Escolar Documentos
Profissional Documentos
Cultura Documentos
SOBRE O CURSO 3
PROFESSOR DO CURSO 4
AULA 1, PARTE 1 5
AULA 1, PARTE 2 11
AULA 1, PARTE 3 14
AULA 2, PARTE 1 16
AULA 2, PARTE 2 19
AULA 2, PARTE 3 23
AULA 3, PARTE 1 26
AULA 3, PARTE 2 29
AULA 3, PARTE 3 33
2
SOBRE O CURSO
3
PROFESSOR DO CURSO
D O U T O R E M C I Ê N C I A D A C O M P U TA Ç Ã O E
COORDENADOR ACADÊMICO
4
AULA 1, PARTE 1
Hesdras Oliveira Viana
Overview 04:20
- Elaine Rich -
5
Tão logo algum problema de IA é resolvido, ele não é mais
considerado um problema da área de IA.
- Chuck Thorpe -
Abordagens de IA 14:04
6
• Aprendizad o não-super visio n a do /Ag r u p a m en to : o a lg o r it m o a n a lis a
os exemplos fornecidos e tenta det er m in a r s e a lg u n s deles p o dem s er
agrupados;
Teste de Turning
O teste d e Turing tem uma p rem is s a b á s ic a : s e u m s er h u m a n o c onversa
com uma máquina por cinco m in u to s s em p erc eb er q u e ela n ã o é
human a, o computador pas s a n o t es t e.
7
O professor demonstra os con c eito s de a g en t e c it a n do o s exem p lo s :
• Agente humano:
Sensores: Olhos, ouvidos e o u t ro s ó rg ã o s .
Atuadores: Mãos, pernas, bo c a e o u t ra s p a r t es do c o r p o .
• Agente robótico:
Sensores: câmeras e detecto res de in f raver m elh o .
Atuadores: vários motores.
• Agente de software:
Sensores: entrad a do teclado , c o n t eú do de a rq u ivo s e p a c o t es vin dos da
rede.
Atuadores: tela, disco, envio de p a c o t es p ela rede.
8
Hesdras cita os tipos d e agent e c o n s idera n do u m a o rdem c res c en t e e m
relação à autonomia e complex ida de:
• Agente tabela;
• Agente reativo simples;
• Agente reativo com estad o in t er n o ;
• Agente cognitivo basead o em o b jet ivo ;
• Agente otimizador;
• Agente adaptativo, aquele qu e a p ren de.
9
Mão na massa 42:33
P-value
Valor-p, também chamado de n í vel des c r it ivo o u p ro b a b ilida de de
significância, é a probabilida de de s e o b t er u m a es t a t í s t ic a de t este
igual ou mais extrema que a q u ela o b s er va da em u m a a m o s t ra , s o b a
hipótese nula.
10
AULA 1, PARTE 2
Hesdras Oliveira Viana
• Representação d os indivídu o s ;
• Estratégia d e seleção;
• Operadores de busca.
11
A represen tação binária é a mais u t iliz a da e, den t ro dela , t em o s a p a r te da
seleção, que nos permite ident if ic a r a s s o lu ç õ es c a n dida t a s e n o s demanda
a utilização d e algum método de p ro b a b ilida de de s eleç ã o . So b re es s e
processo de seleção na repres en t a ç ã o b in á r ia , Hes dra s c o m en t a s o b re o
método da roleta, a seleção por to r n eio , o p era do res g en ét ic o s , o p era d or
mutação, operad or crossover de do is p o n to s e c ro s s over u n if o r m e. Sobre
o processo de seleção na repres en t a ç ã o rea l, o p ro fes s o r c o m en t a s obre
crossover convencional, crossover a r it m ét ic o , b a s ea do s da direç ã o ,
crossover méd ia e blend cross over. Além des s es c o n c eito s , Hes dra s
aborda também a população in ic ia l e o s c r it ér io s de p a ra da , a b o rda n d o
número máximo d e gerações, f u n ç ã o o b jet ivo c o m va lo r ó t im o a lc a n ç ado,
convergência na função objetivo .
Algoritmo meta-heurístico
Algoritmo d e alto nível custo m iz ável a u m a a m p la q u a n t ida de de
problemas.
12
Operadores genéticos
Operad ores genéticos (cru z a m en to e m u t a ç ã o ) s ã o a p lic a do s a o s
indivíduos selecionados, vis a n do p ro du z ir n ovo s in diví du o s a p a r ti r
do material genético de se u s p a is a p a r t ir de u m a p ro b a b ilida de para
ser realizada a operação (pm – p ro b a b ilida de de m u t a ç ã o e p c –
probabilid ade d e cruzamento ).
13
AULA 1, PARTE 3
Hesdras Oliveira Viana
14
Valores de reverse
Os valores d e reverse podem s er Tr u e o u Fa ls e: f a ls e s ig n if ic a q u e a
lista será ord enada em ord em a s c en den t e, t r u e s ig n if ic a q u e a lis ta será
ordenada em ord em descen den t e.
15
AULA 2, PARTE 1
Hesdras Oliveira Viana
16
A rede neural é uma tentativa de simular o cérebro humano.
Perceptron
É uma red e neural de cama da ú n ic a e u m Perc ep t ro n de vá r ia s c a madas
é chamad o de Rede Neural Ar t if ic ia l. O Perc ep t ro n é u m c la s s if ic ador
linear binário. Além d isso, é u s a do n a a p ren diz a g em s u p er vis io n a da e
pode ser usad o para classif ic a r o s da do s de en t ra da f o r n ec ido s .
Funções de ativação
As funções de ativação são u m elem en to ex t rem a m en t e im p o r t a n te das
redes neurais ar tificiais. Ela s b a s ic a m en t e dec idem s e u m n eu rô ni o
deve ser ativado ou não. Ou s eja , s e a in f o r m a ç ã o q u e o n eu rô n io está
recebendo é relevante para a in f o r m a ç ã o f o r n ec ida o u deve s er ignorada.
17
Perceptron 42:33
18
AULA 2, PARTE 2
Hesdras Oliveira Viana
NumPy
É uma biblioteca para a lin g u a g em P yt h o n c o m f u n ç õ es p a ra s e t rabal har
com computação numérica . Seu p r in c ip a l o b jeto é o veto r n - dim ensi onal ,
ou ndarray. Um vetor n-dimen s io n a l t a m b ém é c o n h ec ido p elo n o me
tensor.
19
O Numpy é mais rápido que as próprias funções nativas do
Phyton, principalmente quando queremos simular algum
agente robótico pois é fácil fazer manipulação de dados
dentro dele.
• Subconjunto d e treinamen to ( 5 0 % do s da do s )
20
• Taxa de aprendizagem deve s er b a ix a ( 0 .1 , 0 .5 , 0 .0 1 );
21
MLP 33:06
22
AULA 2, PARTE 3
Hesdras Oliveira Viana
MLP 00:20
• Utilizar momentum;
• Adicionar ruido.
23
Quero que você aprenda a matriz de confusão não só para
Machine Learning, mas para sua vida, para você aprender o
que é recall, precisão e acurácia.
Matriz de confusão
É calculad a pela função d e p es q u is a Cla s s if ic a ç ã o . E la ex ib e a
distribuição d os registros em t er m o s de s u a s c la s s es a t u a is e de suas
classes previstas. Isso indic a a q u a lida de do m o delo a t u a l. Um m odel o
pode conter d uas ou mais c la s s es p revis t a s .
24
Dentre as desvantagens da ár vo re de dec is ã o , t em o s :
Overfitting
Ocorre quand o o mod elo se a da p to u m u ito b em a o s da do s c o m o s quai s
está sendo treinad o; porém , n ã o g en era liz a b em p a ra n ovo s da do s.
Ou seja, o mod elo “decorou ” o c o n ju n to de da do s de t rein o , m a s n ão
aprendeu de fato o que diferen c ia a q u eles da do s p a ra q u a n do p re ci sar
enfrentar novos testes.
25
AULA 3, PARTE 1
Hesdras Oliveira Viana
I niciamos essa aula aind a abo rda n do a á r vo re de dec is õ es . Hes dra s e xpl i ca
como diminuirmos o over fittin g a t ravés da s s eg u in t es p rá t ic a s :
26
Mão na massa 11:27
27
Naive Bayes 33:55
• Diagnóstico médico;
• Separação d e Documentos;
• Previsão d e falhas.
28
AULA 3, PARTE 2
Hesdras Oliveira Viana
29
Aprendizagem não 19:31
supervisionada
30
K-Means 34:06
• Simples e intuitivo;
• Sensível a outlier;
31
Método elbow
Conhecid o como método do c o tovelo . Ba s ic a m en t e o q u e o m éto d o
faz é testar a variância d os da do s em rela ç ã o a o n ú m ero de c lu s t ers.
Podemos ver esse “cotovelo” q u a n do p lo t a m o s s eu s res u lt a do s em um
gráfico.
PCA 49:54
Maldição da dimensionalidade
Diz que a quantid ade d e d a do s de q u e vo c ê p rec is a p a ra a lc a n ç a r
o conhecimento desejado im p a c t a ex p o n en c ia lm en t e o n ú m ero de
atributos necessários. O d es em p en h o do c la s s if ic a do r t en de a s e
degradar a par tir de um d et er m in a do n ú m ero de a t r ib u to s .
32
AULA 3, PARTE 3
Hesdras Oliveira Viana
33
3. Cooperação: o neurônio venc edo r def in e u m a viz in h a n ç a to p o ló g ic a (em
função da grad e) de neurônios exc it a do s ;
34
Aprendizagem por reforço 26:18
• Inicializa Q (s,a);
Q-learning
É um algoritmo de Apren diz a do Po r R ef o rç o q u e b u s c a en c o n t rar a
melhor ação a ser tomad a , da do o es t a do a t u a l. O ‘q ’ n o q - lea r n i ng
significa qualidade. A qu a lida de, n es t e c a s o , rep res en t a a u t ilid ade de
uma d eterminad a ação p a ra o b t er a lg u m a rec o m p en s a f u t u ra .
35
Deep Neural Networking 37:38
36
Dropout é quando você desliga os neurônios com o passar do
tempo.
PyTorch
É uma estrutura de aprendiz a do de m á q u in a de c ó dig o a b er to b aseada
na biblioteca Torch, usada p a ra a p lic a t ivo s c o m o vis ã o c o m p u t aci onal
e processamento d e ling u a g em n a t u ra l, des en vo lvida p r in c ip a lmente
pela Meta AI. É um softw a re g ra t u ito e de c ó dig o a b er to la n ç a do sob a
licença BSD mod ificad a.
37