Escolar Documentos
Profissional Documentos
Cultura Documentos
Inteligência Artificial.
História.
Evolução.
História da Inteligência Artificial
Gestação da IA (1943-1955)
– Primeiro trabalho reconhecido como IA. Lógica proposicional (Russell e Whitehead).
– Teste de Turing.
História da Inteligência Artificial
Nascimento da IA (1956)
– John McCarthy – Universidade de Princeton.
Estado da Arte
Jogos:
– Deep Blue IBM.
– Kasparov disse que sentiu “uma nova espécie de inteligência do outro lado do
tabuleiro”.
História da Inteligência Artificial
Estado da Arte
Diagnósticos de doenças
História da Inteligência Artificial
Evolução do Hardware.
– Processamento paralelo e distribuído.
História da IA.
Desenvolvimento.
Presente.
Próxima aula
Conceitos iniciais.
Aplicações.
Introdução ao Aprendizado de Máquina
Fases do aprendizado
Treinamento:
– São apresentados exemplos para o sistema;
Fases do aprendizado
Utilização:
– Novos exemplos “desconhecidos” são apresentados;
Temos que derivar uma função h que se aproxime da verdadeira função f(x).
Aprendizado.
Próxima aula
Formas de Aprendizado.
Supervisionado.
Não supervisionado.
Reforço.
Aula 1.3. Formas de Aprendizado
Nesta aula
Formas de Aprendizado.
Supervisionado.
Não supervisionado.
Por reforço.
Formas de Aprendizado
Aprendizado Supervisionado
– Observam-se alguns pares de exemplos de entrada e saída.
– Tem o objetivo de “aprender” uma função que mapeia a entrada para a saída.
Aprendizado Supervisionado
– É eficiente, pois o sistema trabalha com os resultados corretos.
• Regressão;
Aprendizado Supervisionado
– Primeiramente são apresentados exemplos ao sistema.
Aprendizado Supervisionado
– Dado um conjunto de exemplos de treinamento {(x1, y1), ..., (xn, yn)}
– yi ≈ f(xi), i = 1, ..., n
Formas de Aprendizado
– Descoberta do conhecimento;
– “Autodidata”.
Formas de Aprendizado
– Predição de tráfego.
– Ex.: para um táxi autônomo, a falta de gorjeta ao final indica que ele fez algo errado.
– Cabe ao agente reconhecer qual das ações antes do reforço ocasionaram isso.
– Não damos a resposta correta para o sistema. Ele faz uma hipótese e determina se
foi boa ou ruim.
Conclusão
Overfitting.
Underfitting
Aula 1.4. Overfitting e underfitting
Nesta aula
Overfitting e underfitting
Significado.
Exemplos.
Overfitting
Overfitting / Sobreajuste
Termo da Estatística e do Aprendizado de Máquina.
Exemplo:
– Um estudante que memoriza toda a matéria de uma prova sem realmente entender
o conteúdo.
Ocorre quando é usado um conjunto muito grande de exemplos com pequena variação
entre as classes.
Overfitting e underfitting
Erro
Overfitting e underfitting
Causas do overfitting
Underfitting (subajuste)
Overfitting trabalha muito bem com o dataset de treinamento, mas não com
novas instâncias.
Maldição da dimensionalidade.
Maldição da dimensionalidade
Aprendizagem pode se tornar mais difícil a medida que aumentamos as características
em cada caso.
Pouco similares.
Redução da dimensionalidade
Vantagens:
Definição de problemas.
– A classe de tarefas.
– A fonte de conhecimento.
Dimensionalidade e definição de problemas
Dimensionalidade x Eficiência.
Redução da dimensionalidade.
Próxima aula
1 – Experiência de treinamento
2 – Função objetivo
2 – Função objetivo
– Função:
• EscolherMovimento
• EscolherMovimento : K M
2 – Função objetivo
– Função alternativa:
• Função V
• V:KR
2 – Função objetivo
– Função alternativa:
• V:KR
– Redes Neurais.
– Funções Polinomiais.
– Coleção de Regras.
Projetando um sistema de aprendizagem
...
Temos:
Função objetivo: V : K R
Representação da função:
Projetando um sistema de aprendizagem
Projeto.
Etapas.
Próxima aula
Extração de características.
Pré-processamento.
Extração de características
Pré-processamento e extração de características
Descrição:
– Incompletos.
– Ausência de valores.
– Inconsistentes
– Quais características?
– Como representá-las?
Extração global:
– Maneira holística.
Extração local
Sendo m <= d.
Pré-processamento e extração de características
Pré-processamento
Pré-processamento e extração de características
Pré-processamento
– Resolver inconsistências
– Dados externos.
Pré-processamento e extração de características
Normalização e agregação
– Agregar.
Clustering (agrupamento)
– Detecção de valores absurdos.
Normalização
– Remover problemas com o uso de unidades distintas entre variáveis
Pré-processamento.
Próxima aula
Classificação.
Fundamentos em Aprendizagem de Máquina
Capítulo 2. Técnicas de Aprendizado de Máquina
Aplicação.
Algoritmos.
Classificação
Treinamento supervisionado.
Classificação
Exemplo
Classificação
Aplicações (classificação):
– Riscos (financeiro).
– E-mails (spam).
– Imagens.
– Doenças.
Classificação
Algoritmos:
– Árvores de decisão.
– K-Nearest Neighbour.
– Redes neurais.
– Naive Bayes.
– SVM.
Conclusão
Diversos algoritmos.
Muitas aplicações.
Próxima aula
Agrupamento (clusters).
Aula 2.2. Agrupamento (clusters)
Nesta aula
Agrupamento (clusterização).
Aplicações.
Agrupamento
Objetivo do agrupamento:
– Dividir automaticamente um conjunto de objetos em grupos (clusters).
Aplicações:
– Identificação de clientes similares (ser mais assertivo ao oferecer novo produto).
– Classificação de documentos.
Importância do agrupamento.
Regressão.
Aula 2.3. Regressão
Nesta aula
Regressão (conceitos).
Aplicações.
Aplicações:
– Uma determinada rede de lojas deseja prever qual será a quantidade de vendas de
um produto em um mês com base nas vendas dos anos anteriores.
– Previsão de demanda.
– Previsão do tempo.
– Bolsa de valores.
Regressão
Regressão linear:
Dados observacionais são modelados por uma função que é uma combinação
não linear dos parâmetros do modelo.
Importância da regressão.
Predição de valores.
Próxima aula
Reconhecimento de padrões.
Aula 2.4. Reconhecimento de padrões
Nesta aula
Reconhecimento de padrões.
Importância.
Aplicações.
Reconhecimento de padrões
Definições:
Pode-se:
Reconhecimento de caracteres.
Aplicações.
Próxima aula
Sistemas de recomendação.
Aula 2.5. Sistemas de recomendação
Nesta aula
Aplicações.
Filtragem colaborativa.
Sistemas de recomendação
Netflix
Netflix.
Leva em consideração:
– O que o usuário faz.
– Cookies.
– Barra de scroll.
Características similares.
Sistemas de recomendação
Diversos algoritmos.
– K-nearest Neighbour.
Desafios:
Algoritmos atuais buscam dezenas de milhares de vizinhos em tempo real.
Demanda real: dezenas de milhões.
Textos.
Processamento.
Mineração.
Aula 2.6. Processamento e mineração de textos
Nesta aula
Recuperação da informação.
Aplicações.
Processamento e mineração de textos
– Frases.
– Simples palavras.
Processamento e mineração de textos
Contribuições:
– Busca específica em documentos.
– Páginas web.
– Naive Bayes.
Processamento e mineração de textos
Aplicações:
– Coleta da web (Web Crawler).
– Análise de sentimento.
– Inteligência competitiva.
Mineração de textos.
Termômetro de alguns assuntos na internet.
Análise de sentimentos.
Aula 2.7. Análise de sentimentos
Nesta aula
Análise de sentimentos.
Mineração de textos.
Aplicações.
Análise de sentimentos
Mineração de opinião.
– Produto / Empresa.
– Figura pública.
– Um lugar.
Termômetro.
Análise de sentimentos
Análise de sentimentos
Análise de sentimentos
Empresas querem saber como anda a sua reputação. Como está a aceitação de um novo
produto.
Bolsa de valores.
Esportes.
Política.
Artistas (audiências).
Doenças (epidemias)
Desafios:
– Textos com erros. Sentenças sintaticamente mal formatadas.
– Uso de memes.
– Uso de emoticons.
Análise de sentimentos
Métodos ensembles.
Aula 2.8. Métodos ensembles
Nesta aula
Uso de ensembles.
Classificadores.
Métodos ensembles
Tomada de decisões.
Com uma combinação, espera-se alcançar a opinião mais bem informada de todas.
Razões:
– Um bom desempenho no conjunto de treinamento não garante um bom
desempenho na generalização.
– O volume de dados a ser analisado pode ser muito grande para um único
classificador.
Métodos ensembles
A linha base de fronteira de decisão pode ser aproximada por meio de uma
combinação dos diferentes classificadores.
.
.
.
Métodos ensembles
Métodos ensembles
Conclusão
Estrutura.
Corpo central.
O neurônio artificial
Redes neurais
É feita uma soma ponderada dos sinais que produzem um nível de atividade.
E pesos w:
E limitador t, com sinais assumindo valores booleanos e pesos com valores reais.
y = 1, se a > = t ou y = 0, se a < t
Redes neurais
x1, x2, ..., xp
y = 1, se a > = t ou y = 0, se a < t t
a
Redes neurais
A rede de neurônios
Redes neurais
Combinando diversos neurônios podemos criar uma RNA (rede neural artificial).
Exemplo:
Redes neurais
Aplicações:
Robótica;
Classificação de dados;
Avaliação de crédito.
Próxima aula
Redes Hopfield.
Tipos de redes neurais
Perceptron multicamadas.
Camada a camada.
Ao final os pesos são ajustados de acordo com uma regra de correção de erros.
Rede Hopfield.
Existem combinações.
Próxima aula
Deep learning.
Aula 3.3. Deep learning
Nesta aula
Deep learning.
Funcionamento.
Aplicações.
Deep learning
Aprendizado hierárquico.
Composição de características.
Deep learning
Composição de características.
Albert
Einstein
Deep learning
Com uma única camada oculta é possível aproximar qualquer função contínua
limitada.
“O que estava errado nos anos 80 é que nós não tínhamos dados
suficientes e também não tínhamos capacidade computacional suficiente”.
Geoffrey Hinton
Deep learning
– Classificação de doenças.
– Diagnóstico de câncer.
– Carros autônomos.
– Visão computacional.
Árvores de decisão.
Funcionamento.
Utilização.
Árvores de decisão
Árvore criada para auxiliar na decisão de jogar ou não uma partida de tênis.
Atributos selecionados:
Árvores de decisão
Base de treino:
Árvores de decisão
Árvores de decisão
Exemplos de aplicações:
– Diagnóstico médico.
– Diagnóstico de equipamentos.
– Análise de crédito.
Entropia:
Grau de pureza de um conjunto.
Principais algoritmos:
ID3
– Algoritmo recursivo.
C4.5
– Usa técnica dividir para conquistar.
– Árvores binárias.
Conclusão
Inferência.
Recomendações.
Decisões.
Próxima aula
Algoritmo SVM.
Aplicações.
Funcionamento.
SVM
Classificação binária.
SVM
Dado pontos de dois tipos, o objetivo do SVN é separar esses dados em dois
grupos.
O SVM encontrará uma linha reta que separa esses pontos em dois tipos e
situados o mais longe possível desses pontos.
SVM
Prevê, para cada dado de entrada, duas classes de possíveis formas de saída.
Existem diversas retas que podem ser traçadas para separar os dados.
SVM
Hiperplano ótimo.
Funcionamento do SVM.
KNN.
Aula 4.3. KNN
Nesta aula
Descrição do KNN.
Funcionamento.
Aplicações.
KNN
K-Nearest Neighbor (KNN).
Aprendizado supervisionado.
Funcionamento do KNN.
Classificação.
Agrupamento.
Próxima aula
Naive Bayes.
Teorema.
Aplicações.
Naive Bayes
Classificador Bayes.
Assume que uma característica particular em uma classe não está relacionada
com a presença de qualquer outro recurso.
Exemplo:
– Um fruto pode ser considerado uma maçã:
– Se é vermelho.
– Levemente redondo.
Teorema:
Naive Bayes
– + positivo.
– - negativo.
Exame aponta um resultado positivo correto em 98% dos casos em que a doença
está presente.
Exame aponta um resultado negativo em 97% dos casos em que a doença não
esteja presente.
Naive Bayes
Outro exemplo:
Jogo de tênis.
Exemplo:
– P(yes) = 9 / 14 = 0,643.
Um vetor de combinações.
Naive Bayes
72 probabilidades condicionais.
2 [ 3 x 3 x 2 x 2]
Usado quando?
Aplicações bem-sucedidas.
Diagnóstico médico.
Consiste em atribuir o valor alvo mais provável (cMap) dados os valores dos atributos <a1,
a2, ..., an) que descrevem a instância.
Próxima aula
Linguagens de programação.
Bibliotecas.
Frameworks.
Linguagens e frameworks
Diversas linguagens.
– R.
– Python.
– Java.
– Família C.
Linguagens e frameworks
– Shogun.
– LibSVN.
Bibliotecas Scala:
– Epic: análise preditiva.
Frameworks
Scikit-Learn:
– Código aberto. Python.
– Vasta documentação.
Open source.
Shogun:
Pode ser usado em ambientes Java, Python, C#, Ruby, Matlab e outras.
Linguagens e frameworks
Apache Mahout:
MLlib.
WEKA:
Interface gráfica.
Serviços em nuvem.
Microsoft Azure.
Amazon AWS.
Google Cloud.
Algoritmos.
Conclusão
IoT.
5.2. Aplicações atuais de Machine Learning (IoT, Big Data,
etc.)
Nesta aula
Utilização.
Futuro.
Aplicações atuais de Machine Learning
– Big Data.
– Processamento disponível.
– Big Data.
– IoT.
Aplicações atuais de Machine Learning
– Sistema financeiro.
– Redes sociais.
– Precificação de produtos.
– Carros autônomos.
– Área do direito.
Aplicações preditivas
– Predições evoluem cada vez mais.
– Identificação de tendências.
– Entender os clientes.
– Prever comportamentos.
Aplicações atuais de Machine Learning
IOT
– Drones (Ex.: análises de tubulações para manutenções).
– Eletrodomésticos inteligentes.
– Automóveis integrados.
Aplicações atuais de Machine Learning