Questionários

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

CAP 1.doc
CAP 1)
1) Uma Rede Neural Artificial é uma estrutura computacional projetada para mimetizar a maneira pela qual o cérebro desempenha uma particular tarefa de seu interesse.
Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios.
2)O sistema nervoso humano pode ser visto como um sistema de três estágios (Receptores, Rede Neural Cerebral, Atuadores). Os receptores convertem o estímulo vindo do corpo humano ou do ambiente externo em pulsos elétricos que conduzem informação para a rede neural, ou seja, o cérebro. Os atuadores convertem os impulsos elétricos gerados pela rede neural em resposta discerníveis como saídas do sistema.
3)Os neurônios são cinco a seis ordens de grandeza mais lentos do que as portas lógicas de silício. O cérebro é mais eficiente pelo grande número de neurônios, com densas interconexões entre eles. Estima-se em aproximadamente 10 bilhões de neurônios no córtex humano, e 60 trilhões de sinapses ou conexões.
Eficiência energética do cérebro: 10^-16 J/operação/s
Eficiência energética do melhor computador: 10^-6 J/operação/s
4) Os axônios são linhas de transmissão e os dendritos são zonas receptivas.
5) Muitas entradas (dendritos) e uma saída(axônios). Se conectam pelo axônio, ele serve para conectar a célula nervosa a outras do sistema nervoso.
6)As sinapses são regiões eletroquimicamente ativas, compreendidas entre duas membranas celulares: a membrana pré-sináptica (por onde chega um estímulo proveniente de uma outra célula) e a membrana pós-sináptica (que é a do dendrito). Nesta região intersináptica, o estímulo nervoso que chega á sinapse é transferido á membrana dendrital através de substâncias como neurotransmissores. 
7) Os micro circuitos neurais são agrupados para formar subunidades dendríticas dentro das árvores dendríticas de neurônios individuais. O neurônio contém varias subunidades dendríticas. 
8) 1 -O conhecimento é adquirido pela RNA através de um processo de aprendizado.
2 - As transmitâncias das conexões inter-neurônios, conhecidas como pesos sinápticos, às quais está submetido a fluxo de informações através da rede, são utilizadas para armazenar o conhecimento.
9)
10) O conhecimento obtido pelas NRAs é armazenado nos parâmetros livres da rede, que são os pesos sinápticos.
11) O poder computacional de uma RNA é devido basicamente a dois fatores: sua estrutura paralela pesadamente distribuída e sua habilidade de aprender, e conseqüentemente generalizar.
12) As redes neurais não requerem prévio conhecimento sobre distribuição de dados, para analisá-los. Desde que haja uma relação subjacente entre os dados, mesmo que desconhecida sua representação analítica e/ou estatística, as RNAs podem apresentar um melhor desempenho do que os métodos estatísticos tradicionais.
13) O aprendizado supervisionado, ou aprendizado obtido por meio de um tutor, envolve a modificação dos pesos sinápticos da RNA através da aplicação de um conjunto de amostras de treino, para as quais se conhece previamente a saída desejada da rede.
Precisam de uma sessão de treinamento com exemplos entrada/saída que sejam representativos do ambiente.
14) O modelo consiste de: 
1 - um conjunto de sinapses, cada uma delas caracterizada por um peso característico.
2 - Um combinador linear para somar os sinais de entrada, ponderadas pela respectiva sinapse do neurônio. 
3 - Uma função de ativação para limitar a amplitude de saída do neurônio.
15)
16) Funções de ativação: Threshold, Piecewise-linear e Sigmoide são definidas no intervalo de 0 a 1. Algumas vezes é desejável funções de ativação definidas no intervalo de -1 a +1, caso em que a função de ativação assume uma forma anti-simétrica com respeito à origem, ou seja, a função de ativação é uma função ímpar do potencial de ativação.
17) 1 - Cada neurônio é representado por um conjunto de ramos sinápticos lineares, uma polarização externa aplicada, e um possível remo não-linear de ativação. A polarização é representada por um ramo sináptico conectado a uma entrada fiza em +1.
2 - Os ramos sinápticos de um neurônio ponderam seus respectivos sinais de entrada,
3 - A soma ponderada dos sinais de entrada define o potencial de ativação do neurônio em questão.
4 - O ramo de ativação limita o potencial de ativação do neurônio para produzir uma saída.
18)Uma arquitetura com uma camada de entrada de nós fontes conectada a uma camada de saída constituída de neurônios (nós computacionais). Não há elos de realimentação entre as camadas.
19)A função dos neurônios escondidos é intervir entra a camada e a saída da rede de alguma forma útil.
20)Uma rede neural recorrente difere de uma rede neural progressiva pelo fato de possuir pelo menos um loop de realimentação.
IA7.txt
1 - Lógica fuzzy baseia-se em graus de verdade que variam entre 0 e 1 incluindo tudo entre esses valores, onde 1 seria uma verdade total, e 0 o oposto.
2 - Ela se tornou necessária pois a lógica humana é muito incerta e imprecisa, dando brecha para mais de uma interpretação para a mesma determinada resposta, o que na hora de passar para um sistema preciso se torna incongruente.
3 - Lógica fuzzy tem o intuito de tornar mais "lógico" e menos incerto o pensamento humano permitindo soluções mais efeicientes e rápidos, pode modelar sistemas não-lineares complexos com menos chips e sensores.
4 - 
• São funções que mapeam o valor que poderia ser um membro do conjunto para um número entre 0 e 1.
• O grau de pertinência 0 indica que o valor não pertence ao conjunto.
• O grau 1 indica significa que o valor é uma representação completa do conjunto.
• Um conjunto fuzzy indica com qual grau um projeto específico é membro do conjunto de projetos LONGOS.
• A definição do que é um projeto LONGO depende do contexto.
5 - Uma função de pertinência é representada como μA(x) = f(x) onde A é um conjunto Fuzzy; x Î A e f(x) é uma função de x
Exemplo de função de pertinência:
μA(x) = 0 para |x| > 5
 1-|x|/5 para |x|<= 5
6 - 0 para o grau de pertinência representa que aquele valor não pertence ao conjunto, e 1 significa que aquele valor pertence totalmente a ele. 
iaf-p1-2007-2-simulada.pdf
Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática 
 
Disciplina: Inteligência Artificial P1 - simulada Data: ___/___/______ 
Aluno: 
A) Cite uma diferença entre: 
A-1) dado e informação, no contexto da representação do conhecimento. 
A-2) sistema de representação declarativo e sistema de representação procedimental, no contexto da 
representação do conhecimento. 
A-3) programas ramificados e sistemas adaptativos, como sistemas de ensino assistidos por computador. 
A-4) sistemas especialistas e sistemas tutores inteligentes 
A-5) modelo de domínio e modelo pedagógico de um sistema tutor inteligente. 
A-6) sistemas multiagentes e sistemas tutores inteligentes, quanto à representação do conhecimento. 
 
B) Cite uma semelhança entre: 
B-1) adequação inferencial e eficácia inferencial, no contexto da representação do conhecimento. 
B-2) programas ramificados e sistemas adaptativos, como sistemas de ensino assistidos por computador. 
 
C) Represente o seguinte conhecimento. Escolha um esquema entre: regras de produção, frames, rede 
semântica, estratégias de representação de problemas ou árvore de decisão. 
 
A Engenharia Mecatrônica é um ramo da Engenharia com quatro áreas: mecânica, 
eletrônica, informática
e controle. 
Na Mecânica são estudados máquinas e motores, materiais, manufatura integrada por 
computador (envolvendo projeto, fabricação e comportamento mecânico), robótica e 
sistemas de produção. 
Na Eletrônica estudam-se circuitos (elétricos e eletrônicos), eletrônica 
(analógica e digital), instrumentação, microprocessadores e redes digitais. 
Na área de Informática estudam-se lógica e matemática computacional, linguagens 
de programação, engenharia de software e inteligência artificial. 
Na área de Controle são estudados sistemas de controle, controles (hidráulicos e 
pneumáticos), controladores lógicos programáveis e automação industrial. 
Ciência dos Materiais é um disciplina da área da Mecânica. 
Inteligência Artificial é uma disciplina da área da Informática 
quest 01 - Representa��o do conhecimento.docx
Quais são as diferenças que existem entre dado, informação e conhecimento?
Dado é um valor não interpretado para o sistema, informação é interpretada e organizada para um fim e conhecimento é uma informação estruturada e processada.
O que significa representar conhecimento?
Encontrar estruturas adequadas para expressar o tipo de conhecimento do domínio da aplicação, que facilitem a resolução de um problema.
É a combinação de estruturas de dados e procedimentos de interpretação.
Se usada de maneira correta em um programa, irá produzir um comportamento inteligente.
Sob quais formas o conhecimento pode ocorrer?
Domínio, genérico, básico e formal
Quais as propriedades do conhecimento, que são indesejáveis em IA?
Conhecimento volumoso, difícil caracterização precisa, mudança constante, difere de simples dados por organizar-se de uma maneira que corresponde ao modo como será utilizado.
Como é constituída uma base de conhecimento convencional?
Uma base de conhecimentos (convencional) é constituída de fatos e de um conjunto de regras e heurísticas (expressas através de estratégias) capazes de permitir a derivação de outros fatos, em um domínio específico. Nela há mais descrições do que dados, a informação está associada à função de interpretação existente no sistema, os fatos e as regras estão organizados em unidades que facilitam a inferência de novos fatos, e fatos são pontos de partida para a aplicação de regras.
6. Explique o que são:
A. Adequação representacional: capacidade de representar os tipos de conhecimento necessários no domínio
B. Adequação inferencial: capacidade de manipular as estruturas de forma a derivar novas, a partir de conhecimentos antigos
C. Eficácia inferencial: capacidade de agregar informações adicionais à estrutura de conhecimento existente, para direcionar os mecanismos de inferência para direções mais promissoras.
D. Eficácia aquisitiva: capacidade de acomodar facilmente novas informações na base de conhecimentos
7. Defina processo de raciocínio. 
Processo que quando associado a um esquema de representação de conhecimento permite que se chegue a conclusões adequadas a partir do conhecimento e de regras gerais disponíveis.
8. O que é um sistema de raciocínio não-monotônico? Como cresce a base de conhecimento nesse tipo de raciocínio?
Os sistemas de raciocínio não-monotônico são aqueles que lidam com conhecimento que não satisfazem a qualquer uma das características: os fatos necessários à solução de um problema estão presentes no sistema ou podem ser deriváveis dos fatos presentes através do uso dos axiomas e regras de inferência da lógica de primeira ordem, os fatos (e sua representação) são consistentes, à medida que novos fatos se tornam disponíveis, se eles forem consistentes com todos os outros fatos já definidos, nenhum dos fatos existentes será alterado.
A base de conhecimentos não cresce monotonicamente.
9. Explique os seguintes tipos de sistema de representação, diga para quê são adequados e cite exemplos de esquemas de representação de cada um.
A. Sistema de representação declarativo.
Onde o conhecimento é descrito através de fatos, postulados como verdadeiros, sobre o domínio e por um conjunto de procedimentos para manipulá-los. É adequado para representar porções de conhecimento passivas do domínio. Aplica-se raciocínio “formal”.Exemplo: Esquema de representação lógica,redes semânticas
B. Sistema de representação procedimental.
Onde o conhecimento é descrito através de procedimentos para a sua utilização. É adequado para representação de conhecimento comportamental da aplicação.Exemplo: Regras de produção
C. Sistema de representação estrutural.
10. Quais os constituintes de um sistema típico de regras?
Base de conhecimentos: composta por : regras, que formalizam um conhecimento e descrevem como é o processo de inferência sobre ele e fatos, que são declarações sobre objetos específicos.
Memória de trabalho: é uma base de dados que representa o estado atual do problema.
Máquina de inferências: responsável pela execução das regras
11. Explique o que é uma regra de produção em um sistema de representação procedimental.
Conjuntos de regras situação-ação, onde o conhecimento é representado como uma coleção de regras do tipo se condição então ação, denominada regra de produção. A condição estabelece o contexto para aplicação da regra. A ação corresponde a algum procedimento que acarreta uma conclusão ou mudança no estado corrente
12. Qual a principal diferença inicial entre as estratégias para processamento de regras chamadas “raciocínio para frente” e “raciocínio para trás”?
“Raciocínio pra frente” é dirigido por regras e “raciocínio pras trás” é orientado por metas
13. Cite um exemplo de base de conhecimento em um sistema de regras.
SE pratoPrincipal = não peixe
e tem molho
e molho = tomate
ENTÃO melhorCorVinho = tinto
14. Explique o que é uma rede semântica.
Constitui uma classe de formalismos de representação de conhecimento
15. Desenhe um exemplo de rede semântica.
16. Em uma rede semântica, qual a diferença entre os arcos “é-um” e “é-parte-de”?
O arco é-um é utilizado para representar taxonomia de classes, subclasses e instâncias e o arco é-parte-de representa a relação de agregação entre um objeto e suas partes e define um componente de uma instância ou classe
17. Explique o procedimento de “matching” em uma rede semântica.
É o procedimento que procura na rede por uma sub-rede que “case” com uma sub-rede em questão. Quando ela é encontrada, as variáveis da sub-rede em questão são instanciadas com os valores correspondentes da sub-rede encontrada.
18. Explique o que é um sistema de frames?
É uma coleção de frames onde é armazenado conhecimento. Frames são uma estrutura de dados para a representação de situações stereotipadas.
19. Especifique um frame para “ave”.
É-um: animal
Meio_locomoção: voo
Número_asas:
 Domínio: Inteiro
 Valor: 2
Número_patas:
 Domínio: Inteiro
 Valor: 2
20. Quais são os tipos de frames? A qual tipo pertence o frame de “ave” da questão anterior?
Frames construtores: Definem a estrutura que as informações devem ter para serem incluídas na base de conhecimento (de forma análoga ao esquema conceitual de um banco de dados).
Frames instâncias: Correspondem aos objetos do mundo real, representados na base de conhecimento.
quest 02 - Sistemas Especialistas (SEs).docx
Inteligência Artificial - Sistemas Especialistas - Questionário
Explique o que é um sistema especialista (SE).
Um Sistema Especialista é um sistema baseado em conhecimento que gera parecer especializado ou sugere decisão – em uma área, domínio ou disciplina.
Qual o papel do especialista no desenvolvimento de um sistema especialista?
E é desenvolvido em parte através de exaustivas entrevistas e observações de tais profissionais, buscando extrair do mesmo seu profundo conhecimento do referido domínio especializado.
Explique o que é um sistema baseado em conhecimento
(SBC).
É um sistema computacional que expressa o conhecimento sobre um determinado domínio de maneira explícita. O conhecimento sobre o problema fica separado da forma de solução (controle do programa).
Qual o objetivo da interface em um SBC?
Visa facilitar a interação do usuário e do engenheiro do conhecimento com a máquina. Pode conter diversos recursos computacionais tais como: editores de texto, recursos gráficos, editores de desenho e outros.
Explique o que máquina de inferência em um SBC?
É um processo fixo, algorítmico, baseado num processo de dedução lógica responsável pela extração de todos os resultados possíveis de serem obtidos a partir do conhecimento armazenado na BC.
Qual o objetivo da base de conhecimento em um SBC?
É a parte que armazena o conhecimento de uma determinada área do conhecimento. Toda a programação de um SBC é feita através do armazenamento do conhecimento sobre o problema, expresso por meio de formalismos de representação de conhecimento, na BC.
Qual a relação de um SE com um SBC?
Os sistemas especialistas formam um subconjunto dos SBCs por armazenarem na BC o conhecimento empírico de um profissional especializado em algum domínio.
Cite os objetivos de um SE?
Preservar e disseminar o conhecimento do perito, organizar e ampliar o conhecimento sobre o domínio, diminuir a dependência humana, diminuir o tempo de resposta de um problema, divulgar um conhecimento específico
Auxiliar aprendizes
Quais as desvantagens de um SE em relação a um especialista humano?
Sistema Especialista 				Especialista Humano
Não é perecível 				É criativo e adaptativo
Não fica doente 				Não é limitado às situações previstas
É consistente 				Tem estímulos sensoriais
Torna o conhecimento explícito 			Toma iniciativa
Fácil de disseminar e documentar 		Aprende sozinho
Não muda de emprego 			Possui bom senso
Não se aposenta
É constante
Não tem crises de mau humor
Qual a diferença entre um SBC de diagnose e um SBC de depuração?
O de diagnose busca causas para um mau funcionamento de um sistema e o de depuração busca soluções para esse mau funcionamento
Explique o que é “Engenharia do Conhecimento”. Quais são suas etapas?
É o processo de desenvolvimento de sistemas baseados em conhecimento. Este processo abarca todo o ciclo de vida dos SBCs, desde as especificações do sistema até sua validação e teste.
Em que se destaca um especialista? Por quê?
Profissional especializado em uma determinada área (domínio) do conhecimento humano. Esse profissional se destaca de outros por aplicar mais eficientemente seu conhecimento. Essa eficiência advém dos anos de experiência naquele domínio.
Qual a relação entre o engenheiro do conhecimento e o especialista?
O especialista passa seu conhecimento para o engenheiro desenvolver o SE
Explique o que é aquisição do conhecimento
É o processo de coleta, eliciação (extração), interpretação e formalização de dados sobre o funcionamento da perícia em algum domínio com a finalidade de projetar, construir e estender ou modificar um SBC.
Question�rio 4.doc
Nomes: Guilherme Kranz
Jean Paul Cousseau
Marcelo Rodrigues Schmitz
Rodolfo Arthur Sanford
1 – Trata da resolução de problemas através da aplicação de técnicas de IA e de múltiplos elementos solucionadores de problemas.
2 –
A IA clássica (origem psicológica) tem seu estudo centrado no comportamento individual do ser humano. Os pesquisadores buscam respostas para a melhoria dos seu sistemas no modelo de inteligência do indivíduo, utilizando os diversos pelos métodos de representação do conhecimento e de inferência.
A IAD (origem sociológica) utiliza um modelo de inteligência baseado no comportamento social, com ênfase nas ações e interações de agentes que podem ser entidades reais ou virtuais imersas num ambiente sobre o qual são capazes de agir.
3 – A IAD difere da área de processamento distribuído por apresentar, além da distribuição dos dados, controle distribuído e envolver uma forte cooperação entre as entidades processadoras.
4 – Principais problemas abordados em IAD
Descrição, decomposição e alocação de tarefas;
Interação, linguagem e comunicação;
Coordenação, controle e comportamento;
Conflito e incerteza;
Linguagens e ambientes de programação.
5 – O termo agente é uma noção central e fundamental para área de IAD. Este termo vem sendo utilizado para denotar simples processos de hardware e/ou software até entidades sofisticadas capazes de realizar tarefas complexas.
6 – A autonomia significa que as atividades de agentes não exigem intervenção humana contínua ou que eles possuem poder de autodeterminação, em um meio ambiente. A autonomia de um agente requer inteligência devido à necessidade de sobreviver em um ambiente real, dinâmico e nem sempre benigno; está intimamente relacionada com o tipo de arquitetura do sistema, assim, podemos ter agentes com diferentes graus de autonomia.
7 – Os estados mentais usuais são: crenças, decisões, desejos, capacidades, objetivos, intenções, compromissos e expectativas, conceitos análogos ou similares aos humanos.
8 – O comportamento de um agente pode ser definido como sendo a conseqüência de suas observações, de seus conhecimentos e de suas interações com outros agentes.
9 – Agentes reativos são baseados em organizações biológicas.
A “inteligência” complexa expressa através do comportamento emerge de um conjunto de entidades muito simples e especializadas.
Comportamento baseado em estímulo-resposta;
Não tem memória de suas ações e não utilizam experiências prévias para suas tomadas de decisão futuras percebem os outros membros e suas ações;
Não existe comunicação em alto nível;
Não tem representação explícita do ambiente;
10 – Agentes cognitivos são baseados em organizações sociais (grupos humanos).
Comportamento baseado em raciocínio sobre as ações executadas no passado
Utilizam experiências prévias para suas tomadas de decisão futuras
Existe comunicação em alto nível
Têm representação explícita do ambiente
Número pequeno de membros na sociedade
11 – IADz (Inteligência Artificial Descentralizada) está voltada para as atividades de agentes autônomos em um mundo multi-agente.
Agente é utilizado no sentido amplo para designar uma entidade inteligente, agindo racionalmente com respeito a atingir seus próprios objetivos e o estado corrente de seu conhecimento. Os agentes podem trabalhar em direção a um único objetivo global ou rumo a objetivos individuais separados que podem interagir, sendo então a autonomia dos agentes relacionada com a existência de cada agente independentemente da existência dos demais.
12 – Em SMA não se parte de um problema específico que se deseja resolver, sendo o enfoque voltado para coordenar um comportamento inteligente entre um conjunto de agentes autônomos (possivelmente preexistentes) com vistas a determinar como eles podem coordenar seus conhecimentos, metas, habilidades e planos conjuntamente para realizar um ação ou resolver problemas. 
Os agentes são concebidos independentemente de um problema particular a ser resolvido.
O projeto de um agente deve resultar numa capacidade de realizar um determinado processamento, e não uma entidade capaz de realizar este processamento exclusivamente no contexto de uma aplicação particular.
13 – A concepção das interações também segue a independência de uma aplicação particular. Busca-se desenvolver protocolos genéricos, que possam ser reutilizados em varias situações similares.
14 – RDP é um subconjunto de SMA (caso particular) quando as seguintes hipóteses adicionais são consideradas:
Os agentes desejam cooperar entre si (benevolentes);
Todos agentes têm o mesmo objetivo em comum;
O sistema é concebido para resolver
um certo problema determinado (concepção centralizada).
15 – 
SMAC Sistemas Multiagentes Cognitivos:
	A característica principal é a existência de uma forma explícita de representação de conhecimento;
SMAR Sistemas Multiagentes Reativos:
	A ênfase principal é no comportamento, sem uma preocupação maior com a representação do conhecimento.
 
Question�rio 7.doc
Grupo: Guilherme Kranz, Jean Paul Cousseau, Marcelo Schmitz, Rodolfo Arthur Sanford
1 - Definição:
	É a forma mais simples de uma RNA usada para classificação de padrões linearmente separáveis; ou seja, que estão em lados opostos de um hiperplano. 
	Consiste de um único neurônio com pesos sinápticos ajustáveis e uma polarização (bias).
Classificação:
É o primeiro modelo proposto para aprendizagem de RNAs por meio de um tutor.
2 - Algoritmo de ajuste de pesos
- Início: conjunto de pesos com valores arbitrários.
- Ajustes de pesos: 
	- continuamente ao longo da execução;
	- influenciados por eventuais variações no padrão de comportamento.
- Rapidez do processo: 
	- A cada conjunto de estímulos externos, todos os pesos devem ser ajustados, por isso deve ser rápido.
3 - Operação de filtragem adaptativa
1) Processo de filtragem:
	- Geração de resposta produzida a cada conjunto de estímulos;
	- Cálculo do erro = resposta desejada – resposta produzida.
2) Processo de adaptação:
	- Ajuste automático dos pesos sinápticos por algoritmo baseado no erro.
4- Repete-se as etapas 1 e 2 da operação de filtragem adaptativa até que o erro seja suficientemente pequeno.
5- Uma interpretação intuitiva do método SD é imaginarmos um observador míope que enxergue apenas a distância de um passo ao seu redor, caminhando sobre a superfície J(w), e cujo objetivo é chegar ao ponto de cota mínima de J(w) o mais rapidamente possível. No instante n o observador, localizado na coordenada w(n), olha ao redor e localiza a direção ∇J(w(n)) de subida mais íngreme em J(w). A seguir o observador dá um passo na direção contrária à ∇J(w(n)) de tamanho proporcional à declividade |∇J(w(n))| encontrada na coordenada w(n) e desloca-se para a nova coordenada w(n +1). Supondo que não existam mínimos locais (buracos e/ou depressões) na superfície J(w) de diâmetro algo maior que o passo do observador, o mesmo atingirá a cota mínima J(w*) na coordenada w* após repetir este procedimento um número suficiente de vezes.
6-
Para ( pequeno, a resposta transiente do algoritmo SD é super-amortecida (overdamped) e a trajetória percorrida por w(n) é uma curva suave
Para ( grande, a resposta transiente do algoritmo SD é sub-amortecida (underdamped) e a trajetória percorrida por w(n) é uma curva em zig-zag (oscilatória)
Para ( acima de um determinado valor crítico, o algoritmo SD torna-se instável e termina divergindo.
7- Estratégia
- Ator: observador cego
- Objetivo: o mesmo do algoritmo SD
- Ferramenta: cordão infinitamente elástico fixo no ponto de cota mínima.
- A cada conjunto de estímulos externos: 
a) estimar a menor tensão (valor absoluto do erro) no cordão (menor tensão = direção do ponto de menor erro)
b) dar um passo proporcional à redução de tenção, nesta direção.
8- Regra de decisão
- se a saida do Perceptron for +1 então classe C1 
- senão (se a saida do Perceptron for –1) então classe C2
9- Características das classes C1 e C2
- devem ser linearmente separáveis:
- os padrões a serem classificados devem ser 
- suficientemente separados uns dos outros 
- para garantir que a superfície de decisão seja um hiperplano.
10- Treinamento do Perceptron
- Dados dois conjuntos de treino de vetores de estímulos externos x:
- encontrar um vetor de pesos sinápticos w tal que:
w x > 0 para cada vetor x pertencente a classe C1
w x ( 0 para cada vetor x pertencente a classe C2 
11- Adaptação do vetor de pesos
se o conjunto de treino é corretamente classificado então nenhuma correção é feito
w(n+1) = w(n)
em caso contrário:
w(n+1) = w(n) – ((n) * x(n)	se x(n) pertence à classe C2
w(n+1) = w(n) + ((n) * x(n)	se x(n) pertence à classe C1
Considerando a iteração n:
w(n) = vetor de pesos sinápticos
x(n) = vetor de estímulos externos
((n) = razão de aprendizado
((n) = ( ( e(n) 
( = passo de adaptação
e(n) = erro
e(n) = d(n) – y(n)
y(n) = saída produzida para x(n) com w(n)
d(n) = saída esperada para x(n)
d(n) =			+1 se x(n) pertence à classe C1
		 	–1 se x(n) pertence à classe C2
w(n+1) = vetor de pesos sinápticos na próxima iteração
12- Requisitos conflitantes a serem considerados
- ( pequeno:
- estabilidade da trajetória (estimativas estáveis para os pesos) 
- ( grande:
- adaptação rápida às mudanças reais na fonte dos estímulos externos
{