Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

IA I > P2 > Flashcards

P2 Flashcards

(112 cards)

Start Studying
1
Q

O que é Computação Natural?

A

É todo sistema na área de computação implementado com inspiração ou utilização de algum mecanismo natural ou biológico de processamento de informação para o desenvolvimento de sistemas artificiais.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Qual a diferença entre Computação Natural e Computação Inspirada pela Natureza?

A

A Computação Inspirada pela Natureza é uma subárea da Computação Natural que desenvolve algoritmos e modelos computacionais baseados em princípios observados em sistemas naturais.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

O que é Computação Evolutiva?

A

É o termo para o conjunto de técnicas de resolução de problemas baseados em princípios de evolução biológica. Como a seleção natural e a herança genética

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

O que são Algoritmos Genéticos (AG) e qual sua origem?

A

Os Algoritmos Genéticos são um conjunto de técnicas da Computação Evolutiva, baseados em princípios de evolução biológica, estudados nos primeiros tempos da Inteligência Artificial como uma forma alternatica de realizar busca por boas soluções

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Como os Algoritmos Genéticos diferem dos algoritmos de busca tradicionais?

A

Algoritmos de busca tradicionais encontram a solução por meio de uma sequência de passos, expandindo nós a partir de um estado inicial. Enquanto Algoritmos Genéticos geram diversas soluções completas de uma vez, a Busca ocorre por ciclos de Seleção, cruzamento e mutação

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Qual a inspiração principal para os Algoritmos Genéticos?

A

Os Algoritmos Genéticos são diretamente inspirados na Teoria da Evolução de Charles Darwin.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Como a Teoria de Darwin é aplicada nos Algoritmos Genéticos?

A

Cada solução é tratada como um indivíduo, soluções melhores têm mais chance de se reproduzir, novas soluções são criadas através de cruzamento e mutação.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Qual o primeiro passo fundamental para solucionar problemas com Algoritmos Genéticos?

A

Realizar a representação computacional ou codificação do problema.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Quais são os tipos comuns de representação computacional em AGs?

A
  • Binária
  • Inteira
  • Real
  • Estruturas mais complexas como listas, árvores ou objetos
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Por que a escolha da representação computacional é importante em AGs?

A

A representação afeta como será feito o cruzamento, como serão feitas as mutações e como avaliar a qualidade da solução.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

O que é a População Inicial em AGs?

A

É o conjunto de soluções candidatas (individuos) que inicia o processo evolutivo.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Como a População Inicial é geralmente gerada em AGs?

A

Geralmente de forma aleatória, respeitando a estrutura da representação.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Quais parâmetros são importantes para a População Inicial?

A
  • Tamanho da população
  • Diversidade genética
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

O que é a Função de Avaliação (Fitness) em AGs?

A

É a função que avalia cada indivíduo e diz o quão ‘apto’ ele é. Quanto maior o fitness, melhor a solução

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Como a Função de Avaliação lida com restrições do problema?

A

A função fitness deve considerar e penalizar soluções que violam as restrições. Mesmo indivíduos inválidos devem ser avaliados e ranqueados pois podem conter boas ideias parciais

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Qual o objetivo do processo de Seleção em AGs?

A

Determinar quais indivíduos têm mais chances de passar seus ‘genes’ adiante mas mantendo diversidade genética para evitar convergência prematura

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

O que é Convergência Prematura em AGs e como evitar?

A

Ocorre quando o algoritmo converge muito rápido para uma solução que não é ótima. Pode ser evitada inserindo mutações mais frequentes nas primeiras gerações.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

O que é Perda de Diversidade Genética em AGs e como evitar?

A

Ocorre se os indivíduos selecionados são muito parecidos. Pode ser evitada permitindo a seleção ocasional de indivíduos com fitness medianos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

O que é Estagnação Evolutiva em AGs e como evitar?

A

A população para de evoluir. Pode ser evitada usando mutações periódicas ou injetando novos indivíduos aleatórios.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Explique o Algoritmo de Seleção da Roleta.

A

Seleciona indivíduos da população aleatoriamente, mas dando maior chance aos mais aptos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

O que são Crossover e Mutação no processo de Reprodução em AGs?

A
  • Crossover: Simula a recombinação genética.
  • Mutação: Gera novos cromossomos distintos através de pequenas mudanças aleatórias.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Por que o Crossover não é aplicado em 100% dos pares de pais em AGs?

A

Cruzamentos constantes podem quebrar boas soluções, mantendo diversidade.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Quais os cuidados com a Taxa de Mutação em AGs?

A
  • Taxa muito baixa: Risco de pouca diversidade.
  • Taxa muito alta: O algoritmo vira uma busca aleatória.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Quais são alguns Tipos de Crossover para Representação Binária?

A
  • Cruzamento de 1 ponto
  • Cruzamento de 2 pontos
  • Cruzamento Uniforme
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Explique um Tipo de Crossover para Representação Inteira.
Order Crossover (OX): Copia-se uma parte de um dos pais e completa-se com a ordem dos genes do outro pai.
26
Qual um Tipo de Crossover para Representação Real (Float)?
Média Aritmética: Cada gene do filho é a média aritmética dos genes correspondentes nos pais.
27
Quais são Critérios de Parada comuns para um Algoritmo Genético?
* Número máximo de gerações * Tempo máximo de execução * Convergência da população * Estagnação * Fitness satisfatório
28
O que é Elitismo em Algoritmos Genéticos?
É uma estratégia para preservar os melhores indivíduos da geração atual.
29
Como o Problema da Mochila (Knapsack Problem) pode ser representado computacionalmente para um AG?
Cada indivíduo é representado por um vetor binário onde cada posição corresponde a um item.
30
Como a Função de Avaliação (Fitness) é definida no exemplo do Problema da Mochila?
* Se o peso total dos itens escolhidos estiver dentro do limite, o fitness é a soma dos valores. * Se o peso total ultrapassar o limite, o fitness é zero.
31
O que é Busca em Inteligência Artificial?
É o processo de examinar diversas sequências de ações possíveis para atingir um estado objetivo.
32
Quais características importantes devem ser consideradas em algoritmos de busca?
* Completude * Otimalidade * Complexidade de Tempo * Complexidade de Espaço
33
Como um Problema é definido para busca?
* Estado Inicial * Ações Possíveis * Modelo de Transição * Teste de Objetivo * Custo de Caminho
34
O que é uma Árvore de Busca?
É a estrutura que representa as sequências de ações possíveis que começam a partir do estado inicial.
35
Qual a diferença principal entre uma Árvore de Busca e um Grafo na representação de estados?
* Árvore de Busca: Cada nó representa um estado e o caminho para ele. * Grafo: Cada nó representa um estado, e são permitidas conexões entre quaisquer dois estados.
36
Quais são os dois tipos principais de Busca Não Informada (ou Busca Cega)?
* Busca em Largura * Busca em Profundidade
37
Explique a Busca em Largura (BFS).
É uma estratégia de busca que explora todos os nós em um nível antes de passar para o próximo nível.
38
Quais são os dois tipos principais de Busca Não Informada (ou Busca Cega)?
* Busca em Largura (Breadth-First Search - BFS). * Busca em Profundidade (Depth-First Search - DFS).
39
Explique a Busca em Largura (BFS).
É uma estratégia de busca não informada que **explora todos os nós em um nível** antes de explorar os próximos níveis. Utiliza uma estrutura de **fila (FIFO)**.
40
Quais as características da Busca em Largura (BFS) em relação à Completude e Otimalidade?
* **Completude:** Encontra a solução se ela existe, desde que a largura da árvore seja finita. * **Otimalidade:** A primeira solução encontrada será **ótima**, considerando que o nível da árvore está diretamente relacionado ao custo.
41
Explique a Busca em Profundidade (DFS).
É uma estratégia de busca não informada que **sempre expande o nó atual mais profundo**. Utiliza uma estrutura de **pilha (LIFO)**.
42
Quais as características da Busca em Profundidade (DFS) em relação à Completude e Otimalidade?
* **Completude:** Encontra a solução se ela existe, desde que a profundidade da árvore seja finita. * **Otimalidade:** A primeira solução encontrada **nem sempre será ótima**.
43
O que é Busca Informada (ou Heurística)?
É uma estratégia de busca que utiliza **conhecimento específico do problema** para encontrar soluções de forma mais eficiente.
44
O que são Problemas de Satisfação de Restrições (CSP)?
São uma especificação de problema de busca onde a meta é **satisfazer um conjunto de restrições**.
45
Quais as classificações de Restrições em CSP?
* **Unárias:** Envolvem uma única variável. * **Binárias:** Envolvem duas variáveis. * **Alta Ordem:** Envolvem três ou mais variáveis.
46
O que é uma Heurística?
Um procedimento mental simples ou atalho baseado em experiência que ajuda a encontrar **respostas adequadas rapidamente**.
47
Qual a abordagem geral da Busca Informada ('Busca pela Melhor Escolha')?
Utiliza uma **função de avaliação (f(n))** para cada nó e **expande o nó com a melhor avaliação** que ainda não foi explorado.
48
Quais são os dois tipos de Busca Informada discutidos?
* Busca Gulosa (Greedy Search). * Busca A* (A* Search).
49
Explique a Busca Gulosa.
Expande o nó que parece **mais próximo do objetivo** de acordo com uma função heurística. Sua função de avaliação é **f(n) = h(n)**.
50
Explique a Busca A*.
Parte do princípio de **evitar caminhos caros**. Sua função de avaliação é **f(n) = g(n) + h(n)**.
51
O que é uma Heurística Admissível na Busca A*?
Uma heurística é admissível se **nunca superestima o custo** de alcançar o objetivo.
52
Quais as características da Busca A*?
* **Completa**. * **Ótima** se a heurística for admissível. * Alta complexidade de espaço. * Geralmente expande um número menor de nós comparado a outros algoritmos.
53
Como podem ser criadas Heurísticas Admissíveis para um problema?
A solução de uma **simplificação do problema original (problema relaxado)** é uma heurística para o problema original.
54
O que são Proposições em Lógica?
São **sentenças que fazem uma declaração passível de ser avaliada como Verdadeira ou Falsa**.
55
Dê exemplos de sentenças que NÃO são proposições.
* Instruções ('Feche a porta'). * Perguntas ('Você assistiu ao filme?'). * Sentenças auto-afirmativas que geram contradição ('Esta frase é falsa').
56
Quais os conectivos lógicos usados na Lógica Proposicional?
* e (Conjunção). * ou (Disjunção). * se . . . então (Implicação). * se e somente se (Equivalência). * não (Negação). * ou . . . mas não ambas (Disjunção Exclusiva).
57
Quais os símbolos para os conectivos lógicos?
* ou: ∨ * e: ∧ * não: ¬ * se . . . então: ⇒ * se e somente se: ⇐⇒ * ou (exclusivo): ⊕.
58
O que são Átomos em proposições compostas?
São as **partes individuais** de uma proposição composta.
59
Qual a prioridade de operação dos conectivos lógicos sem parênteses?
1. Negação (¬). 2. Conjunção (∧). 3. Disjunção (∨), Disjunção Exclusiva (⊕). 4. Equivalência (⇐⇒), Implicação (⇒).
60
Quais os três componentes do Aprendizado em IA (revisitado)?
1. **Estrutura:** O modelo utilizado para a tarefa. 2. **Critério de Adaptação:** O objetivo a ser atingido no processo de aprendizado. 3. **Algoritmo de Otimização:** O algoritmo para encontrar os parâmetros ótimos do sistema.
61
O que é Aprendizado Supervisionado?
É o paradigma de aprendizado onde, para cada dado de treinamento, **existe uma resposta desejada (rótulo)** que é conhecida.
62
O que é Aprendizado Não-Supervisionado?
É o paradigma de aprendizado onde **não há uma saída desejada** associada a cada dado.
63
Qual a diferença entre problemas de Regressão e Classificação no Aprendizado Supervisionado?
* **Regressão:** A saída é um **valor numérico contínuo**. * **Classificação:** A saída é uma **classe, categoria ou rótulo discreto**.
64
Quais os tipos principais de tarefas de Classificação?
* **Classificação binária:** Atribuir uma entre **duas** classes possíveis. * **Classificação multiclasse:** Atribuir uma entre **três ou mais** classes possíveis. * **Classificação multirrótulo:** Atribuir **mais de uma** classe a cada instância.
65
Que técnica é central no Aprendizado Não-Supervisionado para revelar a estrutura dos dados?
**Clusterização**.
66
A análise dos clusters obtidos por clusterização é sempre objetiva?
**Não**. A análise dos clusters inevitavelmente carrega **certo grau de subjetividade**.
67
Qual é um dos algoritmos mais simples e utilizados para clusterização?
O algoritmo **k-means**.
68
Qual a hipótese por trás do algoritmo k-means?
As distâncias entre os pontos pertencentes ao **mesmo cluster devem ser menores** do que as distâncias em relação a pontos fora do cluster.
69
Qual o objetivo do algoritmo k-means?
Encontrar uma atribuição dos dados aos clusters e um conjunto 'ótimo' de protótipos que **minimize a soma das distâncias** de cada amostra ao protótipo mais próximo.
70
Computação Natural
Campo da computação que desenvolve sistemas inspirados ou que utilizam mecanismos naturais ou biológicos de processamento de informação.
71
Computação Inspirada pela Natureza
Subárea da Computação Natural que desenvolve algoritmos e modelos baseados em princípios observados em sistemas naturais para resolver problemas computacionais.
72
Computação Evolutiva
Conjunto de técnicas de resolução de problemas baseadas em princípios de evolução biológica, como seleção natural e herança genética.
73
Algoritmos Genéticos (AG)
Algoritmos de Computação Evolutiva que buscam soluções para problemas complexos através de um processo inspirado na evolução biológica, utilizando seleção, cruzamento e mutação sobre uma população de soluções candidatas.
74
População
Conjunto de soluções candidatas (indivíduos ou cromossomos) em um Algoritmo Genético que inicia o processo evolutivo.
75
Cromossomo (Indivíduo)
Representação computacional de uma possível solução para o problema em um Algoritmo Genético.
76
Genes
Partes ou variáveis que compõem um cromossomo.
77
Representação Computacional (Codificação)
Forma como o problema e suas soluções são codificados para serem processados por um Algoritmo Genético (ex: binária, inteira, real).
78
Função de Avaliação (Fitness)
Função que mede a qualidade ou "aptidão" de cada indivíduo (solução) em um Algoritmo Genético em relação ao problema sendo resolvido.
79
Seleção
Processo em um Algoritmo Genético que escolhe indivíduos da população atual com base em seu fitness para gerar a próxima geração.
80
Crossover (Cruzamento)
Operador em Algoritmos Genéticos que combina partes de dois indivíduos (pais) para criar novos indivíduos (filhos), simulando a recombinação genética.
81
Mutação
Operador em Algoritmos Genéticos que introduz pequenas mudanças aleatórias nos genes de um indivíduo, simulando mutações biológicas e ajudando a manter a diversidade.
82
Critério de Parada
Condição que determina quando um Algoritmo Genético (ou outro algoritmo de busca) deve encerrar sua execução (ex: número máximo de gerações, tempo, convergência).
83
Elitismo
Técnica em Algoritmos Genéticos que preserva um pequeno número dos melhores indivíduos da geração atual para a próxima geração, garantindo que boas soluções não sejam perdidas.
84
Busca
Processo de examinar diversas opções de sequências de ações possíveis para encontrar uma solução para um problema, geralmente buscando atingir um estado objetivo.
85
Estado Inicial
Posição ou situação a partir da qual um algoritmo de busca começa a explorar o espaço de estados do problema.
86
Ações Possíveis
Conjunto de movimentos ou operações que podem ser realizadas a partir de um determinado estado do problema.
87
Modelo de Transição
Descrição de como uma ação aplicada a um estado resulta em um novo estado.
88
Teste de Objetivo
Função que determina se um estado alcançado corresponde ao estado objetivo do problema.
89
Custo de Caminho
Valor numérico atribuído a uma sequência de ações que levam do estado inicial a um determinado estado, representando o "custo" dessa sequência.
90
Árvore de Busca
Estrutura que representa as sequências de ações possíveis a partir do estado inicial, onde a raiz é o estado inicial, os ramos são as ações e os nós correspondem aos estados.
91
Grafo de Estados
Representação de um problema onde cada nó é um estado único e as arestas conectam estados que podem ser alcançados um do outro através de uma ação.
92
Busca Não Informada (Busca Cega)
Algoritmos de busca que não utilizam conhecimento extra além da definição do problema para guiar a exploração do espaço de busca.
93
Busca em Largura (Breadth-First Search - BFS)
Algoritmo de busca não informada que explora todos os nós em um nível da árvore de busca antes de passar para o próximo nível, utilizando uma fila (FIFO).
94
Busca em Profundidade (Depth-First Search - DFS)
Algoritmo de busca não informada que sempre expande o nó mais profundo não explorado, utilizando uma pilha (LIFO).
95
Busca em Profundidade Limitada
Variante da Busca em Profundidade que explora apenas até uma profundidade máxima pré-definida.
96
Busca em Profundidade Iterativa
Variante da Busca em Profundidade Limitada que aumenta gradualmente o limite de profundidade a cada iteração, combinando características da busca em largura e profundidade.
97
Problemas de Satisfação de Restrições (CSPs)
Problemas definidos por um conjunto de variáveis, seus domínios de valores possíveis e um conjunto de restrições que devem ser satisfeitas.
98
Consistência de Nós
Propriedade de um nó (variável) onde nenhum valor em seu domínio viola uma restrição unária.
99
Consistência de Arestas (Arco Consistência)
Propriedade de um par de variáveis conectadas por uma restrição onde o domínio de cada variável satisfaz todas as restrições binárias envolvendo a outra variável.
100
Busca Informada (Busca Heurística)
Algoritmos de busca que utilizam conhecimento extra (heurísticas) para avaliar a promessa de cada estado e guiar a exploração do espaço de busca de forma mais eficiente.
101
Heurística
Procedimento ou função que fornece uma estimativa da distância ou custo de um estado até o estado objetivo, ajudando a guiar algoritmos de busca informada.
102
Função de Avaliação (f(n))
Em busca informada, função que estima o valor de um nó (n) para alcançar o objetivo. Em Busca A*, f(n) = g(n) + h(n).
103
Busca Gulosa (Greedy Search)
Algoritmo de busca informada que sempre expande o nó que parece mais próximo do objetivo de acordo com a função heurística (f(n) = h(n)).
104
Busca A (A-star Search)
Algoritmo de busca informada que combina o custo do caminho percorrido até o nó (g(n)) com a estimativa heurística do custo restante até o objetivo (h(n)), utilizando f(n) = g(n) + h(n). É ótima se a heurística for admissível.
105
Heurística Admissível
Uma heurística que nunca superestima o custo real para alcançar o objetivo a partir de um determinado estado.
106
Aprendizado Supervisionado
Paradigma de aprendizado de máquina onde o modelo é treinado em dados que incluem as respostas desejadas (rótulos) para cada entrada.
107
Rótulo (Label/Target)
A resposta desejada ou categoria associada a um dado de treinamento no Aprendizado Supervisionado.
108
Regressão
Tarefa de Aprendizado Supervisionado onde o objetivo é prever um valor numérico contínuo.
109
Classificação
Tarefa de Aprendizado Supervisionado onde o objetivo é prever uma categoria ou rótulo discreto.
110
Aprendizado Não-Supervisionado
Paradigma de aprendizado de máquina onde o modelo é treinado em dados sem rótulos e busca descobrir a estrutura ou padrões inerentes nos dados.
111
Clusterização (Clustering)
Técnica de Aprendizado Não-Supervisionado que agrupa dados em subconjuntos (clusters) com base em suas similaridades.
112
Algoritmo k-means
Um método popular de clusterização que busca dividir os dados em k clusters, onde cada cluster é representado por um protótipo (centroide), minimizando a soma das distâncias dos pontos aos seus protótipos mais próximos.

IA I (3 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions