Outras formas de Inteligência Artificial

 Redes Multilayer Perceptron não são tudo o que existe em inteligência artificial, existem outras formas de utilizar esses sistemas, que não são simples aplicações de redes neurais, vamos ver abaixo alguns desses modos:

Aprendizado não Supervisionado

 Essa forma de aprendizado é utilizada quando temos um conjunto de dados, que não foi classificado, não existe no dataset, uma saída desejada, então o que podemos fazer com esse conjunto de dados? bem como não podemos definir um certo ou errado, visto que não existe uma referência, o que fazemos nesses casos e agrupar as amostras do conjunto de dados em grupos, essa aplicação é chamada também de clustering, esse tipo de processamento também é chamado de Self Organizyng Maps, ou SOM, foi desenvolvido por Teuvo Kohonem, e abaixo podemos ver um exemplo de aplicação feito com o programa MATLAB.

 

Depois de gerar o mapa, uma pessoa deve olhar para o resultado para dizer o que cada grupo representa.

Aprendizagem por Reforço (Reinforcement Learning)

 Esse tipo de inteligência artificial é bastante diferente dos outros, nele o sua aplicação irá se tornar um ambiente, e o sistema treinado será um agente, esse agente irá interagir com o ambiente à volta e irá receber recompensas, positivas e negativas dependendo das ações, a cada iteração a política do agente será alterada dependendo da recompensa da iteração anterior, e isso se repete até ser alcançada uma política ótima, que satisfaça o funcionamento da aplicação.

 

 

Deep Learning

 Com o aumento da capacidade dos processadores se tornou possível a manipulação do conjunto de dados, para que a máquina conheça muito melhor a aplicação em que está sendo usada,no deep learning são usadas camadas de pré-processamento chamadas de camadas convolucionais, essas camadas tornam um conjunto de dados que em seu estado natural já possuem uma grande quantidade de amostras, em conjuntos ainda maiores, por criar sub-amostras a partir das originais, por exemplo se as amostras são imagens de objetos, as camadas convolucionais podem simplesmente mudar o filtro de cor da imagem, a cor muda, mas o objeto continua sendo o mesmo, depois de passar pelas camadas convolucionais, as amostras e sub-amostras são inseridas em uma rede perceptron, essa rede não ira utilizar as funções de ativação que vimos anteriormente, mas usa no deep learning, as funções da familia ReLu (Rectified Linear Unit), com o uso dessas ferramentas a rede é treinada com muito mais amostras e é capaz de compreender melhor a aplicação em que está sendo usada. Porém essa melhoria na interpretação do problema tem seu custo, usar uma aplicação de deep learning exige muito processamento então computadores domésticos podem ter vários problemas em rodar essas aplicações, um jeito então de contornar esse problema é programar nossos programas de deep learning em IDEs online que usam processadores externos, como Google Colab.

 

 

Fonte:

Aulas de INART, no Instituto Federal de São Paulo, campus São Paulo, com o professor Miguel Angelo de Abreu de Sousa, no periodo de 11/2020 até 03/2021