Inteligencia artificial 1
3 gostaram4,336 visualizações
O documento introduz o conceito de inteligência artificial, discutindo sua definição, o teste de Turing, e exemplos de aplicações como reconhecimento de padrões, veículos autônomos e tradução automática. O documento também discute brevemente abordagens como redes neurais e algoritmos evolucionários.
![43
>>> a = ['João', 'Rafael', 'Douglas']
>>> a
['Joxe3o', 'Rafael', 'Douglas']
>>> for i in a:
print i
Introdução ao Python](https://image.slidesharecdn.com/inteligenciaartificial-1-170130045331/85/Inteligencia-artificial-1-43-320.jpg)
Inteligencia artificial 1
- 1. Inteligência Artificial Professor: Francisco Nauber Bernardo Gois Introdução a Inteligência Artificial 1
- 2. Objetivos Ao final da aula o aluno saberá o conceito e tipos de inteligência artificial. Aprender conceitos básicos da linguagem python. 2
- 3. O que é Inteligência Artificial? 3
- 4. 4 Artificial (Michaelis) é algo produzido pelo homem e não por causas naturais Inteligência (Michaelis) • é a faculdade de aprender, compreender e adaptar-se Outras acepções para o termo: • (teológica) é um dom divino que nos torna semelhantes ao Criador • (filosófica) é um princípio abstrato que é fonte da intelectualidade • (psicológica) é a capacidade de resolver problemas com rapide e êxito
- 5. Teste de Turing (1950) 5 “Máquinas podem pensar?" Q: Por favor, escreva-me um soneto. A: Conte-me mais sobre o assunto. Eu nunca poderia escrever poesia. Q: Adicionar 34957 a 70764. A: (Pausa cerca de 30 segundos e, em seguida, dar como resposta) 105621
- 6. 6 Programar sistema de computador para passar no Teste de Turing é uma tarefa muito difícil. Tal sistema precisaria ter pelo menos as seguintes capacidades: – processamento de linguagem natural: para comunicar-se com o usuário; – representação de conhecimento: para armazenar o que sabe ou aprende; – raciocínio automatizado: para usar o conhecimento armazenado com a final- idade de responder perguntas ou tirar novas conclusões; – aprendizado de máquina: para adaptar-se a novas circunstâncias, detectar e extrapolar padrões, a fim de atualizar o seu conhecimento armazenado.
- 7. 7 • As máquinas podem pensar? Esta é uma questão que tem ocupado filósofos desde Decartes. Mas mesmo as definições de "pensar" e "máquina" não são claras. Alan Turing, o renomado matemático e disjuntor de código que lançou as bases da computação, apresentou um teste simples para contornar essas preocupações filosóficas. • No teste, um interrogador conversa com um homem e uma máquina através de um canal de texto. Se o interrogador não adivinhar qual é a máquina, então a máquina é dito ter passado o teste de Turing. (Esta é uma simplificação, há mais nuances e variantes do teste de Turing, mas não são relevantes para os nossos propósitos atuais.) • A beleza do teste de Turing é a sua simplicidade e objetividade, pois é apenas um teste de comportamento, não dos internos da máquina. Não importa se a máquina está usando métodos lógicos ou redes neurais. Esta dissociação do que resolver a partir de como resolver é um tema importante nesta classe.
- 9. 9
- 10. 10 • Mas talvez imitar os seres humanos é realmente a métrica errada quando se trata de pensar em inteligência. É verdade que os seres humanos possuem habilidades (linguagem, visão, controle motor) que atualmente ultrapassam as melhores máquinas, mas por outro lado, as máquinas claramente possuem muitas vantagens sobre os seres humanos (por exemplo, velocidade). Por que se contentar com o desempenho em nível humano? • O estudo de como os seres humanos pensam é fascinante e é bem estudado no campo da ciência cognitiva. Nesta classe, no entanto, estaremos principalmente preocupados com a meta de engenharia de construir sistemas inteligentes, tirando de humanos apenas como uma fonte de tarefas e motivação de alto nível.
- 11. 11 O que a Inteligência Artificial pode fazer por nós?
- 12. 12 Em que á area o uso de Inteligência Artificial pode ter mais impacto na sociedade?
- 13. “Máquinas serão capazes em 20 anos de fazer o que quaisquer homens podem fazer?" Herbert Simon 1965 13
- 14. “Após uma geração, o problema de criar uma inteligência artificial vai estar substancialmente resolvido " Marvin Minsk 14
- 15. 15
- 16. 16
- 17. 17 Reconhecimento de escrita a mão http://scikit-learn.org/stable/auto_examples/classification/ plot_digits_classification.html
- 18. 18 • Em 1983, o Serviço Postal dos Estados Unidos (USPS) e a Universidade de Buffalo iniciaram uma colaboração para reconhecer automaticamente os dígitos manuscritos do código postal. • Em 1989, Yann LeCun e seus colegas publicaram um artigo sobre o uso de redes neurais convolucionais para reconhecer códigos postais manuscritos. • O primeiro sistema foi então implantado em 1997, economizando 100 milhões de dólares. • Hoje, 83% dos 70 milhões de endereços manuscritos por dia são classificados automaticamente e os métodos foram refinados para usar o contexto completo do endereço.
- 20. 20 • A pesquisa de tradução automática começou na década de 1960 (o governo dos EUA estava muito interessado em traduzir o russo para o inglês). Durante as décadas subseqüentes, ele passou por algumas voltas ásperas. • Nos anos 90 e 2000, a tradução automática estatística, auxiliada por grandes quantidades de traduções de exemplo, ajudou a melhorar significativamente a qualidade da tradução. • A partir de 2015, o Google Tradutor suporta 90 idiomas e atende a mais de 200 milhões de pessoas diariamente. As traduções estão longe de ser perfeitas, mas são muito úteis.
- 22. 22 • Siri da Apple, Google Now, Microsoft Cortana, Amazon Echo e outros assistentes virtuais também estão se tornando reais. • Uma grande parte disso é devido às dramáticas melhorias no reconhecimento de fala nos últimos sete anos (graças a redes neurais profundas). • No entanto, o reconhecimento de fala é apenas uma parte da história; O outro é entender o texto, que é um problema muito mais difícil. Os sistemas atuais não manipulam muito mais do que enunciados e ações simples (por exemplo, definir um alarme, enviar um texto, etc.), mas a área de compreensão da linguagem natural está crescendo rapidamente
- 25. 25 A pesquisa em carros autônomos começou na década de 1980, mas a tecnologia não estava lá. • Talvez o primeiro evento significativo tenha sido o Grande Desafio 2005 da DARPA, no qual o objetivo era ter um carro sem motorista percorrer um percurso de 132 milhas. Stanford terminou em primeiro lugar. O carro foi equipado com vários sensores (laser, visão, radar), cujas leituras precisavam ser sintetizadas (usando técnicas probabilísticas que aprenderíamos dessa classe) para localizar o carro e gerar sinais de controle para a direção, aceleração, E freio. • Em 2007, a DARPA criou um desafio urbano ainda mais difícil, que foi conquistado pela CMU. • Em 2009, o Google iniciou um programa de auto-condução automóvel, e desde então, os seus auto-condução carros têm impulsionado 1 milhão de milhas em rodovias e ruas. • Em janeiro de 2015, Uber contratou cerca de 50 pessoas do departamento de robótica da CMU para construir carros auto-dirigidos. • Embora ainda haja questões tecnológicas e políticas a serem trabalhadas, o impacto potencial sobre o transporte é enorme.
- 26. 26
- 28. 28 • Talvez o aspecto da inteligência artificial que capture a imaginação do público mais é na derrota dos seres humanos em seus próprios jogos. • Em 1997, Deep Blue derrotou Gary Kasparov, o campeão mundial de xadrez. Em 2011, a IBM Watson derrotou dois dos maiores vencedores (Brad Rutter e Ken Jennings) no quiz show Jeopardy! (A IBM parece ser muito boa em realizar este tipo de acrobacias.) • Poder-se-ia ter argumentado que o Deep Blue venceu simplesmente pela pura força de sua proeza computacional, enquanto ganhando Jeopardy! Envolveu a compreensão da linguagem natural, e esta derrota bateu mais perto de casa.
- 29. 29
- 30. 30
- 31. 31 Web search Speech recognition Handwriting recognition Machine translation Information extraction Document summarization Question answering Spelling correction Image recognition 3D scene reconstruction Human activity recognition Autonomous driving Music information retrieval Automatic composition Social network analysis ... ... Product recommendation Advertisement placement Smart-grid energy optimization Household robotics Robotic surgery Robot exploration Spam filtering Fraud detection Fault diagnostics AI for video games Character animation Financial trading Dynamic pricing Protein folding Medical diagnosis Medical imaging Outras aplicações de Inteligência Artificial
- 32. 32
- 33. 33 Hipótese: um modelo preciso do cérebro humano é suficiente para reproduzir inteligência Aplicação: problemas imprecisos definidos por exemplos (e.g., reconhecimento de voz) Principal contribuição: redes neurais artificiais Abordagem Conexionista
- 34. 34 Hipótese: a solução de um problema pode ser obtida pela evolução de uma população de indivíduos que carregam genes com informações relevantes para o problema Aplicação: problemas de otimização difíceis (e.g., escalonamento) Principal contribuição: algoritmos genéticos Abordagem Evolucionista
- 35. 35 • 1956: Oficina de Dartmouth, John McCarthy cunhou "AI" • 1960: verificadores que jogam o programa, teórico lógico • 1966: Relatório ALPAC corta financiamento para tradução • 1974: relatório Lighthill corta financiamento no Reino Unido • 1970-80: sistemas especialistas (XCON, MYCIN) na indústria • 1980s: sistema de computador de quinta geração (Japão); Estratégico Computação Initativa (DARPA) • 1987: colapso do mercado Lisp, corte do financiamento do governo • 1990-: aumento da aprendizagem mecânica • 2010: investimento da indústria pesada em aprendizagem profunda
- 36. 36 • Mas isso também é o que as pessoas pensavam na década de 1960. Ok, então talvez as pessoas julgassem mal a dificuldade do problema. Mas aconteceu novamente na década de 1980, levando a outro inverno IA. Durante esses invernos da IA, as pessoas evitavam a expressão "inteligência artificial" como para não serem rotuladas como lunáticos. • No último renascimento, temos novas técnicas de aprendizado, toneladas de dados e toneladas de computação. Então, cada ciclo, estamos realmente fazendo progressos. Será desta vez diferente? • Devemos ser otimistas e inspirados sobre o potencial impacto que os avanços na IA podem trazer. Mas, ao mesmo tempo, precisamos ser fundamentados e não ser surpreendido pelo hype. Esta classe é sobre fornecer esses conhecimentos, mostrando como os problemas de IA podem ser tratados rigorosamente e matematicamente.
- 37. 37 Reconhecimento de padrões Faz predições a partir dos dados Inspirados no sistema nervoso humano. Redes neurais podem processar um conjunto maior de informações Redes neurais profundas
- 38. 38
- 39. 39 __author__="nauber" __date__ ="$31/05/2010 06:59:46$" if __name__ == "__main__": print "Hello World" Introdução ao Python
- 40. 40 >>> a=1 >>> b=2 >>>a==b #==testaseaéigualab False >>> a != b # != testa se a é diferente de b True >>> a <> b # <> também testa se a é diferente de b True >>> a > b # > testa se a é maior que b Introdução ao Python
- 41. 41 >>> 2**3 # É o mesmo que 23 (dois ao cubo). 8 >>> 2**(3+6) # Dois elevado a 9 512 Introdução ao Python
- 42. 42 >>> valor1='Boa tarde!' >>> valor1 'Boa tarde!' >>> type(valor1) <type 'str'> Introdução ao Python
- 43. 43 >>> a = ['João', 'Rafael', 'Douglas'] >>> a ['Joxe3o', 'Rafael', 'Douglas'] >>> for i in a: print i Introdução ao Python
- 45. 45 Jogo da Velha
- 46. 46