Aprendizagem de máquina

Fundamentos básicos

Professor Eduardo Benjamin

Título: Aprendizagem de máquina
(Machine Learning)
Fundamentos Básicos

professor eduardo benjamin
prof_edubenjamin
professor.edubenjamin
Escritor, Palestrante, Professor em cursos preparatórios para
concursos públicos nas disciplinas de Informática, TI e
Arquivologia. Professor orientador TCC na área de
informática, Coordenador EAD e professor conteudista na
área de TI.
Especialização em Administração de Empresas - FGV
Graduação em Tecnologia da Informação - Mackenzie
Nova Concursos, Central de Concursos, Fito, LFG (Kroton),
Folha Cursos, Federal Concursos, IOB, Damásio, Aprova+,
Apostilas Soluções, Unicursos Campinas, Faculdades FAM,
Propol Cursos.
Livros para concursos da Polícia Civil, Auditor Fiscal do
Trabalho, Polícia Rodoviária Federal, Arquivologia,
Assistente Administrativo da Receita Federal (ATA) e
Doutrinas para Concursos da Polícia Civil
Canal do YouTube do Professor Eduardo Benjamin
Livros Publicados pelo Professor Eduardo Benjamin
o Aprendizagem de
máquina
1º 1.1. Fundamentos básicos de
Aprendizado de máquina
B
L
O Segmento
C 01
O
Conceito de aprendizado de máquina
Machine Learning, termo original em
inglês, ou o aprendizado automático,
como também é conhecido, é um
subcampo da ciência da computação.
Evoluiu do estudo de reconhecimento
de padrões e da teoria do aprendizado
computacional em inteligência
artificial.
O que é aprendizado de máquina
Segundo Arthur Samuel (1959), o aprendizado
de máquina é o “campo de estudo que dá aos
computadores a habilidade de aprender sem
serem explicitamente programados”. Além disso,
explora a construção de algoritmos que podem
aprender com seus erros e fazer previsões sobre
dados a partir de duas abordagens de
aprendizagem: supervisionada, não
supervisionada e por reforço. Isso permite
produzir decisões e resultados confiáveis e
repetíveis.
 Machine Learning é uma tecnologia onde os
computadores tem a capacidade de aprender de
acordo com as respostas esperadas por meio
associações de diferentes dados, os quais podem ser
imagens, números e tudo que essa tecnologia possa
identificar. Machine Learning é o termo em inglês para a
tecnologia conhecida no Brasil como aprendizado de
máquina.
Alguns conceitos importantes Herbert Simon
“Aprendizado é qualquer processo pelo
qual um sistema melhora sua
performance pela experiência.”

“Machine Learning está preocupado com

(1916 – 2001)
programas de computador que
Psicologia da cognição automaticamente melhoram sua
humana, inteligência
artificial. Nobel 1978
performance pela experiência. “
Qual a vantagem do aprendizado de máquina
Desenvolver sistemas que podem automaticamente se
adaptar e se customizar para usuários individuais.
Exemplo: plataformas de streaming.

Descobrir novo conhecimento a partir / usando

grandes bases de dados (data mining).
Exemplo: fraldas e cervejas.
Onde ela se encaixa
Sistemas que são muito difíceis ou caros para construir manualmente
porque eles requerem habilidades ou conhecimento detalhados
1. (gargalo
específicos ajustados para uma tarefa específica Detectarde engenharia
do conhecimento). 2. Alinhar
98%
3. pela
O reconhecimento facial é viabilizada Representar
Acurácia
inteligência artificial.
Ela funciona por meio de um algoritmo de machine learning,
4. Classificar
desenhado para escanear e registrar vários pontos do rosto
humano – como a distância entre os olhos, a estrutura do nariz
e do queixo etc. – e treinado para ligá-lo a apenas um
indivíduo.
Desenvolvimento do aprendizado de máquina
- Big Data

- Incremento da força computacional

- Progresso dos algoritmos

- Aumento no suporte e apoio das empresas

Machine learning e inteligência artificial

Machine IALearning é
Inteligência
Inteligência
uma vertente
Artificial (IA) a
específica
ciência da IA de
capaz
Artificial que
treina máquinas
mimetizar as
para aprender com
habilidades
Machine
dados.
humanas.
Learning
Inteligência Artificial
A expressão inteligência artificial está
associada, geralmente, ao
desenvolvimento de sistemas
especialistas. Estes sistemas baseados
em conhecimento, construídos,
principalmente, com regras que
reproduzem o conhecimento do perito,
são utilizados para solucionar
determinados problemas em domínios
específicos.
 Inteligência artificial não é o mesmo que
machine learning (aprendizado de máquina)

Não é difícil encontrar os dois termos usados como sinônimos, mas a

verdade é que machine learning é apenas uma parte da inteligência
artificial. O “aprendizado de máquina” é uma aplicação de IA muito
utilizada hoje, em que um programa acessa um grande volume de
dados e aprende com eles automaticamente, sem intervenção
humana.
1º 1.1. Fundamentos básicos de
Aprendizado de máquina
B
L
O Segmento
C 02
O
O aumento na coleta de dados em massa impulsionou a IA

O volume de informações produzidas pelas pessoas vem crescendo

exponencialmente com a ascensão da Internet, em especial nos últimos anos, com
as redes sociais. Mas é essa a ideia central para entender o Big Data, conjunto
massivo de dados que serve de base para o aprendizado dos mais diversos
softwares, como o machine learning.

Essa revolução dos dados favoreceu o cenário da inteligência artificial. Com mais
informação disponível, os pesquisadores e as empresas ganharam mais motivação
para buscar maneiras inteligentes e automatizadas de processar, analisar e usar os
dados.
Qual a importância do aprendizado de máquina?
Interesse no
aprendizado de
máquina

Mineração de Análise
Dados Bayesiana
Crescentes volume e variedade de dados disponíveis, o processamento
computacional mais barato e poderoso, o armazenamento de dados acessível.
 Conceitos Básicos da Análise ou
Estatística Bayesiana
Predizer, afirmar o que
Predição vai acontecer no futuro;
profecia, previsão.
Propósito de
qualquer análise
estatística
Ação ou efeito de inferir;
Inferência
conclusão, indução.
 Conceitos Básicos da Análise ou
Estatística Bayesiana
Descritiva Dashboard, tabelas.
Exploração dos dados. BI.

Estatística Frequentista
Clássica
Feita com dados disponíveis
Inferencial
Dados coletados
Adiciona a predição
+ subjetivos
ao modelo
Pesquisas eleitorais.
Bayesiana
 Conceitos Básicos da Análise ou
Estatística Bayesiana
A priori (probabilidade anterior): afirmado ou
estabelecido sem verificação; pressuposto.
A priori está relacionado à informação sobre os parâmetros obtidos ou existentes
antes do experimento.
Em um estudo várias hipóteses podem ser formuladas, no caso da informação a
priori, ela é a hipótese fixada como sendo o valor verdadeiro do parâmetro.

Posteriori: é combinação da priori (o que sabemos antes) com a verossimilhança

(o que os dados nos disseram).
 Teorema de Bayes

P(A|B) → probabilidade de A acontecer visto que B já ocorreu. Para

isso, calcula-se:
P(A) → a probabilidade a priori de A (conhecimento acumulado por
eventos anteriores), multiplicada pela:
P(B|A) → verossimilhança (dados coletados), dividida pela:
P(B) → probabilidade B (evidência).
Aplicação da estatística Bayesiana
Além da aplicação puramente estatística. Tem-se utilizado
de forma extensiva a rede bayesiana.
bayesiana
As redes bayesianas foram desenvolvidas no início dos anos
1980 para auxiliarem nas tarefas preditivas na área de
Inteligência Artificial (IA). Nesse contexto, a teoria de Redes
Bayesianas combina princípios de Teoria de grafos,
grafos teoria
de probabilidades, Ciência da Computação e Estatística.
Machine learning é tendência...mas, sem mágica
Uma máquina só é capaz de fazer algo que o ser humano
faz, e apenas se a tarefa for passada
Dadosà precisam
ela. Hoje, terisso ainda
gera muito trabalho e deve ser feito Dados
qualidade não de atenção.
(base
com extrema
direcionados
Não existe mágica aí, mas muita dedicação emnão
dados perfeita, aocima de
negócio não
existe).
dados. Basta perguntar para qualquer cientista
contribuem em nada.
de dados
competente o trabalho que dá fazer um computador
prever algo.
Qual a importância do machine learning?
A possibilidade de produzir, de forma rápida e automática,
modelos capazes de analisar dados maiores e mais
complexos, e entregar resultados mais rápidos e precisos –
mesmo em grande escala. E ao construir modelos precisos,
uma organização tem mais chances de identificar
oportunidades lucrativas – ou de evitar riscos
desconhecidos.
O que se precisa para criar bons sistemas de machine learning?

▪ Capacidade de data preparation (procura, limpeza, transformação,

organização e coleta de dados);
▪ Algoritmos – básicos e avançados;
▪ Processos automatizados e iterativos;
▪ Escalabilidade;
▪ Modelagem conjunta (modelagem de dados).
Como pode
ser cobrado
em prova?
Em um condomínio de vários edifícios, um sistema de medição on-line de temperaturas
em um transformador ficou coletando informações por vários anos, desde que o
transformador foi colocado em operação até o surgimento de um problema no
isolamento de um de seus enrolamentos, que precipitou um curto-circuito capaz de
destruir o equipamento. Apesar do monitoramento constante, não foi possível detectar
a falha incipiente. Entretanto, pela análise dos dados, com rotinas de sistemas
especialistas, inteligência artificial, reconhecimento de padrões e machine learning, é
possível criar um sensor de software, por exemplo, capaz de compreender a tendência
de um equipamento desse tipo em evoluir para uma falha catastrófica. Esse algoritmo
sensor pode ser usado para antecipar o surgimento desses problemas em
equipamentos de um mesmo tipo ou de características semelhantes, para que seja
possível intervir em sua operação, apenas quando estritamente necessário, para
realizar sua manutenção. Com o uso dessas ferramentas, as empresas podem criar, seja
nos cenários industriais, comerciais ou prediais, rotinas de manutenção:
A) Corretiva.
B) Preventiva.
C) Preditiva.
D) Destrutiva.
E) Especialista.
No que diz respeito à Gestão e à Tecnologia da Informação e do Conhecimento, dois
conceitos são caracterizados a seguir.

I. Está associado à mineração de dados e consiste no uso de processos para explorar

grandes quantidades de dados digitais à procura de padrões consistentes, como
regras de associação ou sequências temporais, com o objetivo de descobrir
relacionamentos sistemáticos entre variáveis; detectando, assim, novos
subconjuntos de dados.

II. Está associado a uma tecnologia que utiliza algoritmos para construir modelos que
revelam conexões, as organizações podem tomar decisões melhores sem
intervenção humana.

Os conceitos caracterizados, em I e em II, são denominados, respectivamente,

A) Data Mining e Machine Learning (aprendizado de máquina).

B) Business Intelligence e Data Mining.

C) Data Mining e Business Intelligence.

D) Business Intelligence e Machine Learning (aprendizado de máquina)..

E) Data Warehouse e Data Mining.

REFERÊNCIAS

• Machine Learning e Ciência de dados com IBM Watson

https://www.ibm.com/br-pt/analytics/machine-learning

• Por que se fala tanto em Machine Learning?

https://www.sas.com/pt_br/offers/2018/next-analytics-age-
machine-learning/download.html#formsuccess