Transferir como PDF, PPTX
Carregado porEsther Camilo
Introducao inteligenciaartificial
Este documento apresenta uma introdução à inteligência artificial e suas aplicações na biologia. Ele discute brevemente conceitos como agentes inteligentes e define inteligência artificial. Também descreve várias técnicas de aprendizado de máquina como árvores de decisão, redes bayesianas, clustering, máquinas de vetor de suporte e redes neurais e como elas podem ser usadas para análise de dados biológicos. Finalmente, fornece exemplos e links para aprendizado adicional sobre o assunto.
Mais conteúdo relacionado
Semelhante a Introducao inteligenciaartificial
Introducao inteligenciaartificial
- 1. Introdução à InteligênciaArtificial Esther Camilo 10/09/2013
- 2. Objetivo Introdução Se o objetivoda 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.
- 4.
- 5. Algumas definições Inteligência Artificialé 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.
- 7. Google Machine TranslationSystems Introdução
- 8. Google Machine TranslationSystems Introdução
- 9. Google Machine TranslationSystems Introdução
- 10.
- 11. Explosão de informaçãoem Biologia Introdução
- 12. Foco em aprendizadode 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.
- 14. Exemplo: Decisão dejogar tênis Técnicas
- 15. Exemplo: Decisão dejogar tênis Técnicas Todas as combinações → 3 x 3 x 2 x 2 = 36
- 16. Exemplo: Decisão dejogar tênis Técnicas Prever se joga ou não : sunny, mild, high, true
- 17. Exemplo: Decisão dejogar tênis Técnicas Prever se joga ou não : sunny, mild, high, true Outlook Humidity Wind Temperature
- 18. Como as árvoressão 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.
- 20.
- 21.
- 22. Foco em aprendizadode 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. Redes Bayesianas Técnicas P(sol)=0.5 P(aumento) =0.1 Sol $ Felicidade P(feliz) = 0.6 Rede de probabilidades
- 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. Redes Bayesianas Técnicas Problema deMonty Hall http://en.wikipedia.org/wiki/Monty_Hall_problem
- 26. Redes Bayesianas Técnicas Problema deMonty 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. Foco em aprendizadode 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. Clustering Técnicas É uma técnicade aprendizado não supervisionado Connectivity based clustering
- 29. Foco em aprendizadode 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. Support Vector Machine Técnicas Técnicade clusterização binária Pode ser útil para: 1 – Classificação de proteínas; 2 – Reconhecimento de letra de mão; 3 – Classificação de imagens.
- 31. Foco em aprendizadode 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. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/ 964324 Scientists havealready spent entire careers researching and implementing complex solutions. reconhecimento de padrões
- 33. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/ Oselementos 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. Redes Neurais Técnicas http://natureofcode.com/book/chapter-10-neural-networks/ Ospesos variam, enquanto o programa não executa a tarefa de forma satisfatória.
- 35.
- 36. Foco em aprendizadode 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. Programação genética Técnicas Éum 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. Programação genética Técnicas Éum 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. Algoritmo genético Técnicas Inicialize umpopulação com n indivíduos Calcule o desempenho de cada um. Selecione os melhores. Embaralhe a lista dos selecionados (cross-over). 11100110 11100110 11100110
- 40.
- 41.
- 42.