Disciplina Discipline PCS5708
Técnicas de Raciocínio Probabilístico em Inteligência Artificial

Probabilistic Reasoning Techniques in Artificial Intelligence

Área de Concentração: 3141

Concentration area: 3141

Criação: 13/11/2023

Creation: 13/11/2023

Ativação: 13/11/2023

Activation: 13/11/2023

Nr. de Créditos: 8

Credits: 8

Carga Horária:

Workload:

Teórica

(por semana)

Theory

(weekly)

Prática

(por semana)

Practice

(weekly)

Estudos

(por semana)

Study

(weekly)

Duração Duration Total Total
3 1 6 12 semanas 12 weeks 120 horas 120 hours

Docente Responsável:

Professor:

Paulo Sergio Cugnasca

Objetivos:

Este curso tem por objetivo apresentar técnicas de aplicação e extensão da teoria clássica de probabilidade na representação de conhecimentos vagos, incertos ou ambíguos. Como toda representação pressupõe a existência de mecanismos de inferência, a importância desses modelos é possibilitar a existência de processos de raciocínio em ambientes vagos e incertos: raciocínio probabilístico. Os diferentes modelos e técnicas serão comparados com vistas ao seu potencial nas soluções de problemas.

Objectives:

This course aims to present techniques for applying and extending classical probability theory to represent vague, uncertain or ambiguous knowledge. As every representation presupposes the existence of inference mechanisms, the importance of these models is to enable the existence of reasoning processes in vague and uncertain environments: probabilistic reasoning. Different models and techniques will be compared with a view to their potential in solving problems.

Justificativa:

Um problema sempre presente nas aplicações de inteligência artificial e, mais especificamente, em sistemas especialistas, é que tanto a base de conhecimento como o próprio raciocínio contêm incertezas. Nos primeiros desenvolvimentos de sistemas especialistas, o tratamento da incerteza era realizado por meio de métodos que não usavam a teoria clássica de probabilidade, pois havia fortes correntes que consideravam aquela teoria inadequada. Dessa forma, surgiram técnicas baseadas em lógica não-monotônica, cálculo de Dempster-Shafer e lógica nebulosa (ou lógica “fuzzy”). Mais recentemente, entretanto, iniciaram-se pesquisas que demonstram a aplicabilidade da teoria clássica de probabilidade no tratamento de incerteza (particularmente, as teorias de Bayes) em processos abdutivos (diagnóstico, por exemplo). Dempster/Shafer propuseram uma extensão da teoria de probabilidade, a teoria das crenças, que possibilita o modelamento do processo decisório face à ignorância, desconhecimento de informações essenciais. Em outra linha, desenvolveram-se teorias de modelamento de conceitos vagos de linguagem (“Lógica Fuzzy”) que abriram fronteiras para o novo campo dos controles “fuzzy”. O que se observa é que, hoje, o computador deixa de ser um processo de apoio à decisão humana, passando a ser o agente de tomada de decisão. Portanto, para que o computador assuma seu novo papel, é necessário que o sistema de computação incorpore técnicas de modelamento da incerteza. Essa é a importância e a atualidade do curso proposto.

Rationale:

An ever-present problem in artificial intelligence applications and more specifically in expert systems is that both the knowledge base and the reasoning itself contain uncertainties. In the first developments of expert systems, the treatment of uncertainty was carried out using methods that did not use classical probability theory, as there were strong trends that considered that theory inadequate. Thus, techniques based on non-monotonic logic, Dempster-Shafer calculation and fuzzy logic emerged. More recently, however, research has begun demonstrating the applicability of classical probability theory in the treatment of uncertainty (particularly Bayes' theories) in abductive processes (diagnosis, for example). Dempster/Shafer proposed an extension of probability theory, the theory of beliefs, which makes it possible to model the decision-making process in face of ignorance, lack of knowledge of essential information. In another line, modeling theories of vague language concepts (Fuzzy Logic) were developed and opened frontiers for the new field of fuzzy controls. Nowadays, computers are no longer a process that supports human decision-making, but the decision-making agent. Therefore, for computers assume their new role it is necessary for computing systems incorporate uncertainty-modeling techniques. This is the importance and relevance of the proposed course.

Conteúdo:

- Sistemas baseados no conhecimento: representação do conhecimento, inferência, lógica formal; - O problema da incerteza: origens, manifestação, tipos; - Probabilidade clássica: revisão; - Inferência Bayesiana: teorema de Bayes, múltiplas evidências, atualização recursiva, múltiplas hipóteses; - Diagnóstico abdutivo: aplicação de inferência Bayesiana, o problema de independência dos sintomas; - Teoria de Dempster-Shafer: conceitos básicos, comparação com Bayes, aplicação em sistemas baseados em regras; - Fatores de Certeza; - Lógica Fuzzy: conjunto fuzzy, implicação fuzzy, métodos de “defuzzificação”.

Content:

- Knowledge-based systems: knowledge representation, inference, formal logic; - The problem of uncertainty: origins, manifestation, types; - Classical probability: review; - Bayesian Inference: Bayes theorem, multiple evidence, recursive updating, multiple hypotheses; - Abductive diagnosis: application of Bayesian inference, the problem of symptom independence; - Dempster-Shafer theory: basic concepts, comparison with Bayes, application to rule-based systems; - Certainty Factors; - Fuzzy Logic: fuzzy set, fuzzy implication, “defuzzification” methods.

Forma de Avaliação:

Exercícios, Elaboração de Monografia, Apresentação de Seminário, Autoavaliação circunstanciada.

Type of Assessment:

Exercises, preparation of monograph, seminar presentation, detailed self-assessment.

Observação:

Esta disciplina está engajada dentro do conjunto de disciplinas da área de Inteligência Artificial dentro da Engenharia de Computação.

Notes/Remarks:

This discipline is part of a set of disciplines in the Artificial Intelligence area in Computing Engineering.

Bibliografia:

DECHTER, R., GEFFNER, H., HALPERN, J.Y. Heuristics, Probability and Causality: A Tribute to Judea Pearl. College Publication, 2010. GIARRATANO, J.C. Expert Systems: Principles and Programming. Course Technology, 4th Edition, 2004. GONZALEZ, A.J.; DANKEL, D.D. The Engineering of Knowledge-Based Systems – Theory and Practice. Prentice Hall, 2000. HALPERN, J.Y. Reasoning About Uncertainty. First MIT Press Edition, 2017. KLIR, G.J.; St. CLAIR, U.H.; YUAN, B. Fuzzy Sets Theory: Foundations and Applications. Upper Saddle River, New Jersey, USA, Prentice Hall PTR, 1997. NAIN, P.; POURRET, O.; MARCOT, B. Bayesian Networks - A Practical Guide to Applications. John Wiley, 2008. NEAPOLITAN, R.E. Learning Bayesian Networks. Prentice Hall, New York, USA, 2003. NEAPOLITAN, R.E. Probabilistic Reasoning in Expert Systems: Theory and Algorithms. CreateSpace Independent Publishing Platform. 2012. PEARL, J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. 2nd Edition Revised. Morgan Kauffman Publishers, Inc., 1988. PEARL, J. Causality. 2nd Edition, Cambridge University Press, 2009. RUSSELL, S.J.; NORVIG, P. Artificial Intelligence: A Modern Approach, Prentice, 3rd Edition, 2015. SHAFFER, G. A Mathematical Theory of Evidence. Princeton University Press, Princeton, 1976. SOUZA, F.M.C. Decisões Racionais em Situações de Incerteza. 1a Edição, Editora Universitária UFPE, 2002. SOUZA, F.M.C. Decisões Racionais em Situações de Incerteza. Recife, 1993. 218p. Tese para Concurso Público de Professor Titular do Departamento de Eletrônica e Sistemas do Centro de Tecnologia da Universidade Federal de Pernambuco. Universidade Federal de Pernambuco. WIERMAN, M.J.; KLIR, G.J. Uncertainty-Based Information. Springer-Verlag, 1999.

Bibliography:

DECHTER, R., GEFFNER, H., HALPERN, J.Y. Heuristics, Probability and Causality: A Tribute to Judea Pearl. College Publication, 2010. GIARRATANO, J.C. Expert Systems: Principles and Programming. Course Technology, 4th Edition, 2004. GONZALEZ, A.J.; DANKEL, D.D. The Engineering of Knowledge-Based Systems – Theory and Practice. Prentice Hall, 2000. HALPERN, J.Y. Reasoning About Uncertainty. First MIT Press Edition, 2017. KLIR, G.J.; St. CLAIR, U.H.; YUAN, B. Fuzzy Sets Theory: Foundations and Applications. Upper Saddle River, New Jersey, USA, Prentice Hall PTR, 1997. NAIN, P.; POURRET, O.; MARCOT, B. Bayesian Networks - A Practical Guide to Applications. John Wiley, 2008. NEAPOLITAN, R.E. Learning Bayesian Networks. Prentice Hall, New York, USA, 2003. NEAPOLITAN, R.E. Probabilistic Reasoning in Expert Systems: Theory and Algorithms. CreateSpace Independent Publishing Platform. 2012. PEARL, J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. 2nd Edition Revised. Morgan Kauffman Publishers, Inc., 1988. PEARL, J. Causality. 2nd Edition, Cambridge University Press, 2009. RUSSELL, S.J.; NORVIG, P. Artificial Intelligence: A Modern Approach, Prentice, 3rd Edition, 2015. SHAFFER, G. A Mathematical Theory of Evidence. Princeton University Press, Princeton, 1976. SOUZA, F.M.C. Decisões Racionais em Situações de Incerteza. 1a Edição, Editora Universitária UFPE, 2002. SOUZA, F.M.C. Decisões Racionais em Situações de Incerteza. Recife, 1993. 218p. Tese para Concurso Público de Professor Titular do Departamento de Eletrônica e Sistemas do Centro de Tecnologia da Universidade Federal de Pernambuco. Universidade Federal de Pernambuco. WIERMAN, M.J.; KLIR, G.J. Uncertainty-Based Information. Springer-Verlag, 1999.

Idiomas ministrados:

Português

Languages taught:

Portuguese

Tipo de oferecimento da disciplina:

Presencial

Class type:

Presencial