Escolar Documentos
Profissional Documentos
Cultura Documentos
DE APOIO
Cláudio Azevêdo é referência nacional em Tecnologia e Possui graduação em Ciência da Computação pela Universidade
crescimento, tendo uma atuação brilhante como gerentegeral do Federal do Rio Grande do Sul (1991), mestrado em Computação pela
Cabify, uma das startups mais disruptivas do setor e que cresceu Universidade Federal do Rio Grande do Sul (1993) e doutorado em
mais de 500% em 2017. Atualmente, é head de Growth na Zx Ciência da Computação pela Universidade Federal do Rio Grande do
Ventures, do grupo ABInbev, controlador de algumas das maiores Sul (2000). Atualmente é professor adjunto do Instituto de
empresas do mundo, como AMBEV, SABMiller e Budweiser. Mestre Informática. Tem experiência na área de Ciência da Computação, com
e PHD, é especialista em crescimento acelerado de negócios e ênfase em Inteligência Artificial, atuando principalmente nos seguintes
métodos de gestão baseados em técnicas aplicadas por startups temas: Inteligência Artificial, Aprendizagem de Máquina, Agentes
disruptivas como Cabify, Airbnb e Google. Cláudio Azevedo tem inteligentes e Sistemas Multiagentes, Engenharia de Software e
conhecimentos em Marketing, Transformação Digital, negociação, Desenvolvimento de Sistemas, Ensino de Programação e de Ciência da
expansão de negócios internacionais de tecnologia, operações e Computação.
gerenciamento de projetos complexos, metodologias ágeis, como
Scrum e Kanban. Tudo isso contribuiu para sua expertise na
construção de estratégias, no desenvolvimento de novos negócios
e na liderança de equipes multidisciplinares e multiculturais.
Encontros e resumo da disciplina
AULA 1 AULA 2 AULA 3
Toda a conversa de inteligência Não há como construir bons Não se faz ciência de dados sem
artificial não ocorre sem ciência produtos sem, de fato, colocar o conhecer o negócio.
de dados. cliente no centro.
Bancos de
Estatísticos ...
Dados
DADOS E BIG
DATA
Variedade e
Volume Velocidade
Complexidade
DADOS E
BIG DATA
QUANTO DADO É
“VOLUME”?
• Em 2008
• Google processava 20PB por
dia
• Facebook tinha 60TB de logs
diários
• eBay tinha 6.5PB de dados de
usuários + 50TB novos por dia
• 1000 projetos Genoma -> 200TB
QUANTO DADO É
“VOLUME”?
• Em 2019
• Algumas projeções
• Agregação e Estatística
• Data warehousing e OLAP
Como é
vista hoje
•Vem do “Big Data/Cloud computing” e Ciência da Complexidade
Um pouco
• Termo "Big Data" cunhado pelos astrônomos Cox e Ellsworth em 1997
•Termo usado em 2001
•William S. Cleveland. "Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics”.
•CODATA Data Science Journal, abril de 2002, pelo International Council for Science: Committee on Data for Science and Technology
de história
•The Journal of Data Science, em janeiro de 2003, Columbia University
•Popularidade em 2010
•Programas acadêmicos
•Organizações profissionais
•...
MASH-UP DE
DISCIPLINAS
MASH-UP DE
DISCIPLINAS
GARTNER´S
2014 HYPE
CYCLE
GARTNER´S
2020 HYPE
CYCLE
E OS PAPÉIS?
• Data Scientist
• The Sexiest Job of the 21st Century
Identify project Collect and review Select and cleanse Manipulate data and Evaluate model Apply conclusions to
objectives data data draw conclusions and conclusions business
E A INTELIGÊNCIA ARTIFICIAL?
• O que é “Inteligência”?
• É possível emular comportamento
inteligente em máquinas?
• Até onde é possível ir?
19
UM POUCO DE FILOSOFIA
• Máquinas podem pensar???
• O que são máquinas?
• O que é pensar?
• O que quer dizer podem?
DIMENSÕES/ABORDAGENS
DA IA
Pensando
Agindo
DIMENSÕES/ABORDAGENS DA IA
Sistemas de PLN
Sistemas Redes Sistemas
Nebulosos Bayesianas Especialistas
(fuzzy)
numérico Robôs simbólico
Algoritmos Sistemas de Sistemas
genéticos baseado
Aprendizagem em casos
simbólica indutiva
Sistemas baseados em
Redes Neurais
conhecimento extensional (exemplos)
PARADIGMAS (CLÁSSICOS)
• Simbólico (IA clássica ou GOFAI): metáfora lógica
• ex. sistemas especialistas, agentes,...
• Estatístico/Probabilístico
• Ex. Redes Bayesianas, sistemas difusos
Filosofia Sociologia
Lingüística IA Psicologia
Neuro-fisiologia Computação
Genética
24
FILOSOFIA
• Sócrates, Platão, Aristóteles mente racional (400 AC)
• Descartes (1600) dualismo (natureza física x mente, livre
arbítrio)
• Materialismo mundo (cérebro e mente) funciona de acordo
com leis físicas
• Empiricismo fonte do conhecimento (observação dos fatos
e generalização de regras)
• Positivismo lógico conhecimento pode ser expresso em
teorias lógicas
MATEMÁTICA (LÓGICA)
• Aristóteles • Godel
• Boole • Turing
• Frege • Church
• Tarski • Bayes
• Hilbert
MATEMÁTICA
• Aristóteles – explica o raciocínio dedutivo
• Boole – 1840 formalização de operações lógicas
• Frege – 1880 lógica de primeira ordem, termo e predicado,
quantificação
• Tarski – 1940 relação dos objetos da lógica com objetos do mundo
(modelo)
• Hilbert – 1900 formalização da matemática
MATEMÁTICA
• Godel – 1930 incompletude da aritmética
• mostrou que existe um procedimento efetivo
para provar uma proposição verdadeira em
lógica de primeira ordem, mas que esta lógica
não poderia capturar o princípio de indução
matemática necessária para caracterizar os
números naturais
APLICAÇÕES
Pesquisa operacional: busca e otimização, heurísticas
em geral
Text from Bart Selman, image from IBM’s Deep Blue pages
GAME AGENTS
• Reinforcement learning
Photo: Google / Getty Images
SIMULATED AGENTS
• Tecnologias
• Veículos
• Resgate
• Ajuda em casa
• Muita automação...
• Lembre-se:
• Ignoramos aspectos mecânicos
• Métodos de planejamento
• Métodos de controle
APLICAÇÕES
• Sistemas especialistas: atividades que exigem
conhecimento especializado e não formalizado
• Tarefas: diagnóstico, previsão, monitoramento,
análise, planejamento, projeto, etc.
• Áreas: medicina, finanças, engenharia, química,
indústria, arquitetura, arte, computação,...
• Computação: bancos de dados dedutivos, interfaces
adaptativas, mineração de dados (data mining),
programação automática, etc.
DIFICULDADES
• Representação:
• Como traduzir uma tarefa em informação estruturada e
processos de informação
• Generalidade x eficiência
• Explosão combinatória (espaço de solução):
• reproduzir as jogadas possíveis do Xadrez
DIFICULDADES: XADREZ
• “Impossível” reduzir o problema a um formalismo
matemático
• Uma busca exaustiva do melhor movimento é
impraticável
• Solução baseada em heurísticas
DIFICULDADES: VISÃO
• como reconhecer uma maçã no supermercado?
• Contexto: maçãs serão encontradas junto com
outras frutas (conceito)
• Segmentação: como saber onde começa e acaba
uma fruta? É preciso reconhecer cores, textura,
tamanho
• Representação e similaridade: como diferenciar
maçãs de peras, mangas? Há vários modelos visuais
para representar formas de diferentes frutas,
comparáveis entre si
VISÃO
COMPUTACIONAL
Karpathy & Fei-Fei, 2015; Donahue et al.,
2015; Xu et al, 2015; many more
IA
REPRESENTAÇÃO
• Raciocínio:
• processo de construção de novas sentenças a partir de
outras sentenças.
https://replit.com/join/cqkiopae-mdmmora
segue-se
fatos fatos
Mundo
Representação implica
sentenças sentenças
E, CLARO:
Baseado no material preparado pelo Prof. J.B.Lopes Filho e do Prof. Rodrigo Barros
Deep Learning: Interesse Crescente
IA x ML x RN x DL
Deep Learning: O Desafio
Deep Learning: O Desafio
Deep Learning: O Desafio
Re-lembrando: Fluxo em Aprendizage de
Máquina
Re-lembrando: Fluxo em Machine Learning
Problemas Canônicos em ML
Algorimtmos em ML
Rumo a Deep Learning
Rumo a Deep Learning
ML vs. Deep Learning
Deep Learning
Deep Learning
Deep Learning
Deep Learning
Deep Learning – Funções de Ativação
Deep Learning – Fluxo de Treinamento
Ainda similar...
Deep Learning - Gradiente Descendente
Deep Learning – Deep Autoenconders
Deep Learning – Convolutional Neural Nets
(CNN)
Deep Learning – Convolutional Neural Nets
(CNN)
Deep Learning – Recurrent Neural Nets
(RNN)
Deep Learning – Long Short – Term Memory
(LSTM)
Deep Learning – CNN + RNN –
Gerador de Legenda
Deep Learning - Requisitos
Ferramentas para Deep Learning
Deep Learning - Conclusões
Ciência de
Dados:
E onde se
encaixam a
IA, o
Machine
Learning e
Big Data?
Prof. Dr. Michael da Costa Móra
michael.mora@pucrs.br