7/26/2019 3 Lista de Exeerccios

1/4

UNIVERSIDADE FEDERAL DO PIAU UFPIUniversidade Aberta do Piau UAPI

Polo: So !oo do Piau

Dis"i#lina: Inteli$%n"ia &o'#uta"ionalPro(essor &oordenador: Vini"ius )a"*ado

+utor a dist,n"ia: !asson Paulo da Silva+utor #resen"ial: )ar"elo -arbosa Pereira

Aluno: Fran"is"o )ar"os .o'es Sousa

/0 Lista de E1er""ios

2. DADAS AS SEGUINTES SITUAES, DIZER SE O INDICADO A SE APLICAR APRENDIZADO SUPERVISIONADO OU NO SUPERVISIONADO.a. Classificao de classes de animais.

No su#ervisionadob. Classificao de clientes de um banco em bons maus clientes.

Su#ervisionadoc. Diagnstico Mdico.

No su#ervisionadod. Classificaes de aes no mercado de valores.

No su#ervisionado

2. EXPLIQUE AS DIFERENAS DOS TRS TIPOS BSICOS DE APRENDIZADO:SUPERVISIONADO NO SUPERVISIONADO E APRENDIZADO POR REFORO.

R 3O a#rendi4ado su#ervisionado ocorre quando os conjuntos de exemplos so fornecidosao sistema com suas respectivas classes com isto objetiva!se classificar os novos conjuntos

ainda no rotulados. "o caracter#sticas desse aprendi$ado as atividades de predio tais

como% a& Classificao% previso de classes discretas pr!definidas. b& 'egresso% previso de

um valor numrico cont#nuo. No A#rendi4ado #or Re(or5oo agente atua em um ambientedescrito por um conjunto de poss#veis estados e pode executar para cada estado uma ao

dentro de um conjunto de aes poss#veis recebendo um valor de reforo a cada ve$ queexecuta uma ao. (ste reforo indica o valor imediato da transio estado!ao!novo estado.

)o longo do tempo este processo produ$ uma sequ*ncia de pares estado!ao e seus

respectivos valores de reforos. + objetivo do agente aprender uma pol#tica que maximi$e

uma soma esperada destes reforos a longo pra$o.

!. CO" RELAO A APRENDIZAGE" POR REFORO, EXPLIQUE SEUS ELE"ENTOSFUNDA"ENTAIS: POL#TICA, FUNO GAN$O, FUNO VALOR, "ODELO DOA"BIENTE.

R 3 A Polti"a de &ontroledefine o comportamento do agente sendo uma funo de estados

para aes )o , p-estado&. ) pol#tica pode ser simplesmente uma tabela ou em outroscasos pode envolver computaes complexas. A (un5o $an*o define a meta em um

problema )'. (la associa um estado -ou par estado!ao& do ambiente a um nmero

7/26/2019 3 Lista de Exeerccios

2/4

denominado gan/o. + objetivo do aprendi$ maximi$ar o gan/o acumulado em longo pra$o.

A (un5o valorindica o gan/o acumulado em longo termo a partir de um estado levando emconta os estados que sucedem o estado em considerao. O )odelo do A'biente imita ocomportamento do prprio ambiente. Dados o estado e a ao o modelo antecipa o prximo

estado e o gan/o% a& (stado corrente no instante t% s b& )o a ser tomada% a c& Modelo

antecipa o prximo estado.

67 DESCREVA OS CO"PONENTES DE U"A REDE NEURAL, EXPLICANDO AFUNCIONALIDADE DE CADA U" DOS ELE"ENTOS BSICOS DO ELE"ENTOPROCESSADOR %NEUR&NIO ARTIFICIAL' E AS SUAS POSS#VEIS ESTRUTURAS DEINTERCONEXO %POSS#VEIS TOPOLOGIAS PARA INTERCONEXO DOSPROCESSADORES'.' ! U'a rede neural arti(i"ial composta por v0rias unidades de processamento cujo

funcionamento bastante simples. (ssas unidades geralmente so conectadas por canais decomunicao que esto associados a determinado peso. )s unidades fa$em operaes apenas

sobre seus dados locais que so entradas recebidas pelas suas conexes. + comportamento

inteligente de uma 'ede 1eural )rtificial vem das interaes entre as unidades de

processamento da rede.

(. CO"O SE D O TREINA"ENTO DE U" PERCPTRON)

' 3 O treina'ento su#ervisionado do 'odelo de rede Per"e#tron consiste em ajustar ospesos e os t/res/olds de suas unidades para que a classificao desejada seja obtida. 2ara a

adaptao do t/res/old juntamente com os pesos podemos consider0!lo como sendo o peso

associado a uma conexo cuja entrada sempre igual 3 !4 e adaptar o peso relativo a essa

entrada. 5uando um padro inicialmente apresentado 3 rede ela produ$ uma sa#da. )ps

medir a dist6ncia entre a resposta atual e a desejada so reali$ados os ajustes apropriados nos

pesos das conexes de modo a redu$ir esta dist6ncia. (ste procedimento con/ecido como

'egra Delta. (sse principio se aplica a maioria dos treinamentos das redes neurais.

*. CONSIDERANDO REDES "ULTI+LAER PERCEPTRONS %"LP' TREINADAS CO" OALGORIT"O BAC- PROPAGATION, RESPONDA S SEGUINTES QUESTES:

A. 2ara que servem os termos 7 -taxa de aprendi$ado& e 8 -momentum& do algoritmo 9ac:

2ropagation; Como e por que eles influenciam no aprendi$ado da rede neural;R 3 8 3 A ta1a de a#rendi4ado serve para indicar a velocidade do aprendi$ado.A 'o'entu' determina o efeito das mudanas passadas dos pesos na direo atual do

movimento no espao de pesos.

-. 5ual a diferena entre o treinamento 9)1C'(M(1

7/26/2019 3 Lista de Exeerccios

3/4

dist6ncia entre objetos de grupos diferentes -"imilaridade intra!grupo&. + objetivo encontrar

um bom equil#brio entre essas dist6ncias sendo uma troca entre a similaridade intra!grupo e a

dissimilaridade inter!grupo dos objetos. )o tentar classificar um objeto o algoritmo fa$ quatro

operaes% @ >nsero% Determinar que categoria Amel/orA /ospeda um objeto novo. @ Criar

nova classe% Cria um novo agrupamento para o objeto @ Combinar% Combina duas classes e

coloca o novo objeto nela. @ Diviso% Divide uma classe e coloca o objeto em ambas as

classes.

&. (xplique o funcionamento da Balidao Cru$ada e para que ela serve.

' ! A valida5o "ru4ada uma ferramenta padro para an0lise e um importante recursopara ajudar a desenvolver e ajustar os modelos de minerao de dados. tili$a!se a validao

cru$ada depois de criar uma estrutura de minerao e os modelos de minerao relacionados

para assegurar a validade do modelo. "erve para comparar o valor de duas propriedades e

fal/a se no forem iguais e evitar overfitting e para averiguar robuste$ dos resultados.

)lgoritmo% 4& Divide o conjunto de exemplos em dois subconjuntos% conjuntos de

treinamento -

7/26/2019 3 Lista de Exeerccios

4/4

da roleta. Hinalmente a roleta girada um determinado nmero de ve$es dependendo do

taman/o da populao e so escol/idos como indiv#duos que participaro da prxima

gerao aqueles sorteados na roleta.