Inteligência
Computacional Aplicada
Inteligência
Inteligência
Computacional Aplicada
Computacional Aplicada
Conteúdo
Conteúdo
O que é “Inteligência” Computacional?
O que é “Inteligência” Computacional?
Áreas de Aplicação
Áreas de Aplicação
Técnicas Inteligentes
Técnicas Inteligentes
–
–
Sistemas Especialistas
Sistemas Especialistas
–
–
Lógica Nebulosa
Lógica Nebulosa
–
–
Redes
Redes
Neurais
Neurais
–
–
Algoritmos Genéticos
Algoritmos Genéticos
Sistemas Inteligentes do ICA
Sistemas Inteligentes do ICA
“Técnicas e sistemas computacionais
que imitam aspectos humanos, tais
como: percepção, raciocínio,
percepção, raciocínio,
aprendizado, evolução e adaptação
aprendizado, evolução e adaptação”.
O que é Inteligência
Computacional?
O que é Inteligência
O que é Inteligência
Computacional?
Computacional?
Sistemas Especialistas Lógica Fuzzy Redes Neurais Algoritmos Genéticos Sistemas Híbridos inferência humana processamento lingüístico neurônios biológicos evolução biológica aspectos combinados
Inspiração na Natureza
Inspiração na Natureza
Inspiração na Natureza
Sistemas Computacionais de
Suporte à Decisão
Sistemas Computacionais de
Sistemas Computacionais de
Suporte à Decisão
Suporte à Decisão
Sistemas Especialistas Lógica Fuzzy Redes Neurais Algoritmos Genéticos Sistemas Híbridos Aquisição de Conhecimento Aquisição de Conhecimento Previsão Previsão Otimização Otimização Controle Controle Planejamento Planejamento DataData Mining Mining Análise de Risco
Análise de Risco
Detecção de Fraude
Áreas de Aplicação
Áreas de Aplicação
Áreas de Aplicação
Energia
Finanças
Telecomunicações
Medicina
Meio-Ambiente
Indústria
Comércio
Meio AmbienteSimulação de Forno de Craqueamento da Refinaria REDUC Utilizando Redes Neurais Sensor Virtual por Redes Neurais para a Medição de Intemperismo na Produção do GLP Otimização da Distribuição Combustíveis por Algoritmos Genéticos
Alguns Projetos Desenvolvidos no ICA
Setor Tema Petroquímico Ensino Energia Industrial Comercial Econômico/ Financeiro
Software Educacional para o Ensino de Sistemas Inteligentes
Previsão de Carga Elétrica por Redes Neurais: Mensal, Horária, Pico, Intervalos 10min Sistema Híbrido de Detecção e Diagnóstico de Falhas em Sistemas Elétricos Otimização de Despacho por Algoritmos Genéticos
Otimização da Alocação de Capacitores em Sistemas Elétricos Controle de Cheias em reservatórios de usinas hidrelétricas Reconhecimento de Descargas Parciais em Equipamentos Elétricos
Sistema Inteligente de Reconhecimento de Imagens Bidimensionais Redes Neurais Aplicadas a Ensaios Não-Destrutivos de Materiais Condutores Sistemas Inteligentes Aplicados ao Reconhecimento de Voz
Otimização e Planejamento da Produção Controle e Navegação de Robos
Compressão de Imagens Digitalizadas por Redes Neurais
Otimização do Planejamento de Horários/Alocação de Salas por Algoritmos Genéticos Reconhecimento de Dígitos Manuscritos por Redes Neurais para Leitura de Código Postal Reconhecimento de Caracteres Impressos (OCR) Utilizando Redes Neurais
Previsão da Demanda de Lubrificantes
Descoberta de Padrões em Bancos de Dados Comerciais
Classificação/Segmentação de Clientes a partir de Informações Cadastrais em BD Planejamento de Fluxo de Caixa Inteligente (FCI)
Gerência de Carteira de Investimentos (Risco x Retorno) por Algoritmos Genéticos Previsão de Indicadores Financeiros por Redes Neurais
Previsão do Índice Bovespa por Redes Neurais Modelos Híbridos de Previsão de Séries Temporais
Empresa Sistema Inteligente Técnicas
Souza Cruz • Fluxo de Caixa Inteligente • Alg. Genéticos
Eletrobrás • Previsão do Consumo Mensal de Energia Elétrica • Redes Neurais
Embratel • Classificação de Clientes • Redes Neurais • Alg.Genéticos
PUC-Rio • Alocação de Salas de Aula • Avaliação da Produção Científica
• Alg. Genéticos • Lógica Fuzzy
Cia. Vale do Rio Doce
• Projeto S4: Planejamento e Otimização de Embarque de Minério no Porto de Tubarão
• Projeto S4-V2: Planejamento e Otimização de Embarque de Minério Porto de Tubarão • Projeto Monitor: Fase de Especificação
• Projeto Monitor: Fase de Desenvolvimento • Projeto SIMCAP: Simulação do Porto da Madeira
• Projeto TPMSIM-DXS
• Alg. Genéticos • Oracle • UML
Petrobrás • Inferência de Propriedades de Derivados do Petróleo • Gestão Conhecimento Instrumentação e Automação • Análise de Alternativas de Investimento em Projetos
de Exploração e Prospeção de Petróleo sob Incertezas Técnicas e de Mercado
• Otimização da Quantidade e Localização de Poços Petrolíferos para o Desenvolvimento de um Campo de Petróleo sob condições de certeza
• ANEPI-2: Análise Alternativas de Investimento Projetos de Exploração Prospeção Petróleo - FASE 2
• Redes Neurais • Sistemas Especialistas • Alg. Genéticos • Neuro-Fuzzy • UML • CORBA
ScoreTec • Software Vox Score para a aquisição, gerenciamento e análise da voz, para triagem de recursos humanos
• SQL Server • UML • Redes Neurais
Light • Sistema Inteligente Apoio à Decisão na Recuperação de Perdas por Fraude e na Caracterização dos Fraudadores
• Redes Neurais • Neuro-Fuzzy • Alg. Genéticos
Previsão de Demanda de Energia Elétrica
Demanda de Energia Elétrica:
mensal, horária, 10 em 10 min., horário de pico.
Previsão mensal de Demanda de Lubrificantes
Demanda de Lubrificantes
Previsão Consumo de cigarros
Consumo de cigarros:
semanal, mensal
Previsão de Safra de Cacau
Safra de Cacau
Previsão de Índices financeiros
Índices financeiros
Previsão
Previsão
Previsão
Previsão
Otimização do Fluxo de Caixa
Fluxo de Caixa
Otimização de Carteira de Investimentos
Carteira de Investimentos
Otimização de Alocação de Espaço Físico
Alocação de Espaço Físico
Planejamento da Manutenção de Máquinas
Manutenção de Máquinas
Planejamento de Embarque de Minério
Embarque de Minério
Otimização da Exploração de um Campo de
Exploração de um Campo de
Petróleo
Petróleo
Otimização e Planejamento
Otimização e Planejamento
Data
Data
Data Mining
Mining
Mining
Caracterização do Negócio
– extrair regras de BD que caracterizem o negócio
Enriquecimento de Banco de Dados
– inferir informações a partir de levantamento parcial
Segmentação da Base
– agrupar entradas “similares” em clusters
Classificação de Entradas
– pré-classificar um nova entrada em um cluster
Análise de Risco em Investimentos
Processos Industriais
Processos Industriais
Processos Industriais
Detecção e Diagnóstico de Falhas
– Rede Neural detecta falha na rede elétrica e Sistema Especialista fornece o diagnóstico
Manutenção Preditiva
– Rede Neural prevê momento ideal para a realização de manutenção
Inferência/Predição de Propriedades
– Rede Neural infere propriedades de derivados de petróleo em refinarias (intemperismo, etc)
Sistemas
Especialistas
Sistemas
Sistemas
Especialistas
Especialistas
⇒
São programas que armazenam e manipulam
o
conhecimento
conhecimento adquirido de um especialista
.
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
⇒
São programas que armazenam e manipulam o
conhecimento adquirido de um especialista
.
Requer entrevistas e observações para
extrair
extrair
o conhecimento
o conhecimento
.
.
Conhecimento é representado em formato
manipulável pelo computador
manipulável pelo computador
.
.
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Regras de produção
Regras de produção Regra i
IF <condição_1> AND <condição_2>...
THEN <ação_A> AND <ação_B> ....
Representação do Conhecimento
Representação do Conhecimento
Representação do Conhecimento
Regras de produção Regras de produção Regra iIF <condição_1> AND <condição_2>...
THEN <ação_A> AND <ação_B> ....
Exemplos:
IFCarro = BMW AND cidade = São Paulo
THEN seguro = 10% valor carro
IF carro = Fiat AND cidade = Icapuí
THEN seguro = 4% valor carro
Representação do Conhecimento
Representação do Conhecimento
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Base deconhecimento
IF Carro = BMW AND cidade = SP THEN seguro = 10%
IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4%
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Memória de Trabalho carro = Fiat cidade = Icapuí Base de conhecimentoIF Carro = BMW AND cidade = SP THEN seguro = 10%
IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4%
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Memória de Trabalho carro = Fiat cidade = Icapuí Base de conhecimentoIF Carro = BMW AND cidade = SP THEN seguro = 10%
IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4%
Máquina de Inferência
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Organização de Sistemas Especialistas
Memória de Trabalho carro = Fiat cidade = Icapuí Base de conhecimentoIF Carro = BMW AND cidade = SP THEN seguro = 10%
IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4% Máquina de Inferência Sistema de Explicações Aquisição de Conhecimento
Adequada para aplicações onde: o
conhecimento
conhecimento
(o especialista) é
acessível
acessível
,
as
regras são conhecidas
regras são conhecidas
e
fáceis
fáceis
de serem formuladas por este
especialista, e quando
explicações
explicações
são
necessárias.
Avaliação
Avaliação
Avaliação
utiliza representação explícita do conhecimento capazes de gerar justificativas (explicações) ausência de mecanismo automático de aprendizadoprocesso longo e caro de extração do conhecimento exigência de declarações precisas dos especialistas
Avaliação
Avaliação
Avaliação
Vantagens
Desvantagens
Aplicações Comerciais
Aplicações Comerciais
Aplicações Comerciais
Citibank, Análise de empréstimos pessoais,
National Westminster, Gerência de Carteira de Investimento
Midland Bank:
American Express: Sistema de Auxílio para Autorização de Crédito (CC)
Lógica
Nebulosa
Lógica
Lógica
Nebulosa
Nebulosa
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Técnica inteligente que tem como
objetivo modelar o modo
aproximado de raciocínio
aproximado de raciocínio
,
imitando a habilidade humana de
tomar decisões em um ambiente
de incerteza
incerteza e imprecisão
imprecisão
Permite que os sistemas inteligentes de
controle
controle
e
suporte à decisão
suporte à decisão
lidem com
informações imprecisas ou
nebulosas
nebulosas
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Permite que os sistemas inteligentes de
controle
controle
e
suporte à decisão
suporte à decisão
lidem com
informações imprecisas ou
nebulosas
nebulosas
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Exemplos:
• investimento de alto risco
• pressão média
• fluxo muito intenso
• alta temperatura
• muito jovem
Conjuntos Nebulosos
Grau de Pertinência a um Conjunto
Regras Nebulosas
Inferência Nebulosa
Novos Conceitos
Novos Conceitos
Novos Conceitos
Conjuntos Nebulosos
Conjuntos Nebulosos
Grau de Pertinência a um Conjunto
Regras Nebulosas
Inferência Nebulosa
Novos Conceitos
Novos Conceitos
Novos Conceitos
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
0 10 20 30 40 50 60
muito
jovem jovem velho muito velho
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
0 10 20 30 40 50 60
muito
jovem jovem velho muito velho
idade
Se idade igual a 40
40
então
sou
velho
velho
.
.
0 10 20 30 40 50 60
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
Conjuntos e Regras Rígidos
0 10 20 30 40 50 60
muito
jovem jovem velho muito velho
idade
Se idade igual a 40
40
então
sou
velho
velho
.
Se idade igual a 39
39
então
sou
jovem.
jovem.
Conjuntos Nebulosos
Grau de Pertinência a um Conjunto
Grau de Pertinência a um Conjunto
Regras Nebulosas
Inferência Nebulosa
Novos Conceitos
Novos Conceitos
Novos Conceitos
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0 10 20 30 40 50 60
1.0 0.5
10 20 30 40 50 60
muito
jovem jovem velho muito velho
grau de pertinência
idade
idade
muito
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
1.0 0.5 10 20 30 40 50 60 grau de pertinência idadePedro tem 40 anos.
Ele é jovem
jovem
ou velho
velho
?
muito
jovem jovem velho muito velho
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
1.0 0.65 10 20 30 40 50 60 grau de pertinência idadePedro tem 40 anos.
Ele é jovem
jovem
ou velho
velho
?
muito
jovem jovem velho muito velho
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
Pedro tem 40 anos.
Ele é jovem
jovem
ou velho
velho
?
Pedro é jovem
jovem
E velho
velho
,
ao mesmo tempo
(com graus diferentes)
Os graus de pertin
graus de pertin
ê
ê
ncia
ncia
demostram que Pedro não é
nem t
nem tã
ão jovem
o jovem
, nem t
nem t
ã
ã
o velho
o velho
Conjuntos Nebulosos
Grau de Pertinência a um Conjunto
Regras Nebulosas
Regras Nebulosas
Inferência Nebulosa
Novos Conceitos
Novos Conceitos
Novos Conceitos
Regras Nebulosas
SE idade é meia-idade
meia-idade
E pressão é
baixa
baixa
ENTÃO seguro é baixo
baixo
Sistema para Análise de
Seguro Saúde
Sistema para Análise de
Sistema para Análise de
Seguro Saúde
Seguro Saúde
Regras Nebulosas
SE idade é meia-idade E pressão é
baixa ENTÃO seguro é baixo
SE idade é
jovem
jovem
E pressão é alta
alta
ENTÃO seguro é alto
alto
Sistema para Análise de
Seguro Saúde
Sistema para Análise de
Sistema para Análise de
Seguro Saúde
Conjuntos Nebulosos
Grau de Pertinência a um Conjunto
Regras Nebulosas
Inferência Nebulosa
Inferência Nebulosa
Novos Conceitos
Novos Conceitos
Novos Conceitos
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0 Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 300 500 700 800 900 10001200 Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Alta Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100110 120 130 140 150 160 170 175 60 65 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0 Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 300 500 700 800 900 10001200 Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100110 120 130 140 150 160 170 175 60 65 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0 Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 300 500 700 800 90010001200 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo
Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100110 120 130 140 150 160 170 175 60 65
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0 Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 300 500 700 800 900 10001200 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0SE idade é jovem E pressão é alta ENTÃO seguro é alto
Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100110 120 130 140 150 160 170 175 60 65
Conjuntos Nebulosos
Conjuntos Nebulosos
Conjuntos Nebulosos
0.1 0.3 0.4 0.5 0.8 0.9 1.0 Alto Baixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1 Seguro 300 500 700 800 90010001200 Idade 20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 Meia-Idade Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0SE idade é jovem E pressão é alta ENTÃO seguro é alto
Baixa Pressão Mín. 50 55 60 70 75 80 85 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Alta 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Pressão Máx. 95 100110 120 130 140 150 160 170 175 60 65
Avaliação
Avaliação
Avaliação
Técnica utilizada em aplicações:
• onde o conhecimento envolve
conceitos
subjetivos
subjetivos
e
intrinsecamente
intrinsecamente
imprecisos
imprecisos
;
• e onde deseja-se obter
explicações
explicações
sobre o resultado do problema.
facilidade de lidar com dados imprecisos. facilita a descrição das regras pelos especialistas. menor número de regras. explicação do raciocínio especificação das funções de pertinência. necessidade de um especialista e/ou dados históricos.
Avaliação
Avaliação
Avaliação
NISSAN:
freios antiderrapantes
GM:
sistema de transmissão nebuloso
SANYO:
microondas
SHARP:
refrigeração
BOSCH:
máquinas de lavar
HITACHI:
aspirador
PANASONIC:
camcorder
Aplicações Industriais
Aplicações Industriais
Aplicações Industriais
Aplicações Comerciais
Aplicações Comerciais
Aplicações Comerciais
Yamaichi Securities: Sistema de Gerenciamento de Fundos
de Investimento
Fuji Bank: Sistema de Negociação de Bolsa de Valores
World Bank: Sistema de Investimento
Metus Systems: Sistema fuzzy de detecção de fraude no sistema de saúde
Aplicações do Curso
Aplicações do Curso
Controle de Coloração e Nível de Tanques
Controle de Braço mecânico com extração automática de regras Sistema de Análise de Seguro Saúde
Análise de Crédito Bancário
Previsão da Classificação da Volatilidade
Previsão de Carga Elétrica Horária e 10 em 10 min. Previsão de produção de cacau
“Clusterização” de Banco de Dados (países, imagens de satélite, etc) Análise de Hipertensão
Classificação de clientes inadimplentes Sistema de Avaliação de Risco Bancário
Sistema para definição de preço de produto novo Consultas Fuzzy a bancos de dados relacionais Análise de produção de empregados.
.
.
Redes Neurais
Redes
Redes Neurais
Redes
Redes
Neurais
Neurais
Modelo Computacional inspirado nos
neurônios biológicos e na estrutura do
cérebro com capacidade de adquirir,
armazenar e utilizar conhecimento
experimental.
Neurônio Biológico
Rede de Neurônios
10 bilhões neurônios
Aprendizado
Generalização
Associação
Reconhecimento de
Padrões
Neurônio Artificial
Estrutura em Camadas
centenas/milhares
Aprendizado
Generalização
Associação
Reconhecimento de
Padrões
Relação com a Natureza
Relação com a Natureza
Relação com a Natureza
CérebroCorpo Somático Neurônio Biológico
Redes Neurais
Redes
Redes
Neurais
Neurais
Dendritos Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Sinapses Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Redes
Neurais
Neurais
Dendritos Sinapses Dendritos
Axônio Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Sinapses Dendritos Axônio Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Redes
Neurais
Neurais
Neurônio Artificial w1 w2 w3 Pesos Sinapses Dendritos Axônio Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Redes
Neurais
Neurais
Neurônio Artificial w1 w2 w3 Pesos Propagação
Sinapses Dendritos Axônio Corpo Somático Neurônio Biológico
Redes Neurais
Redes
Redes
Neurais
Neurais
Neurônio Artificial w1 w2 w3 Pesos Propagação Ativação H 1 I 1 Entrada Escondida I 2 I 3 H 2 H 3
Estrutura da Rede Neural
Estrutura da Rede
Estrutura da Rede
Neural
Neural
O 1
Saída O 2
H 1 I 1 Atividade Neural Entrada Pesos Escondida I 2 I 3 H 2 H 3
Estrutura da Rede Neural
Estrutura da Rede
Estrutura da Rede
Neural
Neural
w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Pesos
Os pesos guardam o conhecimento (a memória) da Rede Neural. H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3
Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos
Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo
Treinamento da Rede Neural
Treinamento da Rede
Dados para Treinamento
H 1 I 1
Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 Erro =
-w w w w w w w w w w w w w w w w w w Pesos
Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Pesos são ajustados de acordo com o erro encontrado . H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos
Treinamento da Rede Neural
Treinamento da Rede
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos
Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo
Treinamento da Rede Neural
Treinamento da Rede
Dados para Treinamento
H 1 I 1
Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Erro =
-Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Alvo Pesos
Treinamento da Rede Neural
Treinamento da Rede
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w Alvo w w w w w w w w w w Pesos
Treinamento da Rede Neural
Treinamento da Rede
Treinamento da Rede
Neural
Neural
H 1 I 1 Atividade Neural Dados para Treinamento Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos Alvo
A Rede Neural é treinada até que o erro entre a saída da rede e o alvo seja satisfatório.
Treinamento da Rede Neural
Treinamento da Rede
H 1 I 1 Atividade Neural Entrada Pesos Escondida I 2 I 3 H 2 H 3 w w w w w w w w w O 1 Saída O 2 O 3 w w w w w w w w w Pesos
Utilização da Rede Neural
Utilização da Rede
Utilização da Rede
Neural
Neural
NOVO DADO NÃO APRESENTADO DURANTE O TREINAMENTO H 1 I 1 Atividade Neural Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos
Utilização da Rede Neural
Utilização da Rede
Utilização da Rede
Neural
Neural
NOVO DADO NÃO APRESENTADO DURANTE O TREINAMENTO
H 1 I 1
Atividade Neural
NOVO DADO NÃO APRESENTADO DURANTE O TREINAMENTO Entrada Pesos Escondida I 2 I 3 H 2 H 3 O 1 Saída O 2 O 3 w w w w w w w w w w w w w w w w w w Pesos
A Rede Neural é capaz de generalizar e reconhecer padrões distintos dos usados no treinamento.
Utilização da Rede Neural
Utilização da Rede
Utilização da Rede
Neural
Neural
Previsão de Séries Temporais
Previsão de Séries Temporais
Séries temporais janela alvo valor tempo Entradas da rede = n valores passados Saída Desejada = valor da série k passos à frente Ex: 5 valores passados Ex: valor um passo à frente
Previsão de Séries Temporais
Previsão de Séries Temporais
Séries temporais janela alvo Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro
Erro= alvo - previsto
Entradas da rede
Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro
Erro= alvo - previsto
Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro
Erro= alvo - previsto
Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto um passo à frente
Treinamento da Rede
Treinamento da Rede
Neural
Neural
Séries temporaisjanela
alvo
Ajuste dos pesos a partir do erro Erro=alvo - previsto Entradas da rede Saída da rede: Valor previsto um passo à frente
Previsão de Valores Futuros
Previsão de Valores Futuros
Séries temporaisjanela previsto
Saída da rede: Valor previsto
Previsão de Valores Futuros
Previsão de Valores Futuros
Séries temporais janela
previsto
Saída da rede: Valor previsto Entradas da rede: inclui valores previstos pela Rede
Previsão de Valores Futuros
Previsão de Valores Futuros
Séries temporais janela previsto Saída da rede: Valor previsto Entradas da rede: inclui valores previstos pela Rede
Avaliação
Avaliação
Avaliação
Técnica utilizada em aplicações:
• reconhecimento de padrões
ruidosos
ruidosos
e/ou
incompletos
incompletos
;
• e onde regras claras
não
não
podem
ser facilmente
formuladas;
formuladas;
•não necessita de
explicação do
explicação do
resultado.
resultado.
Vantagens
modelagem de
sistemas não lineares aprendizado automático tolerante a dados ruidosos e incompletos resposta rápida e precisa modelos compactos
Avaliação
Avaliação
Avaliação
Desvantagens ausência de explicações sensível a quantidade de dados disponíveltempo de treinamento pode ser grande.
Aplicações Industriais
Aplicações Industriais
Aplicações Industriais
Racal: Identificação de placas de veículos
Thomson: Sistemas de OCR
St. George’s Hospital: Sistema de classificação de tumores
CRAM: Sistema automático de seleção de laranjas
Aplicações Comerciais
Aplicações Comerciais
Aplicações Comerciais
Fidelity Investments: Gerência de Fundos de Investimento ($2 bilhões)
Chase Manhattan Bank: Detecção de Fraudes em Cartões de Créditos
Citibank (USA):Avaliação de Crédito
Nikko Securities: Sistema de Negociação do Índice da Bolsa
Hill Samuel/UCL: Sistema de Previsão de Fundos de Investimento
Aplicações do Curso
Aplicações do Curso
Previsão de Demanda de Energia Elétrica Previsão de Consumo de Lubrificantes Classificação de Clientes (Data Mining) Enriquecimento de Banco de Dados Análise de Crédito bancário
Classificação de Uso de Telefones(residencial e comercial)
Análise de anomalias cardíacas
Reconhecimento de expressões faciais Inferência de derivados de petróleo Clusterização de clientes
Clusterização de tipos de carvão
Algoritmos
Genéticos
Algoritmos
Algoritmos
Genéticos
Genéticos
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Algoritmo de
busca/otimização
busca/otimização
inspirado na
seleção natural e
seleção natural
reprodução
genética
genética.
Conceitos Básicos
Conceitos Básicos
Conceitos Básicos
Algoritmo de busca/otimização
inspirado na seleção natural e
reprodução genética.
Combina
sobrevivência do mais apto e
sobrevivência do mais apto
cruzamento
Indivíduo
Cromossoma
Reprodução Sexual
Mutação
População
Gerações
Meio Ambiente
Solução
Representação
Operador Cruzamento
Operador Mutação
Conjunto de Soluções
Ciclos
Problema
Analogia com a Natureza
Analogia com a Natureza
Analogia com a Natureza
Evolução NaturalEvolução Natural AlgAlg. Genéticos. Genéticos
Algoritmos Genéticos empregam um
processo adaptativo
adaptativo
e paralelo
paralelo
de busca de
soluções em problemas
problemas
complexos
complexos
.
Qual a finalidade de Algoritmos
Genéticos?
Qual a finalidade de Algoritmos
Qual a finalidade de Algoritmos
Genéticos?
Adaptativo
Adaptativo
–
informação corrente influencia a busca futura
Paralelo
Paralelo
–
várias soluções consideradas a cada momento
Problema Complexo
Problema Complexo
–
de difícil formulação matemática ou com grande
espaço de busca (grande número de soluções)
Qual a finalidade de Algoritmos
Genéticos?
Qual a finalidade de Algoritmos
Qual a finalidade de Algoritmos
Genéticos?
Genéticos?
Exemplo:Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx 2L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i l h ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i l h õ e s d e a n o s
Problema Complexo
Problema Complexo
Problema Complexo
109 inst/segExemplo:
Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx 2L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i l h ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i l h õ e s d e a n o s
Problema Complexo
Problema Complexo
Problema Complexo
109 inst/seg Exemplo:Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx 2L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i l h ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i l h õ e s d e a n o s
Problema Complexo
Problema Complexo
Problema Complexo
109 inst/segExemplo:
Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx 2L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i l h ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i l h õ e s d e a n o s
Problema Complexo
Problema Complexo
Problema Complexo
109 inst/seg Exemplo:Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx 2L N ú m e r o d e P o n t o s n o E s p a ç o T e m p o d e B u s c a L = 3 8 < 1 s e g L = 1 0 1 0 2 4 < 1 s e g L = 3 0 1 b i l h ã o 1 s e g L = 9 0 1 0 2 7 1 5 b i l h õ e s d e a n o s
Problema Complexo
Problema Complexo
Problema Complexo
109 inst/segProblema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
Busca de objetivo escondido em uma área
y0
Avaliação adapta a busca
(X0 , Y0) tá frio x0 tesouro tesouro x y
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
Busca de objetivo escondido em uma área
x1
y0
y1
Avaliação adapta a busca
(X0 , Y0) tá frio (X1 , Y1) tá morno x0 tesouro tesouro x y
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
Busca de objetivo escondido em uma área
x1
x2 y0
y2
y1
Avaliação adapta a busca
(X0 , Y0) tá frio (X1 , Y1) tá morno (X2 , Y2) tá quente! x0 tesouro tesouro x y
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
tesouro
tesouro
y
x
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
x xBB x xA A y yA A y y B B tesouro tesouro y x A A B B C D E
Área Muito Grande Busca Paralela
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
x xBB x xA A y yA A y y B B y x B B C D E cruzamento cruzamento A A tesouro tesouro
Problema da Cabra Cega
Problema da Cabra Cega
Problema da Cabra Cega
x xBB x xA A y yA A y y B B tesouro tesouro y x B B C D E cruzamento cruzamento (xxBB , ,yyAA) F F A
A Seleção: privilegia os indivíduos mais aptosSeleção
Operações Básicas
Operações Básicas
Operações Básicas
Seleção: privilegia os indivíduos mais aptos
Reprodução
Reprodução: indivíduos (palavras binárias) são
reproduzidos com base na aptidão
Operações Básicas
Operações Básicas
Operações Básicas
Seleção: privilegia os indivíduos mais aptos Reprodução: indivíduos (palavras binárias) são
reproduzidas com base na aptidão
Crossover
Crossover: troca de genes (pedaços de palavras)
Operações Básicas
Operações Básicas
Operações Básicas
Seleção: privilegia os indivíduos mais aptos Reprodução: indivíduos (palavras binárias) são
reproduzidas com base na aptidão
Crossover: troca de genes (pedaços de palavras)
Mutação
Mutação: troca aleatória de um gene (bit da palavra)
Operações Básicas
Operações Básicas
Operações Básicas
Problema:
Achar o valor máximo para f (x) = x2, x no limite de 0 a 63.
Exemplo
Exemplo
Exemplo
Problema:
Achar o valor máximo para f (x) = x2, x no limite de 0 a 63.
Representação da Solução:
Palavras binárias representando sucessivas potências de 2.
011100 => Representa 28
110101 => Representa 53 (uma solução mais apta)
Exemplo
Exemplo
Exemplo
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
População Cromossoma Palavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x2 ) 1296 324 484 1
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
Seleção em Algoritmos Genéticos
População Cromossoma Palavra A B C D 100100 010010 010110 000001 X 36 18 22 1 Aptidão (x2 ) 1296 484 1 A D C B Seleção Probabilidade Aptidão do de Seleção Cromossoma
≈
324Crossover
1 0 1 0 1 1 0 0 1 1 0 0Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Crossover
1 0 1 0 1 1 1 0 1 0 0 0
0 0 1 1 0 0 0 0 1 1 1 1
Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Pais Filhos
Mutação
Crossover
0 1 1 1 0 0 0 1 0 1 0 0 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Operadores de Algoritmos Genéticos
Pais Filhos
Antes
Cromossoma Palavra Aptidão
A 100100 1296 B 010010 324 C 010110 484 D 000001 1
Ciclo do Algoritmo Genético
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296 B 010010 324 C 010110 484 D 000001 1
Pais
Ciclo do Algoritmo Genético
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1 Pais Reprodução Crossover Mutação
Ciclo do Algoritmo Genético
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão
A 100100 1296 B 010010 324 C 010110 484 D 000001 1
f( )
Pais Reprodução Filhos Avaliação dos Filhos Crossover MutaçãoCiclo do Algoritmo Genético
Ciclo do Algoritmo Genético
Cromossoma Palavra Aptidão A 100100 1296 B 010010 324 C 010110 484 D 000001 1
f( )
Pais Reprodução Filhos Avaliação dos FilhosCiclo do Algoritmo Genético
Ciclo do Algoritmo Genético
Evolução
Avaliação
Avaliação
Avaliação
Técnica utilizada em aplicações:
• problemas
complexos
complexos
de
otimização
otimização
;
• problemas de
difícil modelagem
difícil modelagem
matemática;
•problemas com
grande espaço de
grande espaço de
busca
Vantagens
Técnica de busca global Otimização de problemas mal estruturados Dispensa formulação matemática precisa do problema
Desvantagens
Dificuldade na representação do cromossoma Evolução demorada em alguns problemas Modelagem depende de especialista em AGAvaliação
Avaliação
Avaliação
Aplicações Industriais
Aplicações Industriais
Aplicações Industriais
GENERAL ELECTRIC - Otimização de Projeto de Motores DC
BRITISH GAS - Otimização da Distribuição de Gás
BBN - Roteamento de Telecomunicações
Aplicações Comerciais
Aplicações Comerciais
Aplicações Comerciais
CAP VOLMAC - Avaliação de Crédito e Análise de Risco
S
EARCHS
PACE - Detecção de Fraude na Bolsa de LondresIOC - Planejamento dos Jogos Olímpicos
CAP Gemini - Avaliação de Empréstimos e Financiamentos
GWI - Modelagem Econômica
World Bank - Geração de Regras de Negociação na Bolsa