Você está na página 1de 23

DIRECÇÃO PARA OS ASSUNTOS ACADÉMICOS

DEPARTAMENTO DE CIÊNCIAS TÉCNICAS E ENGENHARIAS


CURSO DE ENGENHARIA INFORMÁTICA

MODELOS DE SIMULAÇÃO COMPUTACIONAIS I

Introdução à Aprendizado de Máquina


Derilson Gomes

Luena, 2020
Aprendizado de Máquina

Ø Aprendizado de máquina ("machine learning") é um sub-


campo da inteligência artificial que se desenvolveu a partir do
estudo de reconhecimento de padrões e teoria da
aprendizagem computacional em inteligência artificial.

Ø Aprendizagem de máquina é um "campo de estudo que da à


computadores a capacidade de aprender sem ser
programado de forma explícita ". (ARTHUR SAMUEL, 1959)
Aprendizado de Máquina
Objectivo: construir modelos computacionais que podem adaptar-se
e aprender a partir da experiência (MITCHELL, 1997).

Em termos práticos, algoritmos de aprendizado de máquina têm


como objectivo descobrir o relacionamento entre as variáveis de um
sistema (entrada/saída) a partir de dados amostrados (CHERKASSKY
&MULIER, 2007).
Aprendizado de Máquina

O campo de estudos da aprendizagem automática se dedica a construir


algoritmos que melhorem de forma autónoma com experiencia . Do
ponto de vista da ciência da computação, a experiencia see materializa
nas informações produzidas através de processos de armazenamento de
dados.
“a computer program is said to learn from experience E with respect
to some task T and some performance measure P, if its performance
on T, as measured by P, improves with experience E”
Aprendizado de Máquina
As técnicas de aprendizagem automática partem de um conjunto de
dados observados.
Os diferentes componentes de AM:
Ø Fontes de informação, refletem a experiência E da qual se aprende.
- Dados estruturados: bases de dados relacionais, sistemas de
arquivo, etc.
- Dados não estruturados: transacionais, Marlins, CRM, voz,
imagens, etc.
Aprendizado de Máquina
Ø Técnicas e os algoritmos, que se relacionam com as tarefas T a
serem realizadas.
- técnicas para tratamento de informação não estruturada: parsing,
mapas auto-orgazativos, etc.
- modelos supervisionados e não supervisionados: modelos de
classificação, modelos estocásticos, simulação, optimização, obstina,
etc.
Aprendizado de Máquina
Ø Capacidade de autoaprendizagem. Que melhora as métricas de
desempenho P.
- retreinamento automático a partir de nova informação.
- combinação de modelos e reponderação / calibração.
Ø Sistemas e software para visualização da informação e a
programação.
- visualização: QlikView, Tableau, SAS Visuaç Analytics, Pentaho,
TIBCO Spotfire, Power BI.
- Programação: R, Python, Scala, Ruby, SAS, Java, SQL, Matlab, C,
Google, AWS, Azure.
Aprendizado de Máquina

O desenvolvimento destes componentes implica uma evolução em


relação ao enfoque tradicional da modelagem
Aprendizado de Máquina
Técnicas de AM

Existem diversas técnicas de aprendizagem automática, dependendo


da tipologia de informação utilizada (estruturada ou não estruturada),
e do paradigma de aprendizagem usado. A seleção da técnica
dependera, do objectivo do modelo que se quer construir, bem como
da tipologia da informação.
Técnicas de AM
Técnicas de AM

As técnicas de modelação usadas com informações estruturadas


podem ser classificadas em uma das informações usadas para a
aprendizagem.
Técnicas de AM
Machine learning em função a informação e paradigma de aprendizagem
Ø Aprendizagem supervisionada: as informações para construir o algoritmo contem
informações sobre característica estudada, que não estará presente noos dados
futuros. O objectivo da aprendizagem supervisionada é treinar a aplicação de um
conjunto de variáveis (denominadas explicativas, características ou factores) “x”
em uma variável output “y”, a partir de um conjunto de dados (denominado
amostra de treinamento) de pares ∆ = {(x_i, y_i), i∈1,..., N}, onde “N” é o tamanho
da amostra.
Quando a variável “y” for continua, trata-se de um problema de regressão, e se for
nominal ou discreta, trata-se de um problema de classificação.
Técnicas de AM
Machine learning em função a informação e paradigma de aprendizagem
Ø Aprendizagem não supervisionada: o oposto do caso anterior, neste caso não está

disponível a variável output, de forma que o conjunto de dados é ∆ = {x_i,


i∈1,..., N}, onde “N” é o tamanho da amostra. O objectivo de
problemas deste tipo é encontrar padrões ou relações nos dados, o
mesmo também é conhecido como knowledge discovery (processo
de identificar padrões nos dados que sejam válidos, novos,
potencialmente uteis e compreensíveis).
Técnicas de AM

Algumas técnicas especificas são usadas para a transformação de


informações não estruturadas (textos, sons, imagens, etc) em dados
que possam ser analisados e processados por computador.
Técnicas de AM
Técnicas de AM

No processo de modelagem, realiza-se uma primeira fase de


knowledge discovery. Durante este processo são realizadas entre
outas, as tarefas abaixo:
Técnicas de AM

Das técnicas de Machine Learning de aprendizagem supervisionada,


os métodos acima são denominados individuais e podem ser usados
de forma isolada, e são destacados as redes neurais, as máquinas de
vector suporte, os classificadores bayesianos ou árvore de classificação
e regressão.
Técnicas de AM

Todos estes métodos individuais podem ser combinados com técnicas


e algoritmos que permitem melhorar a capacidade preditiva, através
de métodos ensemble, que consiste na combinação de modelos
individuais para gerar um modelo mais preditivo ou escalável, que
aproveita o conhecimento colectivo.
Técnicas de AM
Técnicas de AM

Nos modelos não supervisionados, destaca-se as técnicas de


clustering ou as técnicas de Data Analysis, como a de redução da
dimensionalidade.
A aplicação destas técnicas siginifica que os métodos de validação de
resultados devem ser mais sofisticados.

Você também pode gostar