Aprendizado Automático

-Supervisionado
-Redes Neurais (Perceptron, MLP,
Deep Learning)
-Árvore de Decisão
-Naïve Bayes
-Não Supervisionado
-Análise de agrupamentos
(clusterização), k-médias
-Por reforço
 Aprendizado Automático

-Supervisionado
-Experiência com Redes Neurais
(Perceptron e Rede Multi-Camadas)
 Aprendizado Automático
Perceptron em 9 linhas:

from numpy import exp, array, random, dot

training_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0,
1, 1]])
training_set_outputs = array([[0, 1, 1, 0]]).T
random.seed(1)
synaptic_weights = 2 * random.random((3, 1)) - 1
for iteration in range(10000):
output = 1 / (1 + exp(-(dot(training_set_inputs,
synaptic_weights))))
synaptic_weights += dot(training_set_inputs.T,
(training_set_outputs - output) * output * (1 - output))
print (1 / (1 + exp(-(dot(array([1, 0, 0]),
synaptic_weights)))))
 Aprendizado Automático
Multi-Layer Perceptron:

random.seed(1)
layer1 = NeuronLayer(4, 3)
layer2 = NeuronLayer(1, 4)
neural_network = NeuralNetwork(layer1, layer2)
neural_network.print_weights()
training_set_inputs = array([[0, 0, 1], [0, 1, 1], [1, 0, 1],
[0, 1, 0], [1, 0, 0], [1, 1, 1], [0, 0, 0]])
training_set_outputs = array([[0, 1, 1, 1, 1, 0, 0]]).T
neural_network.train(training_set_inputs,
training_set_outputs, 60000)
neural_network.print_weights()
hidden_state, output = neural_network.think(array([1,
1, 0]))
print(output)
 Aprendizado Automático
-Supervisionado
-Treinamento e validação:
-Dividimos a base de exemplos em 2:
treino e teste.
-90% treino e 10% teste
-80% treino e 20% teste
-k-fold: divido a base em k pedaços;
treino com k-1 pedaços, testo com o
que sobrou; alterno k vezes quem é o
pedaço de treinamento
 Aprendizado Automático

-Supervisionado
-Treinamento e validação:
-NUNCA, NUNCA, NUNCA teste com
dados de treino!!
 Aprendizado Automático

-Supervisionado
-Validação:
Matriz de confusão:
-Verdadeiro positivo (VP)
-Verdadeiro negativo (VN)
-Falso positivo (FP)
-Falso negativo (FN)
 Aprendizado Automático
Matriz de confusão

Preencha
os dados
faltantes:
 Aprendizado Automático
Matriz de confusão

155 = 55 + 100
 Aprendizado Automático
Matriz de confusão

935 = 100 + 835

55
 Aprendizado Automático
Matriz de confusão

65 = 55 + 10

55

835
 Aprendizado Automático
Matriz de confusão

65
1000 = 65 + 935

55

835
 Aprendizado Automático
Matriz de confusão

1000 65
1000 = 155 + 845
55

835
 Aprendizado Automático
Matriz de confusão

1000 65

55

845 835
 Aprendizado Automático
-Precisão = VP/(VP+FP)
-Acurácia = (VP + VN) / (VP+VN+FP+FN)
-Cobertura (acerto com os verdadeiros
positivos ou acurácia positiva) = VP/(VP+FN)
-Acerto com os verdadeiros negativos ou
acurácia negativa
-Medida-F (média harmônica entre precisão e
cobertura) → É apropriada para situações de
desbalanceamento entre classes
-Média-G (média geométrica entre a acurácia
positiva e a acurácia negativa)
 Aprendizado Automático

-Supervisionado
-Árvore de Decisão (usando o critério da
Entropia ou do Ganho de Informação para
escolha dos atributos que tornam a árvore
mais simples)
 Aprendizado Automático
-Árvore de Decisão
 Aprendizado Automático
Empresa do sr. João: