Introduo

16 Junho

Aprendizado de mquina
Cresceu a partir da IA
Trousse novas capacidades aos computadores
Exemplos:
Minerao de Dados (Cresceu a partir da WEB; Largo volume de dados).
Histricos Mdicos (Ajuda compreender cadeia de doenas em pacientes).
Biologia (Dados sobre sequenciamento do DNA e mapeamento do genoma humano).
Engenharia (Todas reas da engenharia).
Aplicaes que no podem feitas a mo (Helicptero autnomo, reconhecimento de escrita,
processadores de linguagem natural, viso computacional).
Programas auto-otimizante (Amazon, Netfliz...).
Definio de Aprendizado de Mquina
Arthur Samuel (1959) disse que um campo de estudo no qual d habilidade de
aprendizado ao computador sem ser explicitamente programada.
Tom Mitchell (1998) disse que um programa de computador aprende com uma experincia
E em relao uma tarefa T e um performance P, se a performance P sobre T aumenta com
a experincia E. ("Se a performance melhorar que dizer que aprendeu!").
Exemplo prtico
Supomos que seu programa de e-mail classifique e-mails como spam ou no spam, e
baseado no que ele aprende, como melhorar seu filtro de spam.
Tarefa: Classificar e-mails como spam ou no spam.
Experincia: Ver voc rotular os e-mails com spam ou no spam.
Performance: Nmero de e-mails corretamente classificados como spam ou no spam.
Algoritmos de aprendizado de mquina
Aprendizado supervisionado (Ensinar o computador a aprender algo).
Aprendizado no supervisionado (Deixaremos ele aprender por conta prpria).
Aprendizado por reforo
Sistemas de recomendao
Aprendizado supervisionado
Exemplo prtico: Supomos que voc gostaria de prever preos de moradias. Voc tem
alguns dados coletados em um grfico preo por tamanho da casa. Supomos que algum lhe
oferea uma casa por dado valor. Voc poderia supor alguns mtodos para chegar a esse




valor, por exemple, ajustar uma linha reta aos dados ou ajustar uma funo quadrtica. E a
ento a ideia seria no escolher o mtodo que daria o melhor preo de venda para o
vendedor.
Supervisionado implica que demos um conjunto de dados "verdicos" ao algoritmo.
Esse problema pode ser nomeado tambm como problema de regresso.
Outro exemplo prtico: Supomos que voc quer analisar histricos mdicos, e prever se um
tumor de mama maligno ou benigno pelo seu tamanho. Supomos um grfico com eixo
tamanho do tumor e sua definio(maligno -1; benigno -0). Supomos tambm um conjunto
de dados neste grfico. Supomos que um tumor foi detectado com o tamanho X. Como
estimar a probabilidade deste tumor ser ou no maligno? (Exemplo de problema de
Classificao - Podem ter mais que dois valores de sada.)
Podemos representar o grfico de uma forma mais prtica, usando smbolos em vez de 1/0.
Podemos tem apenas o eixo do tamanho do tumor e preencher o smbolo em seu relativo
tamanho de tumor. Isso facilitaria em problemas com mais de uma varivel de atributo. Por
exemplo, a idade dos pacientes.
Porm, podemos ter muitos outros atributos, e o que acontece na prtica que temos
infinitos atributos. Ento, para contornar esse problema, utilizaremos uma Mquina de
Vetores Suporte.

Aprendizado no supervisionado
Difere do aprendizado supervisionado em relao de no termos rtulos para os dados
iniciais(Exemplo: Maligno ou no maligno).
Entretanto o algoritmo de aprendizado no supervisionado pode dividi-los em grupos
atravs do algoritmo de agrupamento. (Vem sendo utilizado em muitos casos).
Um exemplo o Google News.
Como no estamos garantindo que esses agrupamentos esto com rtulos certos, o
problema fica definido como aprendizado no supervisionado, ou agrupamento.
Exemplos de uso: Organizar grandes grupos de computadores e aumentar sua eficincia;
Analise de rede social; Segmentao do mercado; Analise de dados de astronomia.
Problema da festa de Coquetel: Imagine uma festa com varias pessoas falando ao mesmo
tempo, como identificar o qu cada um fala? - Para simplificar supomos uma festa com
apenas duas pessoas e que voc tenha um microfones posicionados perto de cada pessoa.
Se pegarmos o dados de cada microfone e aplicarmos um algoritmo de aprendizado no
supervisionado podemos separar o qu cada pessoa esta falando a partir da distncia
sonora.
Pode parecer complicado realizar tal faanha, mas podemos realizar tal apenas com essa
formula:
[W,s,v] = svd( ( repmat( sum(x.*x, 1), size(x, 1), 1) .*x) *x' );
Pode no ser to fcil chegar a esse resultado. =)
Por isso, utilizaremos um ambiente de programao mais apropriado para resolvermos tais
problemas. (Octave)
A funo svd significa decomposio em Valores Singulares.