neurocomputa o baseada em conhecimento
Download
Skip this Video
Download Presentation
Neurocomputação Baseada em Conhecimento

Loading in 2 Seconds...

play fullscreen
1 / 26

Neurocomputação Baseada em Conhecimento - PowerPoint PPT Presentation


  • 68 Views
  • Uploaded on

Neurocomputação Baseada em Conhecimento. Prof. Júlio Cesar Nievola PPGIA PUCPR. Neurocomputação. Ênfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação “Conhecimento é poder” aplica-se

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Neurocomputação Baseada em Conhecimento' - sine


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
neurocomputa o baseada em conhecimento

Neurocomputação Baseada em Conhecimento

Prof. Júlio Cesar Nievola

PPGIA

PUCPR

neurocomputa o
Neurocomputação
  • Ênfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação
  • “Conhecimento é poder” aplica-se
  • A modelagem explícita do conhecimento representado por um sistema neurcomputacional continua sendo um tema de pesquisa

Prof. Júlio Cesar Nievola

neurocomputa o1
Neurocomputação
  • Neurocomputação baseada em conhecimento diz respeito a métodos que trabalham com a representação e processamento explícito de conhecimento onde um sistema de neurocomputação está envolvido
  • Inspirado historicamente na IA simbólica e nas redes neurais artificiais

Prof. Júlio Cesar Nievola

arquitetura
Arquitetura
  • Abordagem Híbrida
    • Módulos neural e simbólicos são distintos componentes, partilhando ou transferindo conhecimento
  • Abordagem Unificada
    • Conhecimento modelado usando conexões locais/distribuídas entre neurônios
  • Abordagem Translacional
    • Meio termo entre as abordagens

Prof. Júlio Cesar Nievola

sistema especialista
Sistema Especialista
  • Tem como objetivo a representação e uso de grandes quantidades de conhecimento, assegurando a sua integridade, consistência e exploração efetiva
  • Realiza uma tarefa de tomada de decisão complexa dentro de um domínio de problema bem específico

Prof. Júlio Cesar Nievola

arquitetura modular de sistemas especialistas
Arquitetura Modular de Sistemas Especialistas
  • Base de Conhecimentos
  • Base de Fatos
  • Máquina (ou Motor) de Inferência
  • Mecanismo de Explanação
  • Interface com o Usuário

Prof. Júlio Cesar Nievola

propriedades funcionais dos sistemas especialistas
Propriedades Funcionais dos Sistemas Especialistas
  • O usuário descreve o problema de maneira interativa
  • Deve inferir uma solução mesmo com informação incompleta ou imprecisa
  • Deve fornecer ao usuário alguma explicação de suas conclusões para justificar suas inferências (normalmente chamadas COMO? e POR QUÊ?)

Prof. Júlio Cesar Nievola

sistemas baseados em regras x sistemas neurais
Sistemas Baseados em Regras xSistemas Neurais
  • Tamanho da Tarefa
  • Aquisição e Edição do Conhecimento
  • Matching Parcial
  • Informação Incompleta
  • Capacidade de Explanação

Prof. Júlio Cesar Nievola

algoritmo vl 1 ann para representa o de regras
Algoritmo VL1ANN para Representação de Regras
  • Codificar variáveis de entrada como valores reais (numéricos)
  • FOR cada regra DO
    • FOR cada átomo da regra DO
      • Codificar o átomo como nova unidade relacional na camada 1 conectada à entrada na camada 0
    • Conectar todas as unidades relacionais da regra a uma nova unidade AND na camada 2
  • Conectar todas as unidades AND representando regras com a mesma conclusão a uma nova unidade OR na camada 3
  • FOR cada variável de saída Attr que não esteja ortogonalmente codificada DO
    • Mapear todas as unidades OR de Attr na camada 3 à uma única nova unidade de saída na camada 4

Prof. Júlio Cesar Nievola

estrat gias de integra o
Estratégias de Integração
  • Sistemas Híbridos
    • Dividir-e-conquistar
    • RNA embutida
    • Implementação neural de conhecimento explícito
    • Incorporação de regras em RNAs
    • Extração de regras de RNAs
    • Finalização de regras fuzzy em RNAs

Prof. Júlio Cesar Nievola

estrat gias de integra o1
Estratégias de Integração
  • Sistemas Neurais Especialistas
    • Tentativa de diminuir as desvantagens da representação implícita do conhecimento, introduzindo heurísticas
    • RNA “enriquecida” com outras funcionalidades para ter as características de sistemas especialistas
    • Exemplos: MACIE, EXPSYS

Prof. Júlio Cesar Nievola

macie matrix controlled inference engine
Posiboost

Placibin

Biramibio

Namastose

Superciliose

Pés

inchados

Ouvidos

vermelhos

Perda de

cabelos

Vertigem

Areta

sensitiva

Alergia a

Placibin

MACIE (“Matrix-Controlled Inference Engine”)

Prof. Júlio Cesar Nievola

arquitetura scandal
DATA PROBLEM

PRIOR KNOWLEDGE

Task specification

Training & test sets

Meta: NN knowledge

Base: Domain knowledge

Metalevel

Supervisor

Hint-B.

Training

Data Pre-

Processor

Search-B.

Config.

RN-to-NN

Compiler

Hint-B.

Config.

Data

Cleaners

AritifData

Generators

Knowledge

Extractors

Simulator

2

Simulator

N

Simulator

3

Simulator

1

Base Level

Configured and trained networks

Symbolic-Connectionist Architecture for Neural Network Design and Learning

Arquitetura SCANDAL

Prof. Júlio Cesar Nievola

seq ncia de passos nas arquiteturas translacionais
Seqüência de Passos nas Arquiteturas Translacionais
  • Obter conhecimento simbólico, ou seja, em forma estruturada do problema
  • Traduzir o conhecimento em uma RNA
  • Treinar a RNA para revisar e/ou refinar o conhecimento embutido na mesma
  • Extrair conhecimento simbólico da RNA
  • Refinar o conhecimento simbólico

Prof. Júlio Cesar Nievola

caracter sticas dos m todos translacionais
Características dos Métodos Translacionais
  • Tipo de representação do conhecimento prévio e final
    • Forma de regras => RNA em avanço
    • Autômatos => RNA recorrente
    • Grafos direcionados => neurônios recursivos
    • Árvores de decisão => representam o conhecimento prévio e/ou final extraído

Prof. Júlio Cesar Nievola

caracter sticas dos m todos translacionais1
Características dos Métodos Translacionais
  • Restrições baseadas na arquitetura
    • Arquitetura para mapear representação estruturada desejada
    • Número de camadas => nível requerido para mapear regras à topologia da RNA
    • Tipos de função de ativação => sigmóide ou baseada em fatores de certeza
    • Pesos: {-1,0,1} ou [-1,1]
    • Entradas: {0,1} ou {-1,1}

Prof. Júlio Cesar Nievola

caracter sticas dos m todos translacionais2
Características dos Métodos Translacionais
  • Método de treinamento
    • Restrições nos parâmetros durante treinamento: pesos fixos / faixa de valores
    • Modificações na topologia: adicionar ou apagar unidades
    • Modificação da função objetivo normal: termos de regularização que criam penalidade para obter pesos no conjunto desejado {-1,0,1}

Prof. Júlio Cesar Nievola

caracter sticas dos m todos translacionais3
Características dos Métodos Translacionais
  • Os métodos de extração do conhecimento pode ser baseados em requisitos de treinamento especializado e uma arquitetura de RNA restrita, ou dirigidos a uma RNA genérica, sem restrições com relação ao tipo de treinamento a ser efetuado sobre o conhecimento simbólico embutido

Prof. Júlio Cesar Nievola

extra o de regras
Extração de Regras
  • É a tarefa de converter modelos de redes neurais treinadas em representações mais facilmente compreensíveis
  • Surgiu em função de
    • Data Mining boom
    • Interesse em métodos como boosting, bagging e error-correcting output codes

Prof. Júlio Cesar Nievola

t cnicas de extra o de conhecimento de rnas
Técnicas de Extração de Conhecimento de RNAs
  • Decomposicional
    • Extração a nível de associações escondidas e de saída (dando origem às redes conexionistas baseadas em regras, RBCN)
  • Pedagógica
    • RNA vista como “caixa preta” e a extração ocorre sobre arquiteturas sem restrições
  • Eclética

Prof. Júlio Cesar Nievola

caracter sticas dos m todos de extra o de regras
Características dos Métodos de Extração de Regras
  • Compreensibilidade
    • Quanto são humanamente compreensíveis
  • Fidelidade
    • Quanto modela a RNA da qual foi extraída
  • Precisão
    • Previsão precisa sobre exemplos não vistos
  • Escalabilidade
    • Grandes espaços de entrada, unidades e conexões
  • Generalidade
    • Treinamento especial e/ou restrições

Prof. Júlio Cesar Nievola

extra o de regras baseadas em busca
Extração de RegrasBaseadas em Busca

Prof. Júlio Cesar Nievola

algoritmo subset
Algoritmo SUBSET
  • Extrai regras dos neurônios das camadas intermediárias e de saída
  • Busca subconjuntos de pesos para cada neurônio cuja soma supera o limiar
  • Grande número de possibilidade => processamento excessivo
  • Regras com grande número de antecedentes

Prof. Júlio Cesar Nievola

algoritmo subset1
Algoritmo SUBSET
  • FOR cada neurônio da camada escondida e intermediária DO
    • Formar Sp subconjuntos, combinando somente pesos positivos cujo somatório supera o limiar
    • FOR cada elemento P dos subconjuntos Sp DO
      • Formar Sn subconjuntos de N elementos, considerando as combinações mínimas de pesos negativos, tal que a soma absoluta destes pesos seja maior que a soma de P menos o valor do limiar
      • Formar a regra: IF P ANDNOT N THEN neurônio

Prof. Júlio Cesar Nievola

algoritmo trepan trees parroting networks
Algoritmo TREPAN (“TREes Parroting Networks”)
  • Independe da topologia da rede
  • Fornece uma árvore de decisão
  • Usa o método best-first
  • A classe de cada exemplo é definida por um oráculo (a própria RNA)
  • Usa exemplos complementares para garantir mínimo de exemplos

Prof. Júlio Cesar Nievola

ad