MACHINE LEARNING SEM CÓDIGO E SEM MATEMÁTICA

CONTEÚDO DO CURSO

1. Google Vertex AI
2. Data Robot AI
3. Obviously AI
4. Big ML
5. Microsoft Azure
6. Orange
INFORMAÇÕES ADICIONAIS

• Nenhum pré-requisito
• Se já saber algo sobre ML o aproveitamento será melhor
• Não é um curso sobre teoria
• Problemas de classificação, regressão e séries
temporais
• Métricas para avaliar os resultados da classificação e
regressão
• Básico de cada ferramenta
• Exercícios resolvidos
MACHINE LEARNING
CLASSIFICAÇÃO

História do crédito Dívida Garantias Renda anual Risco

Ruim Alta Nenhuma < 15.000 Alto
Desconhecida Alta Nenhuma >= 15.000 a <= 35.000 Alto
Desconhecida Baixa Nenhuma >= 15.000 a <= 35.000 Moderado
Desconhecida Baixa Nenhuma < 15.000 Alto

Treinamento
Desconhecida Baixa Nenhuma > 35.000 Baixo
Desconhecida Baixa Adequada > 35.000 Baixo
Ruim Baixa Nenhuma < 15.000 Alto
Ruim Baixa Adequada > 35.000 Moderado
Boa Baixa Nenhuma > 35.000 Baixo
Boa Alta Adequada > 35.000 Baixo
Boa Alta Nenhuma < 15.000 Alto
Boa Alta Nenhuma >= 15.000 a <= 35.000 Moderado
Boa Alta Nenhuma > 35.0000 Baixo
Ruim Alta Nenhuma >= 15.000 a <= 35.000 Alto

História do crédito Dívida Garantias Renda anual

Ruim Alta Adequada < 15.000
Desconhecida Alta Adequada < 15.000
Desconhecida Baixa Nenhuma > 35.000
Boa Alta Adequada >= 15.000 a <= 35.000
CLASSIFICAÇÃO

Gênero País Idade Comprar Gênero País Idade

M França 25 Sim M França 38
M Inglaterra 21 Sim F Inglaterra 25
F França 23 Sim M Alemanha 55
F Inglaterra 34 Sim F França 20
F França 30 Não

Treinamento
M Alemanha 21 Não
M Alemanha 20 Não
F Alemanha 18 Não
F França 34 Não
F França 34 Não
M França 55 Não
M Inglaterra 25 Sim
M Alemanha 48 Sim
F Inglaterra 23 Não
REGRESSÃO

• Gastos propaganda (x) -> valor de venda (y)

• Temperatura, umidade e pressão do ar (x) -> velocidade do vento (y)
• Fatores externos (x) -> valor do dólar (y)
• Resultados do exame (x) -> probabilidade de um paciente sobreviver (y)
• Risco de investimento
• Gastos no cartão de crédito,
histórico (x) -> limite (y)
• Valores anteriores (x) ->
valores de produtos (y)
PASSOS APRENDIZAGEM DE MÁQUINA

Algoritmo
Dados Previsões
Modelo
GOOGLE VERTEX AI CREDITS
MÉTRICAS PARA AVALIAÇÃO – REGRESSÃO

• Mean absolute error (MAE)

• Diferenças absolutas entre as previsões e os valores reais
• Mean squared error (MSE)
• Diferenças elevadas ao quadrado (erros penalizados)
• Root mean squared error (RMSE)
• Interpretação facilitada
$ $ $
1 1 % 1 %
𝑀𝐴𝐸 = ' |𝑦! − 𝑦+! | 𝑀𝑆𝐸 = ' 𝑦! − 𝑦+! 𝑦 −&
𝑦!
𝑛# !
𝑹𝑴𝑺𝑬 =
𝑛 𝑛 !"#
!"# !"#
MÉTRICAS PARA AVALIAÇÃO – REGRESSÃO

Preço real Preço calculado Erro Erro

150 180 (150 – 180) = -30 (150 – 180)2 = 900

60 55 (60 – 55) = 5 (60 - 55)2 = 25

220 230 (220 – 230) = -10 (220 - 230)2 = 100

45 67 (45 – 67) = -22 (45 - 67)2 = 484

Soma absoluta = 67 Soma = 1.509

$
1 MAE = 67 / 4 = 16,75 MSE = 1.509 / 4 = 377,25
𝑀𝐴𝐸 = ' |𝑦! − 𝑦+! |
𝑛 𝑅𝑀𝑆𝐸 = 377,25 = 19,42
!"#
$ $
1 1 %
% 𝑦 −&
𝑦!
𝑀𝑆𝐸 = ' 𝑦! − 𝑦+! 𝑛# !
𝑹𝑴𝑺𝑬 =
𝑛 !"#
!"#
 MÉTRICAS PARA AVALIAÇÃO – CLASSIFICAÇÃO

Total de registros: 171

Acertos: 158
Erros: 13

Taxa de acerto (accuracy): 92%

Precision = TP / TP + FP = 57 / (57 + 6) = 0,90

Quando o modelo prevê um câncer, ele está correto em 90% dos casos

Recall = TP / TP + FN = 57 / (57 + 7) = 0,89

O modelo identifica corretamente 89% de todos os pacientes com câncer
MÉTRICAS PARA AVALIAÇÃO – CLASSIFICAÇÃO
Artigo didático (fonte das imagens): https://cienciaenegocios.com/curva-roc-e-auc-em-machine-learning/