modelar sistemas dinâmicos com incerteza. Exemplos mostram como inferir probabilidades de estados futuros usando cadeias de Markov dadas evidências passadas, e tipos de inferência como filtragem, previsão e suavização são explicados.
Este documento apresenta exemplos de lógica difusa em Python, incluindo variáveis linguísticas, partições difusas, inferência difusa, sistemas de controle difuso, fuzificação, defuzificação e um exemplo completo de determinação de gorjeta em um restaurante usando lógica difusa.
O documento apresenta os principais conceitos da lógica difusa e teoria dos conjuntos difusos, comparando-os com a lógica clássica. Aborda funções de pertinência, operações com conjuntos difusos como união e intersecção, e definições como suporte, núcleo e corte de nível. O objetivo é fornecer os fundamentos teóricos para aplicações de sistemas difusos em controle e inferência.
1) O documento apresenta uma introdução aos conceitos básicos de planejamento em inteligência artificial, incluindo definições de plano, planejamento clássico, representação fatorial de estados e busca em espaços de estados.
2) É descrito o formalismo PDDL para representar domínios, estados, ações e problemas de planejamento. Exemplos ilustram como escrever domínios e problemas em PDDL.
3) São explicados conceitos como planejamento em ordem parcial vs ordem total, grafos de planejamento
O documento discute representação do conhecimento através de roteiros e quadros. Roteiros representam eventos dinâmicos ao longo do tempo em um contexto específico, enquanto quadros armazenam informações sobre objetos e suas propriedades. O documento fornece exemplos de um roteiro de restaurante e um quadro de quarto de hotel para ilustrar esses conceitos.
Este documento apresenta os principais conceitos de representação do conhecimento em inteligência artificial, incluindo engenharia do conhecimento, ontologias, redes semânticas, quadros de casos e dependências conceituais. Discute como representar conceitos, relacionamentos, ações e eventos para formalizar o conhecimento e permitir raciocínio e inferência.
O documento apresenta exemplos de recursividade em Prolog, incluindo recursividade normal, iterativa e acumulador. Também mostra o uso de corte (!) para podar a árvore de busca e melhorar a eficiência, destacando a diferença entre corte verde e corte vermelho. Por fim, explica brevemente tipos, predicados meta-lógicos e extra-lógicos em Prolog.
Atividades de Inglês e Espanhol para Imprimir - AlfabetinhoMateusTavares54
Quer aprender inglês e espanhol de um jeito divertido? Aqui você encontra atividades legais para imprimir e usar. É só imprimir e começar a brincar enquanto aprende!
O Que é Um Ménage à Trois?
A sociedade contemporânea está passando por grandes mudanças comportamentais no âmbito da sexualidade humana, tendo inversão de valores indescritíveis, que assusta as famílias tradicionais instituídas na Palavra de Deus.
PP Slides Lição 11, Betel, Ordenança para exercer a fé, 2Tr24.pptxLuizHenriquedeAlmeid6
Slideshare Lição 11, Betel, Ordenança para exercer a fé, 2Tr24, Pr Henrique, EBD NA TV, 2° TRIMESTRE DE 2024, ADULTOS, EDITORA BETEL, TEMA, ORDENANÇAS BÍBLICAS, Doutrina Fundamentais Imperativas aos Cristãos para uma vida bem-sucedida e de Comunhão com DEUS, estudantes, professores, Ervália, MG, Imperatriz, MA, Cajamar, SP, estudos bíblicos, gospel, DEUS, ESPÍRITO SANTO, JESUS CRISTO, Comentários, Bispo Abner Ferreira, Com. Extra Pr. Luiz Henrique, 99-99152-0454, Canal YouTube, Henriquelhas, @PrHenrique
Slides Lição 11, CPAD, A Realidade Bíblica do Inferno, 2Tr24.pptxLuizHenriquedeAlmeid6
Slideshare Lição 11, CPAD, A Realidade Bíblica do Inferno, 2Tr24, Pr Henrique, EBD NA TV, Lições Bíblicas, 2º Trimestre de 2024, adultos, Tema, A CARREIRA QUE NOS ESTÁ PROPOSTA, O CAMINHO DA SALVAÇÃO, SANTIDADE E PERSEVERANÇA PARA CHEGAR AO CÉU, Coment Osiel Gomes, estudantes, professores, Ervália, MG, Imperatriz, MA, Cajamar, SP, estudos bíblicos, gospel, DEUS, ESPÍRITO SANTO, JESUS CRISTO, Com. Extra Pr. Luiz Henrique, de Almeida Silva, tel-What, 99-99152-0454, Canal YouTube, Henriquelhas, @PrHenrique, https://ebdnatv.blogspot.com/
Slides Lição 11, CPAD, A Realidade Bíblica do Inferno, 2Tr24.pptx
Curso de Inteligência Artificial - Parte 3 -
1. Incerteza, Cap 13
Ronaldo F. Ramos, Dr.
ronaldo@cefet-ce.br
Adaptado de : aima.cs.berkeley.edu
2. Roteiro
! Incerteza
! Probabilidade
! Sintaxe e Semântica
! Inferência
! Independência e regra de Bayes
3. Incerteza
Seja a ação At = seguir para o aeroporto chegando t minutos antes do vôo
Esta ação At nos deixará pontualmente?
Problemas:
1. observalidade parcial (estado da rodovia, planos de outros motoristas, etc.)
2. sensores de ruído (relatórios com situação do tráfego)
3. incerteza nos resultados das ações (pneu furado, etc.)
4. complexidade excessiva da modelagem e previsão do tráfego.
Consequentemente uma abordagem puramente lógica poderia:
1. correr risco de falsa afirmativa: “A25 me deixará à tempo no aeroporto”, ou
2. levará a conclusões muitos fracas para tomada de decisões:
“A25 me deixará lá a tempo se não houver acidentes na ponte, se não chover e
meus pneus permanecerem intactos etc etc.”
(A1440 pode ser dito razoavelmente que chegarei a tempo, mas eu teria que
permanecer a noite toda no aeroporto …)
4. Métodos para tratamento da Incerteza
! Logica Default ou não monotônica:
! Assumir que meu carro não terá um pneu furado
! Assumir que A25 funcionará a não ser que seja contradita pela
evidência
! Questões: Que suposições são razoáveis? Como tratar
contradições?
! Regras com graus fictícios:
! A25 |→0.3 chegar a tempo
! Irrigador |→ 0.99 GramaMolhada
! GramaMolhada |→ 0.7 Chuva
! Questões: Problemas com combinações, ex., Irrigador causa
chuva??
! Probabilidade
! Modela o grau de crença do agente
! Dada uma evidência disponível,
! A25 me deixará a tempo com probabilidade 0.04
5. Probabilidade
Assertivas probabilisticas sumarizam os efeitos de :
! Preguiça: falha em enumerar exceções, qualificações, etc.
! Ignorância: falta de fatos relevantes, condições iniciais, etc.
Probabilidade Subjetiva:
! Probabilidades relatam proposições sobre o estado
de conhecimento do agente
! ex. P(A25 | não houve acidentes) = 0.06
Isto não são afirmações sobre o mundo.
Probabilidades de proposições podem mudar de acordo
com novas evidências:
ex., P(A25 | não houve acidentes as 5h)= 0.15
6. Tomando decisões em face da incerteza
Suponha que acreditemos que:
P(A25 me deixará a tempo| …) = 0.04
P(A90 me deixará a tempo|…) = 0.70
P(A120 me deixará a tempo| …) = 0.95
P(A1440 me deixará a tempo| …) = 0.9999
! Que ação devo escolher?
Dependerá de minhas preferências por vôos não
disponíveis vc tempo gasto esperando, etc.
! Teoria da Utilidade é usada para representar e inferir
preferências
! Teoria da Decisão = Teoria da Probabilidade + Teoria da
Utilidade
7. Sintaxe
! Elemento Básico: variável aleatória
! Semelhante a logica proposicional: mundos possíveis definidos pela
atribuição de valores a variáveis aleatórias.
! Variables aleatórias booleanas
ex., Cárie (tenho cárie?)
! Variáveis aleatórias discretas
ex., Tempo pode ser: <ensolarado,chovendo,nublado,nevando>
! Valores de domínios devem ser exautivos e mutuamente exclusivos
! Proposição elementar construída pela atribuição de um valor a A
! Proposições complexas formadas a partir de proposições elementares
e conectivos lógicos padrões. ex. Tempo = ensolarado ∨ Cárie = falso
variável aleatória: ex., Tempo = ensolarado, Cárie = falso
(abreviado como cárie)
8. Sintaxe
! Evento Atômico: Uma especificação completa
do estado do mundo sobre o qual o agente é
incerto
! Ex. Se o mundo consiste de apenas duas variáveis
aleatórias booleanas Cárie e DorDeDente, então
existem 4 possíveis eventos atômicos:
Cárie = falso ∧ DorDeDente = falso
Cárie = falso ∧ DorDeDente = verdade
Cárie = verdade ∧ DorDeDente = falso
Cárie = verdade ∧ DorDeDente = verdade
! Eventos atômicos são mutualmente
exclusivos e exaustivos
9. Axiomas da Probabilidade
! Para quaisquer proposições A, B
! 0 ≤ P(A) ≤ 1
! P(verdade) = 1 e P(falso) = 0
! P(A ∨ B) = P(A) + P(B) - P(A ∧ B)
10. Probabilidade a Priori
! Probabilidade a priori ou probabilidade incondicional de proposições
ex., P(Cárie = verdade) = 0.1 e P(Tempo = ensolarado) = 0.72 corresponde a
uma crença inicial antes da chegada de qualquer evidência nova.
! Distribuição de Probabilidade dá valores para todas possíveis
atribuições:
P(Tempo) = <0.72,0.1,0.08,0.1> (normalizado, i.e., soma é 1)
! Distribuição de probabilidade conjunta para um conjunto de variáveis
aleatórias dá a probabilidade de todos os eventos sobre estas variáveis
! Ex.
P(Tempo,Cárie) = uma matriz 4 × 2 de valores:
Tempo = sol chuva nuvens neve
Cárie = verdade 0.144 0.02 0.016 0.02
Cárie = falso 0.576 0.08 0.064 0.08
! Toda questão a cerca do domínio pode ser respondida pela
distribuição de probabilidade conjunta
11. Probabilidade Condicional
! Probabilidade Condicional ou posterior
! ex.P(cárie | dordedente) = 0.8
i.e., dado que dordedente é tudo o que sei.
! Se sabemos mais, ex. que cárie é dada. Então temos:
P(cárie | dordedente,cárie) = 1
! Novas evidências podem ser irrelevantes, permitindo a
simplificação, ex.,
P(cárie| dordedente, ensolarado) = P(cárie| dordedente) = 0.8
! Este tipo de inferência, sancionada pelo conhecimento do
domínio é crucial
12. Probabilidade Condicional
! Definição.
P(a | b) = P(a ∧ b) / P(b) se P(b) > 0
! A regra do produto dá uma formulação alternativa:
P(a ∧ b) = P(a | b) P(b) = P(b | a) P(a)
! Uma versão geral serve para distribuições inteiras. Ex.,
P(Tempo,Cárie) = P(Tempo | Cárie) P(Cárie)
! (Visto como um conjunto de 4 × 2 equações, não é
multiplicação de matrizes)
! Regra da Cadeia é derivada por sucessivas aplicações da regra
do produto:
P(X1, …,Xn) = P(X1,...,Xn-1) P(Xn | X1,...,Xn-1)
= P(X1,...,Xn-2) P(Xn-1 | X1,...,Xn-2) P(Xn | X1,...,Xn-1)
= …
= πi=n 1
P(Xi | X1, … ,Xi-1)
13. Inferência por enumeração
! Começa com a distribuição de probabilidade
conjunta:
DordeDente ~DordeDente
Boticão ~Boticão Boticão ~Boticão
0,108 0,012 0,072 0,008
0,016 0,064 0,144 0,576
Cárie
~Cárie
! Para qualquer proposição soma-se o eventos
atômicos onde a mesma é verdade.
P(carie=verdade)=0,108+0,012+0,072+0,008=0,2
(Chamada de probabilidade marginal)
Podemos também calcular
P(carie v dordedente) =
0,108+0,012+0,072+0,008+0,016+0,064=0,28.
etc.
14. Inferência por enumeração
! Iniciar com a distribuição conjunta:
! Pode calcular também as probabilidades
condicionais:
P(¬cárie | dordedente) = P(¬cárie ∧ dordedente)
P(dordedente)
= 0.016+0.064
0.108 + 0.012 + 0.016 + 0.064
= 0.4
15. Normalização
! Denominador pode ser visto como uma constante de
normalização
P(Cárie | DorDeDente) = α P(Cárie,DorDeDente)
= α [P(Cárie,DorDeDente,Boticão) + P(Cárie,DorDeDente,¬
Boticao)]
= α [<0.108,0.016> + <0.012,0.064>]
= α <0.12,0.08> = <0.6,0.4>
Idéia geral: Calcular a distribuição sobre a variável de consulta
fixando as variáveis de evidência e somando as variáveis
ocultas.
16. Inferência por enumeração
Normalmente estamos interessandos:
Na distribuição conjunta posterior das variáveis de consulta Y
sendo dados valores específicos (e) para as variáveis de evidência E
Sejam as variáveis ocultas H = X - Y - E
Então a totalização esperada dos valores da distribuição conjunta é
realizada pela soma das variáveis ocultas:
P(Y | E = e) = αP(Y,E = e) = αΣhP(Y,E= e, H = h)
! Os termos são partes da distribuição conjunta pelo fato de que Y, E e
H juntos são exaustivos dentro do conjunto de variáveis aleatórias.
Problemas óbvios:
1. Complexidade do pior caso é O(dn) onde d é a maior aridade (domínio da
variável aleatória)
2. Complexidade de espaço é O(dn) para armazenamento da distribuição
conjunta
3. Como encontrar valores para elementos de entrada em ordem O(dn)?
17. Independência
! A e B são independentes sse:
P(A|B) = P(A) ou P(B|A) = P(B) ou P(A, B) = P(A) P(B)
P(DorDeDente, Boticão, Cárie, Tempo)
= P(DorDeDente, Boticão, Cárie) P(Tempo)
! 32 entradas foram reduzidas a 12;
! Para n moedas independentes (não “viciadas “) teríamos O(2n)
→O(n) (! reduzida)
! Independência Absoluta é poderosa, mas rara.
! Odontologia é um campo amplo com centenas de variáveis ,
nenhuma das quais é independente. O que fazer?
18. Independência Condicional
! P(DorDeDente, Cárie, Boticão) tem 23 – 1 = 7 entradas
independentes
! Se temos cárie, a probabilidade de ter que usar o
boticão não depende do fato de termos dor de dente.
(1) P(boticão | dordedente, cárie) = P(boticão | cárie)
! O memos ocorre se não temos cárie:
(2) P(boticão | DorDeDente,¬cárie) = P(boticao | ¬cárie)
! Boticao é condicionalmente independente de
DorDeDente dado Cárie
! Declarações equivalentes:
P(DorDeDente | Boticao, Cárie) = P(DorDeDente | Cárie)
P(DorDeDente, Boticao | Cárie) = P(DorDeDente | Cárie) P(Boticao| Cárie)
19. Independência condicional-cont
! Escreve-se uma Distribuição conjunta completa
usando a regra da cadeia.
P(DorDeDente, Boticão, Cárie)
= P(DorDeDente | Boticão, Cárie) P(Boticão, Cárie)
= P(DorDeDente | Boticão, Cárie) P(Boticão | Cárie) P(Cárie)
= P(DorDeDente | Cárie) P(Boticão | Cárie) P(Cárie)
I.e., 2 + 2 + 1 = 5 números independentes
! Na maioria dos casos a independência reduz o
tamanho da representação da distribuição conjunta
de exponencial para linear em n .
20. Regra de Bayes
! Regra do produto: P(a∧b) = P(a | b) P(b) = P(b | a) P(a)
⇒ Regra de Bayes: P(a | b) = P(b | a) P(a) / P(b)
! Na forma de distribuição:
P(Y|X) = P(X|Y) P(Y) / P(X) = αP(X|Y) P(Y)
! Útil para determinação de uma probabilidade de
diagnóstico a partir da probabilidade causal:
! P(Causa|Efeito) = P(Efeito|Causa) P(Causa) / P(Efeito)
! E.g., seja M para o fator de alguém estar com meningite, S
para ter o percoço rígido:
P(m|s) = P(s|m) P(m) / P(s) = 0.8 × 0.0001 / 0.1 = 0.0008
21. Regra de Bayes e Independência Condicional
P(Cárie | DorDeDente ∧ Boticão)
= αP(DorDeDente ∧ Boticão | Cárie) P(Cárie)
= αP(DorDeDente | Cárie) P(Boticão | Cárie) P(Cárie)
! Modelo de Bayes Ingênuo (Naïve): (IDIOTA)
P(Causa,Efeito1, … ,Efeiton) = P(Cause) πiP(Effecti|Cause)
Número total de Parâmetros é linear em n
22. Redes Bayesianas
! Def: Notação gráfica para declarações de independência
condicional e consequentemente para uma especificação
compacta de distribuições conjuntas complexas
! Sintaxe:
! Um conjunto de “nós”, um por variável
! Um grafo direcional acíclico mostrando influencias diretas
! Uma distribuição condicional para cada nó dado seu pais
P (Xi | Pais (Xi))
! No caso mais simples, a distribuição condicional é representada como uma tabela de
prabilidade condicional dando a distribução sobre Xi para cada combinação de valores dos
pais
23. Exemplo de Rede Bayesiana
! A topologia da rede codifica as declarações de
independência condicional:
! Tempo é independente de outras variáveis
! DorDeDente and Boticão são condicionalmente
independentes dada cárie
24. Exemplo de Rede Bayesiana
! A topologia da rede codifica as declarações de
independência condicional:
! Tempo é independente de outras variáveis
! DorDeDente and Boticão são condicionalmente
independentes dada cárie
25. Exemplo do Alarme
Alguém estando no trabalho recebe o telefone do vizinho
João Rapadura dizendo que o alarme da casa está tocando,
mas a vizinha do outro lado Maria Amargura não
ligou.Algumas vezes o alarme é disparado por pequenos
tremores de terra. Será que tem um ladrão na casa?
Variáveis: Ladrão, Terremoto, Alarme,JoaoLiga, MariaLiga
A rede reflete o conhecimento "causal":
Um ladrão(burglar) pode disparar o alarme
Um terremoto (earthquake) pode disparar o alarme
O Alarme pode fazer Maria(Mary) telefonar
O Alarme pode fazer Joao(John) telefonar
27. Compactação da Rede
! Uma tabela com variáveis aleatórias booleanas Xi com k
parentes booleanos terá 2k linhas para a combinação de valores
dos pais
! Cada linha requererá um valor p para Xi = Verdade
(o valor para Xi = false é 1-p)
! Se cada variável não tem mais que k pais, a rede completa fará
O(n · 2k) valores
! I.e., cresce linearmente com n, vs. O(2n) para a distribuição
conjunta total
! Para a rede do alarme teremos 1 + 1 + 4 + 2 + 2 = 10 valores
(vs. 25-1 = 31)
28. Semântica da Rede
A distribuição conjunta total é definida como o produto
das distribuições condicionais locais
P (X1, … ,Xn) = πi = 1 P (Xi | Pais(Xi))
e.g., P(j ∧ m ∧ a ∧ ¬b ∧ ¬e)
= P (j | a) P (m | a) P (a | ¬b, ¬e) P (¬b) P (¬e)
29. Rede não puramente causal
! Vamos usar o exemplo do alarme com a seguinte ordem de
inserção dos nós:
! MaryCalls, JohnCalls, Alarme, Roubo e Terremoto.
Roubo
Terremoto
Alarme
JohnCalls
MaryCalls
30. Redes não puramente causais
" Problemas:
" A figura possui duas conexões a mais
" julgamento não natural e difícil das probabilidades
" Tendo uma rede puramente causal, teríamos um
número menor de conexões
31. Tipos de Inferência em Redes Bayesianas
Causal – Causa para efeito
" P(JohnCalls/Roubo) = 0,86
Roubo Alarme JohnCalls
Evidência Query
Diagnóstico – Efeito para Causa
" P(Roubo/JohnCalls) = 0,016
JohnCalls Alarme Roubo
Evidência Query
! Intercausal (entre causas com um efeito comum)
! P(Roubo/Alarme) = 0,376
! P(Roubo/Alarme ∧Terremoto) = 0,373
Roubo Alarme Terremoto
Query Evidência
32. Tipos de Inferências
" Mista (combinando duas ou mais das de cima)
" P(Alarme/JohnCalls ∧¬Terremoto) = 0,03
" Este é um uso simultâneo de inferência causal e diagnóstico.
JohnCalls Alarme Terremoto
Evidência Query Evidência
33. Independência de Novo
• Dependências
• Intuitiva.
• Dois nós conectados
influenciam um ao outro
simetricamente.
• Independências
• Exemplo: I (J;M|A),
I(B;E)
• Outros I(B;E|A)?
• -- d-seperation.
• (Separação Direcional)
34. Separação -d
M e B são separados-d Dado A
(Independentes)
B A M
35. Separação –d - Divergente
M e J são separados-d Dado A
(Independentes)
A
J M
Influencia pode
ocorrer de J em M se
não conhecemos A
mas I(J;M|A)
36. Separação –d – convergente
E e B são separados-d NÃO Dado A
(Independentes)
E B
A
E não pode influenciar
B dado que A não é
conhecido.
I(E;B)
37. Consultas (Query)
Informações interessantes das probabilidades conjuntas:
Qual a probabilidade de ambos Maria e John ligarem se
acontecer um roubo? P(M, J|B)
Qual a mais provável explicação para o fato que Maria
Ligou?
Pode ser Respondido por Inferência na RB
P(M,J|B)=P(B, M, J)/P(B) =
ΣA
E
P E B A M J P B
,
( ( , , , , )) / ( )
38. Algoritmo de Eliminação de Variáveis – Inferência
Exata
• Idéia: Somar uma variável por vez, gerando uma nova
distribuição em relação as outras variáveis conectando com a
variável eliminada.
• Quando Elimina-se E gera-se uma distribuição de A e B
• Alta Complexidade (NP-HARD) usar Algoritmos de Formação
de Agrupamentos /Árvores de Junção
39. Inferência Aproximada
! Amostagem direta
! Amostragem de rejeição
! Ponderação de probabilidade
! Simulação de Cadeias de Markov-
Algoritmo CMMC (Cadeia de Markov
Monte Carlo)
40. Modelos Temporais
R t-1 P(Rt)
V 0,7
F 0,3
R t-1
U t-1
R t
U t
R t+1
U t +1
R t P(Ut)
V 0,9
F 0,2
41. Modelos Temporais
Hipótese de Markov: Estado atual depende apenas
de um histórico finito de estados anteriores.
Processos de Markov ou Cadeias de Markov
Processo de Markov de Primeira Ordem:
P(Xt|X0:t-1) = P(Xt|Xt-1)
Usos: Filtragem, monitoramento e suavização
42. Modelos Temporais
! Redes bayesianas dinâmicas
! Casos especiais:
! MOM – Modelos Ocultos de Markov
! Filtros de Kalman
! Etc.
! Aplicações em PDS/Voz, Imagem, etc
! Fica para a próxima .........................