ARTIFICIAL

INTELLIGENCE
M A C H I N E
L E A R N I N G
 INÚTIL

A gente não sabemos escolher presidente

A gente não sabemos tomar conta da gente
A gente não sabemos nem escovar os dente
Tem gringo pensando que nóis é indigente

A gente faz carro e não sabe guiar

A gente faz trilho e não tem trem pra botar
A gente faz filho e não consegue criar
A gente pede grana e não consegue pagar

ULTRAJE A RIGOR
MACHINE LEARNING
SISTEMAS DE RECOMENDAÇÃO

Tecnologia indispensável para qualquer e-

commerce, pois faz recomendações de
produtos e ou serviços para o consumidor,
agindo como um vendedor virtual.
 MACHINE LEARNING

MACHINE LEARNING
O QUE É Machine Learning ?

é o processo pelo qual os computadores

desenvolvem o reconhecimento de padrões
ou a capacidade de aprender
continuamente ou fazer previsões com
base em dados, e então, fazer ajustes sem
serem especificamente programados para
isso. IA
Machine Learning é uma forma de inteligência
artificial

É uma subcategoria da inteligência artificial e automatiza efetivamente o processo

de construção de modelos analíticos e permite que as máquinas se adaptem a
novos cenários de forma independente
 Vantagens no uso de Machine Learning

 Gerenciamento de big data inteligente – O grande volume e variedade dos dados gerados pela interação de seres
humanos e outras forças ambientais com a tecnologia seria impossível de processar, assim como seria impossível
obter insights disso tudo, sem a velocidade e a sofisticação do machine learning.

 Dispositivos inteligentes – Desde dispositivos vestíveis que monitoram objetivos de saúde e bem-estar até carros
autônomos e "cidades inteligentes" com uma infraestrutura que pode reduzir automaticamente o desperdício de
tempo e energia, a Internet das Coisas é uma grande promessa, e o machine learning pode ajudar a dar sentido ao
aumento significativo de dados.

 Experiências valiosas para o consumidor – O machine learning permite que mecanismos de busca, aplicativos da
Web e outras tecnologias personalizem os resultados e as recomendações de modo a atender às preferências do
usuário, criando experiências personalizadas e interessantes para os consumidores.
Como o machine learning funciona?

O machine learning é incrivelmente complexo e como ele funciona varia

dependendo da tarefa e do algoritmo usado para realizá-la. Contudo, em
seu núcleo, um modelo de machine learning é um computador que analisa
dados, identifica padrões e então usa esses insights para concluir melhor sua
tarefa atribuída. Qualquer tarefa que depende de um conjunto de pontos de
dados ou regras pode ser automatizada usando o machine learning, até
mesmo aquelas tarefas mais complexas, como responder a chamadas de
atendimento ao cliente e revisar currículos.
Como o machine learning funciona?

Dependendo da situação, os algoritmos de machine learning funcionam

usando mais ou menos intervenção/reforço humano. Os quatros principais
modelos de machine learning são:

 aprendizado supervisionado
 aprendizado não supervisionado
 aprendizado semi supervisionado
 aprendizado de reforço
Como o machine learning funciona?

Com o aprendizado supervisionado, o computador recebe um conjunto de

dados rotulados que permite que ele aprenda como um humano faz uma
tarefa. Esse é o modelo menos complexo, pois ele tenta replicar o aprendizado
humano.
Como o machine learning funciona?
Com o aprendizado não supervisionado, o computador recebe dados não rotulados e
extrai padrões/insights anteriormente desconhecidos deles. Os algoritmos fazem isso
de diversas maneiras diferentes, incluindo:

 Agrupamento, em que o computador encontra pontos de dados semelhantes dentro de um conjunto de dados e
agrupa-os de forma adequada (criando “clusters”).

 Estimativa de densidade, em que o computador descobre insights observando como um conjunto de dados está
distribuído.

 Detecção de anomalias, em que o computador identifica pontos de dados dentro de um conjunto de dados que
são significativamente diferentes do restante dos dados.

 Análise principal de componentes (PCA), em que o computador analisa um conjunto de dados e resume-os para
que possam ser usados para fazer previsões precisas.
Como o machine learning funciona?

Com o aprendizado semi-supervisionado, o computador recebe um conjunto de dados

parcialmente rotulados e realiza sua tarefa usando os dados rotulados para entender
os parâmetros de interpretação dos dados não rotulados.
Como o machine learning funciona?

Com o aprendizado de reforço, o computador observa o próprio ambiente e usa esses

dados para identificar o comportamento ideal que minimizará os riscos e/ou
maximizará a recompensa. Essa é uma abordagem iterativa que exige certo tipo de
sinal de reforço para ajudar o computador a identificar melhor sua melhor ação.
DEEP LEARNING
M A C H I N E L E A R N I N G
DEEP LEARNING

O machine learning é a categoria mais ampla de algoritmos capazes de usar

um conjunto de dados para identificar padrões, descobrir insights e/ou fazer
previsões. O deep learning é uma ramificação particular do machine learning,
que usa a funcionalidade do Machine Learning e age além das suas
capacidades.
Com o machine learning em geral, há certo envolvimento humano em que os
engenheiros são capazes de analisar os resultados de um algoritmo e fazer
ajustes nele com base na sua precisão. O deep learning não depende dessa
análise. Em vez disso, um algoritmo de deep learning usa sua própria rede
neural para verificar a precisão dos seus resultados e aprender com eles
DEEP LEARNING

Com o machine learning em geral, há certo envolvimento humano em que os

engenheiros são capazes de analisar os resultados de um algoritmo e fazer
ajustes nele com base na sua precisão. O deep learning não depende dessa
análise. Em vez disso, um algoritmo de deep learning usa sua própria rede
neural para verificar a precisão dos seus resultados e aprender com eles.
DEEP LEARNING

A rede neural de um algoritmo de deep learning é uma estrutura de

algoritmos que são organizados em camadas para replicar a estrutura do
cérebro humano. Portanto, a rede neural aprende como se sair melhor em
uma tarefa ao longo do tempo sem os engenheiros fornecerem feedback a
ela.
DEEP LEARNING

Os dois principais estágios do desenvolvimento de um rede neural são

treinamento e inferência. O treinamento é o estágio inicial em que o
algoritmo de deep learning é fornecido com um conjunto de dados e recebe
a tarefa de interpretar o que esse conjunto de dados representa. Os
engenheiros então fornecem feedback para a rede neural sobre a precisão
da sua interpretação e ela se ajusta adequadamente. Pode haver muitas
iterações desse processo. Inferência é quando a rede neural é implementada
e capaz de usar um conjunto de dados que nunca viu antes para fazer
previsões precisas sobre o que ele representa.
DEEP LEARNING

Os dois principais estágios do desenvolvimento de um rede neural são

treinamento e inferência.

O treinamento é o estágio inicial em que o algoritmo de deep learning é

fornecido com um conjunto de dados e recebe a tarefa de interpretar o que
esse conjunto de dados representa. Os engenheiros então fornecem
feedback para a rede neural sobre a precisão da sua interpretação e ela se
ajusta adequadamente.
DEEP LEARNING

Pode haver muitas iterações desse processo. Inferência é quando a rede

neural é implementada e capaz de usar um conjunto de dados que nunca viu
antes para fazer previsões precisas sobre o que ele representa.

Para alcançar o ML com êxito em escala, as empresas precisam considerar

investir em MLOps, que inclui o processo, as ferramentas e a tecnologia que
otimizam e padronizam cada estágio do ciclo de vida do Machine Learning,
desde o desenvolvimento do modelo até a operacionalização.
Machine
Learning
Operations

(MLOps)
Machine Learning Operations

Os modelos de machine learning fornecem insights valiosos para os negócios, mas

somente se esses modelos puderem acessar e analisar os dados da organização
continuamente. As operações de machine learning (MLOps) são o processo crítico
que torna isso possível.
Machine Learning Operations

As MLOps são um processo interfuncional, colaborativo e iterativo que

operacionaliza a data science. As MLOps fazem isso tratando o machine
learning e outros tipos de modelos como artefatos de software reutilizáveis.
Os modelos podem então ser implantados e monitorados continuamente por
meio de um processo repetível.
Machine Learning Operations

As MLOps suportam integração contínua e implantação rápida e repetível de

modelos. Dessa forma, elas ajudam as empresas a descobrir informações
valiosas e insights mais rápidos. As MLOps também envolvem o
monitoramento contínuo e o retreinamento de modelos em produção para
garantir que eles tenham um desempenho ideal à medida que os dados
mudam com o passar do tempo.
Machine Learning Operations

Um dos principais benefícios das MLOps é que elas permitem que data
science, machine learning, estatística e outros tipos de modelos forneçam
valor de negócios rapidamente. As MLOps fazem isso garantindo que os
modelos possam ser implantados repetidamente e monitorados
continuamente.
Machine Learning Operations

O processo das MLOps permite:

 Implantar mais modelos mais rapidamente com processos automatizados

 Aceleração do tempo de ROI com a entrega rápida de modelos
 Otimização da produtividade por meio da colaboração e da reutilização de modelos
Redução do risco de perder tempo e dinheiro em modelos que nunca são colocados em
produção
 Monitoramento e atualização contínua dos modelos à medida que as informações mudam ao
longo do tempo
MLOps versus DevOps versus DataOps

As MLOps unificam a coleta de dados, o pré-processamento, o treinamento de

modelos, a avaliação, a implantação e o retreinamento em um único processo
fácil de manter.

As DevOps se concentram na entrega contínua de software e na automação da

integração, dos testes e da implantação de código. Elas não envolvem o
gerenciamento de dados ou analytics.

As DataOps (operações de dados) focam no gerenciamento de canais de dados

e a automação de processos para reduzir o tempo necessário para conclusão
do analytics.
 SISTEMAS DE RECOMENDAÇÃO
VIDEO E-MAIL
Youtube Gmail

01 03 05

02 04

Streaming E-COMMERCE APP

Netflix Mercado Livre Ifood, rappi, airbnb

Como o próprio nome diz, os Sistemas de Recomendação têm o objetivo de recomendar produtos ou serviços para o
consumidor, de forma personalizada, utilizando técnicas de Machine Learning para isso
 lima@clips.com.br

PROFESSORLIMA.COM
Put Your Screenshot
Here

(11) 9.5850-8384 Telegram