Graduação

Inteligência Computacional Aplicada (ELE1361)

Descrição

A Inteligência Computacional compreende a teoria e a aplicação de técnicas computacionais inspiradas em fenômenos naturais que incluem: Redes Neurais, Lógica Fuzzy e Computação Evolucionária. Essas técnicas têm sido aplicadas com sucesso em diversas áreas da engenharia e tecnologia, resolvendo problemas que eram difíceis para métodos convencionais ou mesmo sem solução. Sistemas computacionais desenvolvidos a partir dessas técnicas ditas inteligentes são, tipicamente: sistemas de apoio à decisão, classificação, planejamento, modelagem, reconhecimento de padrões, otimização, previsão, controle e automação industrial, mineração de dados e de síntese de sistemas. Tais sistemas encontram amplo emprego nos mais diversos setores, incluindo os de Energia, Comércio, Finanças, Indústria, Meio Ambiente, Medicina e Engenharias em geral.

O curso introduz as técnicas - Redes Neurais, Computação Evolucionária e Lógica Fuzzy - e exemplifica a sua aplicação em problemas reais de previsão, classificação, controle, otimização, planejamento, modelagem, inferência, mineração de dados, etc. O curso inclui aulas multimídias e práticas, utilizando software de ensino próprio e comerciais.

Redes Neurais são modelos computacionais inspirados na estrutura do cérebro, com o objetivo de apresentar características similares ao comportamento humano, tais como: aprendizado, associação, generalização e abstração. Devido a sua estrutura, as Redes Neurais são bastante efetivas no aprendizado de padrões a partir de dados não-lineares, incompletos, com ruídos e até compostos de exemplos contraditórios. Exemplos de aplicações típicas são: reconhecimento de padrões (imagens, texto, voz etc); previsão de séries temporais; agrupamento e classificação.

Computação Evolucionária compreende algoritmos probabilísticos (Algoritmos Genéticos) que fornecem um mecanismo de busca paralela e adaptativa baseado no princípio Darwiniano da evolução das espécies e na genética. O mecanismo é obtido a partir de uma população de indivíduos (soluções), representados por cromossomas (palavras binárias, vetores, matrizes etc), cada um associado a uma aptidão (avaliação do indivíduo da solução no problema), que são submetidos a um processo de evolução (seleção, reprodução, cruzamento e mutação) por vários ciclos. Existem inúmeros problemas de otimização (numérica, combinatorial) e de síntese de um sistema (programa de computador, circuito eletrônico, antena, etc.) nos quais o modelo matemático que representa o problema não é conhecido ou difícil de se obter. A Computação Evolucionária dispensa informação via modelos matemáticos precisos e oferece algoritmos de busca capazes de serem aplicados com simplicidade em problemas complexos, com grandes espaços de busca, de difícil modelagem, ou para os quais não há um algoritmo eficiente disponível.

A Lógica Fuzzy tem como objetivo modelar o modo aproximado de raciocínio, tentando imitar a habilidade humana de tomar.

Objetivos

Introduzir conceitos básicos de Redes Neurais, Algoritmos Genéticos e Lógica Fuzzy; exemplificar a modelagem e aplicação em problemas reais; apresentar softwares de ensino próprios (ICADEMO, WinGenesis, Fuzzy Rules e Cluster Analysis) e softwares comerciais (Evolver, WEKA e MATLAB/Toolboxes de RNs e LN).

Ementa

Redes Neurais: Definição e Características; Histórico, Conceitos Básicos e Aplicações; Neurônio Artificial; Estruturas de Interconexão; Processamento Neural - Aprendizado e Recuperação dos Dados; Tipos de Aprendizado - Supervisionado e Não-Supervisionado; Regras de Aprendizado - Algoritmos Neurais. Computação Evolucionária: Componentes de um Algoritmo Genético (AG); Desenvolvimento de Ags - Exemplo da Função Binária F6; Reprodução e Seleção; Outras Técnicas e Operadores; Problemas de Otimização Combinatorial - TSP, colorir grafo, produção industrial; Evolução de Regras de Classificação por Algoritmos Genéticos (Mineração de Dados); Introdução ao Evolver e ao RuleEvolver. Lógica Fuzzy: Introdução; Conjuntos Fuzzy; Relações e Composições Fuzzy; Lógica Fuzzy; Sistemas Fuzzy; Controle Baseado em Regras Lingüísticas.

Cursos
  • Engenharia Elétrica
  • Engenharia de Computação
  • Engenharia de Controle e Automação
Pré-Requisitos.

100 créditos

Professores

Marley Maria B. R. Velasco
Sala: 21 do Anexo - 4º andar (Leme)
E-mail: marley@ele.puc-rio.br

Marco Aurélio C. Pacheco
Sala: 20 do Anexo - 4º andar (Leme)
E-mail: marco@ele.puc-rio.br

Ricardo Tanscheit
Sala: 19 do Anexo - 4º andar (Leme)
E-mail: ricardo@ele.puc-rio.br

Bibliografia

Bibliografia Básica 1:
Título: Sistemas Inteligentes de Apoio à Decisão
Subtítulo: Análise Econômica de Projetos de Desenvolvimento de Campos de Petróleo sob Incerteza
Editora: Interciência
Cidade: Rio de Janeiro
Ano: 2007
ISBN: 978-85-7193-172-5
Nome do Autor 1: Marco Aurélio C. Pacheco
Nome do Autor 2: Marley Maria B.R. Vellasco

Bibliografia Básica 2:
Título: Sistemas Inteligentes:
Subtítulo: Fundamentos e Aplicações
Editora: Manole Ltda
Cidade: Barueri, SP
Ano: 2003
ISBN: 85-204-1683-7
Nome do Autor 1: Solange Oliveira Rezende

Bibliografia Complementar 1:
Título: Redes Neurais Artificiais:
Subtítulo: Teoria e aplicações
Editora: LTC - Livros Técnicos e Científicos Editora S.A.
Cidade: Rio de Janeiro
Ano: 2000
ISBN:
Nome do Autor 1: Antônio de Pádua Braga
Nome do Autor 2: André Carlos Ponce Ferreira Carvalho
Nome do Autor 3: Teresa Bernarda Ludermir

Bibliografia Complementar 2:
ítulo: Algoritmos Genéticos:
Subtítulo: Uma importante ferramenta da Inteligência Computacional
Editora: Brasport Livros e Mutimídia Ltda.
Cidade: Rio de Janeiro
Ano: 2006
ISBN: 85-7452-265-1
Nome do Autor 1: Ricardo Linden

Bibliografia Complementar 3:
Título: Inteligência Computacional Aplicada à Administração, Economia e Engenharia em MATLAB
Editora: Thomson Learning Edições Ltda.
Cidade: São Paulo
Ano: 2007
ISBN: 85-221-0560-X
Nome do Autor 1: H.A. Oliveira Jr. (coord.)
Nome do Autor 2: M.A.S. Machado
Nome do Autor 3: A.M. Caldeira
Nome do Autor 4: R.C. Souza
Nome do Autor 5: R. Tanscheit

Avaliação

Critério da Elétrica

Carga Horária

Teo=3; Exe=0; Lab=2 (SHF); Carga Hor. Total=75 horas

Outras Informações

Não disponível.

Ementa Detalhada

    1)Redes Neurais

  • Definição e Características: Aprendizado; Associação; Generalização; Abstração; Robustez
  • Histórico, Conceitos Básicos e Aplicações
  • Neurônio Artificial (Elemento Processador): Regras de Propagação e Funções de Ativação
  • Estruturas de Interconexão
  • Processamento Neural: Aprendizado e Recuperação dos Dados
  • Tipos de Aprendizado: Supervisionado e Não-Supervisionado
  • Regras de Aprendizado - Algoritmos Neurais
    • Perceptron: Algoritmo de Aprendizado e O Problema do OU-Exclusivo
    • Algoritmo de RetroPropagação de Erros - Back Propagation
      • Algoritmo de Aprendizado - Método do Gradiente Descendente
      • Taxa de Aprendizado e o Termo de Momento
      • Problemas de Network Paralysis e Mínimo Local
      • Super Parametrização e Capacidade de Generalização
      • Variações: Weight Decay e RPROP
      • Aplicações
    • Mapas Auto-Organizáveis (Self-Organizing Maps)
      • Aprendizado Competitivo
      • Mapas de Kohonen
      • Aplicações

    2)Computação Evolucionária

  • Componentes de um Algoritmo Genético (AG)