Mais conteúdo relacionado
Semelhante a Aprendizado de máquina
![[DTC21] Raphael Castilho - Começando com Inteligência Artificial e Machine Le...](https://cdn.slidesharecdn.com/ss_thumbnails/iaemachine-210317154040-thumbnail.jpg?width=640&height=640&fit=bounds)
Aprendizado de máquina
- 1.
- 2. Agenda Introdução Conceitos e Definição Formasde Aprendizado Fases de Aprendizagem Exemplos
- 3. Introdução • Computadores realmentesão capazes de aprender? • Infelizmente ainda não sabemos exatamente como fazer computadores aprender de uma maneira similar a maneira como os humanos aprendem. • Entretanto, existem algoritmos que são eficientes em certos tipos de tarefas de aprendizagem.
- 4.
- 5. • Aprender significa“mudar para fazer melhor” (de acordo com um dado critério) quando uma situação similar acontecer. • Aprendizagem, não é memorizar. Qualquer computador pode memorizar, a dificuldade está em generalizar um comportamento para uma nova situação. O que é Aprendizagem de Máquina?
- 6. Redes Neurais Lógica Fuzzy Computação Evolucionária Agentes Inteligentes Linguagem Natural RobóticaRaciocínio Baseado em Casos Raciocínio Baseado em Regras Aprendizado deMáquina Subáreas da Inteligência Artificial
- 7. Um programa aprendea partir da experiência E, em relação a uma classe de tarefas T, com medida de desempenho P, se seu desempenho em T, medido por P, melhora com E. Mitchell, 1997 Também chamado de Aprendizado Indutivo. Aprendizado de Máquina ‐ Uma Definição
- 8. • Detecção debons clientes para um cartão de crédito – Tarefa T: classificar potenciais novos clientes como bons ou maus pagadores – Medida de Desempenho P: porcentagem de clientes classificados corretamente – Experiência de Treinamento E: uma base de dados histórica em que os clientes já conhecidos são previamente classificados como bons ou maus pagadores Aprendizado de Máquina ‐ Exemplo (1/2)
- 9. • Reconhecimento decaracteres manuscritos – Tarefa T: reconhecer e classificar caracteres manuscritos – Medida de Desempenho P: percentagem de caracteres classificados corretamente – Experiência de Treinamento E: base de dados de caracteres manuscritos com a respectiva classificação Aprendizado de Máquina ‐ Exemplo (2/2)
- 10.
- 11.
- 12.
- 13. • Conjunto deexemplos: Um conjunto de exemplos é composto por exemplos contendo valores de atributos bem como a classe associada. Conceitos e Definições
- 14. • Classificador ouHipótese: Dado um conjunto de exemplos de treinamento, um indutor gera como saída um classificador (também denominado hipótese ou descrição de conceito) de forma que, dado um novo exemplo, ele possa predizer com a maior precisão possível sua classe. • Ruído: é comum no mundo real, trabalhar com dados imperfeitos. Eles podem ser derivados do próprio processo que gerou os dados, do processo de aquisição de dados, do processo de transformação ou mesmo devido a classes rotuladas incorretamente (por exemplo, exemplos com os mesmos valores de atributos mas com classes diferentes). Conceitos e Definições
- 15. • Missing Values(Valores Perdidos): em geral, indicados por valores fora do escopo – Tipos: desconhecidos, não registrados, irrelevantes – Razões: • Mau‐funcionamento do equipamento • Mudanças na definição do experimento • Incapacidade de mesuração Conceitos e Definições
- 16. • Modo deaprendizado: – Não‐incremental (batch): sempre que todo o conjunto de treinamento deva estar presente para o aprendizado. – Incremental: o indutor apenas tenta atualizar a hipótese antiga sempre que novos exemplos são adicionados ao conjunto de treinamento. • Taxa de Erro de um classificador h: – Compara a classe verdadeira de cada exemplo com o rótulo atribuído pelo classificador induzido. Conceitos e Definições
- 17. • Precisão doClassificador: complemento da taxa de erro denotado por acc(h) Conceitos e Definições
- 18. • Erro de Regressão: calcula‐se a distância entre o valor real com o atribuído pela hipóteseinduzida. Pode‐se usar: erro médio quadrado ou a distância absoluta média. Conceitos e Definições
- 19. • Por queé importante para um agente aprender? – Os programadores não podem antecipar todas as situações que o agente pode encontrar. Exemplo: Um robô programado para andar em um único labirinto pode não saber andar em outros. – Os programadores não podem antecipar todas as mudanças que podem acontecer com o passar do tempo. Exemplo: Agente programado para prever as melhores opção de bolsa para investir precisa se adaptar quando o ambiente muda. – Os programadores nem sempre sabem encontrar a solução dos problemas diretamente. Exemplo: Programar um sistema para reconhecer faces não é algo trivial. Importância do Aprendizado
- 20.
- 21. Laser scan Intensity modelElevation model Camera vision 2D stationary map Lane model Características do Carro
- 22.
- 23. • Observa‐se algunspares de exemplos de entrada e saída, de forma a aprender uma função que mapeia a entrada para a saída. • Damos ao sistema a “resposta correta” durante o processo de treinamento. • É eficiente pois o sistema pode trabalhar diretamente com informações corretas. • Útil para classificação, regressão, estimação de probabilidade condicional (qual é a probabilidade de um cliente com um determinado perfil comprar um determinado produto?) Aprendizado Supervisionado
- 24. • O agentereconhece padrões nos dados de entrada, mesmo sem nenhum feedback de saída. • Por exemplo, um agente aprendendo a dirigir pode gradualmente desenvolver um conceito de dias de bom trafego e dias de trafego congestionado mesmo sem nunca ter recebido exemplos rotulados por um professor. Aprendizado Não‐Supervisionado
- 25. Aprendizado de Máquina Supervisionado Classificação Regressão k‐NN Árvores de Decisão Naive Bayes Perceptron/Adaline Multi‐Layer Perceptron k‐NN Adaline Multi‐Layer Perceptron k‐means MetódosHierárquicos Self‐Organizing Map Tipos de Aprendizado de Máquina Não‐Supervisionado
- 26. • Simbólico – Expressãológica, árvores de decisão, regras ou rede semântica. • Estatístico – Aprendizado Bayesiano • Baseado em Exemplos – Nearest Neighbours e raciocínio baseado em casos • Conexionista – Redes neurais • Evolutivo – Algoritmos genéticos Paradigmas de Aprendizado
- 27. • Treinamento – Apresenta‐seexemplos ao sistema. – O sistema “aprende” a partir dos exemplos. – O sistema modifica gradualmente os seus parâmetros para que a saída se aproxime da saída desejada. • Utilização – Novos exemplos jamais visto são apresentados ao sistema. – O sistema deve generalizar e reconhecê‐los. Fases da Aprendizagem
- 28. (Aprendizado Supervisionado) Atributos Exemplo Atrib1 Atrib2Atrib3 Atrib4 Atrib5 Atrib6 Classe X1 0.24829 0.49713 0.00692 ‐0.020360 0.429731 ‐0.2935 1 X2 0.24816 0.49729 0.00672 0.0065762 0.431444 ‐0.29384 1 X3 0.24884 0.49924 0.01047 ‐0.002901 0.423145 ‐0.28956 3 X4 0.24802 0.50013 0.01172 0.001992 0.422416 ‐0.29092 2 X5 0.24775 0.49343 0.01729 ‐0.014341 0.420937 ‐0.29244 2 Exemplos de Treinamento
- 29. Atributos Exemplo Atrib1 Atrib2Atrib3 Atrib4 Atrib5 Atrib6 Classe X1 0.22829 0.48713 0.00592 ‐0.010360 0.419731 ‐0.2845 ? X2 0.21816 0.48729 0.00572 0.0045762 0.421444 ‐0.28484 ? X3 0.23884 0.49824 0.01447 ‐0.003901 0.433145 ‐0.24956 ? X4 0.23002 0.49013 0.02172 0.002992 0.412416 ‐0.28092 ? X5 0.24575 0.49243 0.01029 ‐0.015341 0.430937 ‐0.28244 ? Classificação de Exemplos (Desconhecidos)
- 30. • Classificação: – Respondese uma determinada “entrada” pertence a uma certa classe. – Dada a imagem de uma face: de quem é esta face (dentre um número finito). • Regressão: – Faz uma predição a partir de exemplos. – Predizer o valor da bolsa amanhã, dados os valores de dias e meses anteriores. • Estimação de Densidade: – Estima quais são as N categorias presente nos dados. Tipos de Problemas
- 31. • Dado umaquantidade finita de dados para o treinamento, temos que derivar uma função h que se aproxime da verdadeira função f(x) (a qual gerou os dados e é desconhecida). • Existe um número infinito de funções h. Aprendizado Supervisionado
- 32. • Dado umaquantidade finita de dados para o treinamento, temos que derivar uma função h que se aproxime da verdadeira função f(x) (a qual gerou os dados e é desconhecida). • Existe um número infinito de funções h. Aprendizado Supervisionado
- 33. • Dado umaquantidade finita de dados para o treinamento, temos que derivar uma função h que se aproxime da verdadeira função f(x) (a qual gerou os dados e é desconhecida). • Existe um número infinito de funções h. Aprendizado Supervisionado
- 34. • Dado umaquantidade finita de dados para o treinamento, temos que derivar uma função h que se aproxime da verdadeira função f(x) (a qual gerou os dados e é desconhecida). • Existe um número infinito de funções h. Aprendizado Supervisionado
- 35. • Dado umaquantidade finita de dados para o treinamento, temos que derivar uma função h que se aproxime da verdadeira função f(x) (a qual gerou os dados e é desconhecida). • Existe um número infinito de funções h. Aprendizado Supervisionado
- 36. • Não queremosaprender por memorização – Boa resposta sobre os exemplos de treinamento somente. – Fácil para um computador. – Difícil para os humanos. • Aprender visando generalizar – Mais interessante. – Fundamentalmente mais difícil: diversas maneiras de generalizar. – Devemos extrair a essência, a estrutura dos dados e não somente aprender a boa resposta para alguns casos. Generalizar é Difícil
- 37. • Função‐alvo f(melhor resposta possível). Exemplo
- 38. • Erro baixosobre os exemplos de aprendizagem. Mais elevado para os de teste. Exemplo ‐ Overfitting
- 39. • Escolhemos ummodelo muito simples (linear): erro elevado na aprendizagem. Exemplo ‐ Underfitting
- 40.
- 41. • O modeloé suficientemente flexível para capturar a forma curva da função f mais não é suficiente para ser exatamente igual a função f. Exemplo – Um Bom Modelo
- 42. • Como sabemosse a hipótese h está próxima da função‐alvo f, se não conhecemos o que é f? • Este é um aspecto de uma questão mais abrangente: como saber se um algoritmo de aprendizado produziu uma teoria que preverá corretamente o futuro? • Qualquer hipótese que é consistente com um conjunto suficientemente grande de exemplos é pouco provável de estar seriamente errada. Teoria de Aprendizado Computacional
- 43.
- 44.
- 45.
- 46.
- 47. E B C A A B C D E D Bishop, “Pa4ern Recogni%on and Machine Learning”, Springer, 2006 Árvore de Decisão – Ideia
- 48. 10 7 E 3 5 7 2 3 2 A A B C D E B C D Árvore de Decisão – Ideia
- 49.
- 50. • Sensibilidade a pequenas perturbações no conjunto de treino (geram redes muito diferentes) • Overfiting Árvore de Decisão –Desvantagens • Fronteiras lineares e perpendiculares aos eixos
- 51. • Russell, S. and Novig, P. Artificial Intelligence: a ModernApproach, 2nd Edition, Prentice‐Hall, 2003. – Capítulo 18: Learning from Observations Leitura Complementar