Aprendizagem
Last updated
Last updated
Aprendizagem é qualquer mudança num sistema que lhe permite ter um melhor desempenho ao executar pela segunda vez uma tarefa [Simon, 1983].
Aprendizagem é um processo orientado por objectivos através do qual se melhora o conhecimento usando a experiência e o próprio conhecimento [Michalski, 1994].
Aprendizagem = Inferência + Memorização
Inferência dedutiva – preserva a verdade.
Especialização dedutiva – restringir o conjunto de referência
Se
Generalização dedutiva – alargar o conjunto de referência.
Dedução simples.
Abstracção.
Inferência indutiva – não preserva a verdade, mas é essencial para a aprendizagem.
Generalização indutiva – alarga o conjunto de referência; é o inverso da especialização dedutiva.
Se
Especialização indutiva – o inverso da generalização dedutiva.
Abdução – gera uma premissa a partir da qual se poderá deduzir uma dada observação.
Concretização – Adiciona detalhes sobre o conjunto de referência.
Aprendizagem supervisionada – cada exemplo contém uma instância do conceito a aprender, que está devidamente identificado.
Redes neuronais, árvores de decisão, etc.
Aprendizagem semi-supervisionada – apenas uma (pequena) pequena parte dos exemplos contém informação do conceito a aprender.
Aprendizagem por reforço – o agente aprende o seu comportamento tendo em conta as recompensas (positivas ou negativas) que recebe pelas suas ações.
Aprendizagem não supervisionada – neste caso é o próprio processo de aprendizagem que descobre um novo conceito.
Algoritmos de agrupamento (clustering).
Quantidade de exemplos.
Muitos exemplos.
Redes neuronais, árvores de decisão.
Um ou poucos exemplos.
Aprendizagem baseada em explicações (EBL): usa generalização dedutiva
Aprendizagem analógica / baseada em casos (CBR)
Utilização de símbolos e números.
Aprendizagem simbólica – o conhecimento aprendido está representado numa forma equivalente a lógica proposicional ou de primeira ordem.
Regras, árvores de decisão, EBL, CBR.
Aprendizagem conectionista / sub-simbólica.
Redes neuronais, redes de Bayes, árvores de regressão.
Como aprender a prever qual vai ser a evolução do lucro numa empresa de produtos informáticos?
Um conjunto de atributos ou características.
A = { A1 , ..., An }
Cada atributo pode assumir valores dentro de um conjunto finito de valores simbólicos.
A i = { Ai1 , ..., Aik }
Os objectos do domínio estão organizados em classes
C = { C1 , ..., Cm }
O problema é aprender a reconhecer a classe (=classificar) do objecto dada uma descrição desse objecto em termos dos atributos em A.
O processo de aprendizagem baseia-se numa colecção de exemplos de treino, S.
É gerada uma função f : A -> C tal que:
Por generalização indutiva chega-se a:
Isto chama-se Aprendizagem por Indução.
Para cada classe C, fazer o seguinte.
Estão nesta categoria algoritmos bem conhecidos como o AQ e o CN2.
Critérios de comparação e selecção de regras para refinamento.
Pc/Tc – sendo Pc o número de exemplos positivos cobertos e Tc = Pc+Nc o número total de exemplos cobertos.
Pc+Ne – sendo Pc o número de exemplos positivos cobertos e Ne o número de exemplos negativos excluídos.
A árvore de decisão é gerada através de um processo recursivo descendente (TDIDT – Top-Down Induction of Decision Trees).
