Escolar Documentos
Profissional Documentos
Cultura Documentos
AUTOMAÇÃO INDUSTRIAL
GUILHERME RAMOS
MACHINE LEARNING
Catalão
2023
0
ESCOLA SESI SENAI CATALÃO – GO
AUTOMAÇÃO INDUSTRIAL
GUILHERME RAMOS
MACHINE LEARNING
Catalão
2023
1
Sumário
Introdução 3
Validação Cruzada 8
Deep Learning 15
Aprendizado Automático 18
Qualidades de Dados 19
Conclusão 21
2
INTRODUÇÃO
Temos dois termos que vão ser bastantes ditos durante esse TCC sendo eles
usados bastante nas áreas de inteligência artificial e machine learning:
4
Interpretabilidade: Está relacionada à capacidade de interpretar ou compreender
os resultados ou saídas de um modelo ou sistema. Em contextos de aprendizado de
máquina, busca-se tornar os resultados dos modelos compreensíveis para os
usuários, especialmente em áreas críticas como saúde, finanças e justiça.
5
aquisição de conhecimento do domínio explicitamente representado.” Inteligência
Artificial - 4ª Ed. 2004 pg.330
Com base nessa fala fica claro que o aprendizado se baseia em algoritmos e
o Machine Learning se baseia na aplicação de uma variedade de algoritmos sendo
os principais são divididos em duas partes os Supervisionado e não supervisionado,
sendo supervisionado tendo tarefas preditivas, como por exemplo uma tarefa de
classificação, sendo contínuo; já as não supervisionadas se divide em grupos de
acordo com sua similaridade.
APRENDIZADO DE MÁQUINA
/ \
/ \
SUPERVISIONADO NÃO SUPERVISIONADO
I I
I I
/\ I
CLASSIFICAÇÃO REGRESSÃO I
/I-------------------\
Preditivo AGRUPAMENTO ASSOCIAÇÃO
SUMARIZAÇÃO e modelos
para aprender a partir dos dados Baseados neles conseguimos trazer a máquina um
entendimento e atribuímos sua função desenvolvendo suas capacidades de
aprender o proposto. Dentre seus outros algoritmos temos as redes neurais
artificiais, inspiradas no funcionamento do cérebro humano, têm desempenhado um
papel fundamental no Machine Learning. Elas consistem em camadas de neurônios
interconectados que processam informações e aprendem representações
complexas. As redes neurais profundas, ou Deep Learning, têm sido notáveis por
seu sucesso em tarefas como visão computacional e processamento de linguagem
natural, já para solucionar problemas de classificação e regressão temos as Árvores
6
de Decisão que são algoritmos de aprendizado supervisionado, elas dividem o
espaço de recursos em subconjuntos menores, representados por um conjunto de
regras de decisão em forma de árvore. Algoritmos como o Random Forest e o
Gradient Boosting Trees aprimoram o desempenho das árvores de decisão. Temos
também métodos que trabalham agrupando dados como os métodos de
clusterização os quais agrupam dados em clusters ou grupos com características
semelhantes. O algoritmo K-Means é um exemplo popular de método de
clusterização, que atribui pontos de dados a grupos com base em sua proximidade.
Os Algoritmos de classificação e regressão são usados para prever rótulos de
classes ou valores numéricos. Além dos algoritmos já mencionados, outros, como
Regressão Logística, Support Vector Machines (SVM) e saindo das abordagens
tradicionais, como os classificadores Naïve Bayes baseados no teorema de Bayes
com suposições de independência, a evolução tecnológica nos trouxe uma
ferramenta poderosa, o aprendizado profundo (Deep Learning). O aprendizado
profundo é uma subárea do Machine Learning que envolve o uso de redes neurais
profundas com múltiplas camadas. Essa abordagem permite a extração de
representações complexas a partir dos dados, tornando-a ideal para tarefas
desafiadoras. Além disso, em tarefas de regressão, uma abordagem amplamente
adotada é a aplicação dos Mínimos Quadrados Comuns, que consiste em ajustar um
modelo linear aos dados, minimizando a soma dos quadrados das diferenças entre
as observações reais e as previsões do modelo. A combinação de técnicas como o
aprendizado profundo e Mínimos Quadrados Comuns oferece uma ampla gama de
ferramentas para resolver problemas do mundo real, como o reconhecimento de
rostos e análise de dados em tempo real.
Validação cruzada
8
para enfrentar estes desafios (OCDE, 2022). A utilização de modelos e algoritmos
de aprendizagem automática no domínio antitrust requer dois elementos
fundamentais: pessoal formado e a disponibilidade de dados relevantes. A formação
de economistas e advogados em análise de dados e a disponibilidade de conjuntos
de dados apropriados são essenciais para explorar o potencial destas técnicas na
análise antitrust.
9
modelo que produz o menor custo, como o MSE além disso, a validação cruzada
pode ser usada para avaliar a capacidade preditiva de modelos em análises de
casos concorrentes por exemplo, ao considerar o impacto unilateral de uma fusão,
podemos prever a entrada de novos concorrentes ou a probabilidade de tal entrada
dentro de um determinado prazo a validação cruzada permite comparar o
desempenho de diferentes modelos de previsão e escolher o modelo mais
adequado. A validação cruzada desempenha um papel importante na aplicação do
aprendizado de máquina na defesa competitiva e na análise de dados econômicos
garante a robustez e previsibilidade dos modelos utilizados nestes contextos. A
seleção adequada de k e a interpretação cuidadosa dos resultados são essenciais
para garantir a validade das conclusões obtidas pela validação cruzada esse
conceito demonstra como a validação cruzada pode ser uma ferramenta valiosa na
tomada de decisões relativas à concorrência nas economias modernas.
10
avaliar o desempenho do modelo o modelo faz previsões com base nos dados de
teste e as compara com os valores reais (rótulos verdadeiros) dos dados de teste,
O Machine Learning, longe de ser apenas uma disciplina teórica, é uma tecnologia
com impacto significativo em diversas áreas práticas. Suas aplicações abrangem
uma ampla variedade de setores, impulsionando inovações e transformações em
diferentes domínios da sociedade. Na área da saúde, algoritmos de aprendizado
auxiliam em diagnósticos médicos, prevêem a progressão de doenças e identificam
padrões em grandes conjuntos de dados de pacientes. Sistemas de diagnóstico por
imagem, como detecção de câncer de mama em mamografias, são exemplos
notáveis já no setor financeiro, o Machine Learning é amplamente utilizado para
prever tendências de mercado, detectar fraudes em transações financeiras e
otimizar portfólios de investimento. Algoritmos analisam dados financeiros em tempo
real e históricos para tomar decisões informadas e reduzir riscos. Plataformas de
streaming, comércio eletrônico e redes sociais aplicam o Machine Learning para
personalizar a experiência do usuário. Algoritmos de recomendação analisam
11
históricos de interações do usuário, oferecendo conteúdo, produtos e anúncios sob
medida, impulsionando o engajamento e as vendas também em veículos autônomos
dependem fortemente do Machine Learning para navegação, reconhecimento de
objetos e tomada de decisões em tempo real. Algoritmos de visão computacional e
sensores avançados permitem que carros autônomos identifiquem obstáculos, sinais
de trânsito e outros veículos. O Processamento de Linguagem Natural (NLP) é uma
área em crescimento, com aplicações em tradução automática, chatbots, análise de
sentimentos e resumo de texto.
13
Encontrar um equilíbrio é crucial para orientar o desenvolvimento responsável dessa
tecnologia.
14
Machine Learning, permitindo a resolução de problemas complexos de forma mais
rápida e eficiente nutrindo assim uma junção de computação quântica e machine
Learning levando a uma velocidade de processamento nível quântico.
Deep Learning
Aprendizado Automático
Qualidades de Dados
18
comuns para melhorar o desempenho do modelo. O tratamento de dados
desequilibrados também é uma consideração crítica. Em muitos casos, as classes
alvo podem ter representações diferentes no conjunto de dados, o que pode
introduzir distorções no treinamento do modelo. Técnicas como sobre amostragem,
sub amostragem e geração de dados sintéticos são usadas para resolver problemas
de desequilíbrio e garantir que o modelo possa aprender com precisão todas as
classes. Além disso, a seleção de recursos relevantes é uma parte importante do
pré-processamento. A remoção de recursos sem importância ou altamente
correlacionados pode simplificar o modelo, reduzir o risco de ajuste excessivo e
melhorar a interpretação. Concluindo, uma compreensão profunda dos dados
combinada com métodos eficazes de pré-processamento é uma parte essencial da
construção de modelos de aprendizado de máquina. Esta abordagem cuidadosa
visa garantir que os modelos sejam treinados com dados de alta qualidade,
resultando em sistemas mais confiáveis, mais generalizáveis e capazes de fornecer
informações valiosas para uma ampla gama de aplicações.
Conclusão
20
sistema de semáforos inteligente que combina sensores e aprendizado de máquina
para otimizar o fluxo de tráfego ilustra como essa tecnologia pode ser aplicada de
maneiras inovadoras para resolver problemas do mundo real. No entanto,
considerando o futuro da aprendizagem automática, devem ser abordados desafios
éticos, como o enviesamento algorítmico e a proteção de dados. A transparência e a
interpretabilidade dos modelos devem ser uma prioridade para garantir a confiança
na utilização destas tecnologias. Além disso, tendências promissoras como a
aprendizagem combinada, a ética da IA e a integração com a computação quântica
prometem moldar o cenário da aprendizagem automática nos próximos anos. Em
suma, a aprendizagem automática não é apenas uma ferramenta poderosa para
resolver problemas complexos, mas também uma disciplina em constante evolução
que está a moldar o futuro das tecnologias emergentes. Ao aplicar estes avanços de
forma ética e responsável, podemos ajudar a criar um mundo mais eficiente, mais
seguro e adaptado aos desafios atuais.
22