![Classificador
Dados de
Treinamento
Treinar o
Classificador
Realizar
Predições
from sklearn import tree
atributos = [[140,1],[130,1],[150,0],[170,0]]
rotulos = [0,0,1,1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(atributos, rotulos)
print clf.predict([[160,0]])
Árvore de decisão
(decision tree)](https://image.slidesharecdn.com/codefortubaiaeap-170516003847/85/Inteligencia-Artificial-e-Aprendizado-de-Maquina-22-320.jpg)
![from sklearn import datasets
from sklearn import svm
numeros = datasets.load_digits()
classificador = svm.SVC(gamma=0.001, C=100.)
classificador.fit(numeros.data[:-1], numeros.target[:-1])
print(classificador.predict(numeros.data[-1:]))](https://image.slidesharecdn.com/codefortubaiaeap-170516003847/85/Inteligencia-Artificial-e-Aprendizado-de-Maquina-24-320.jpg)
![import matplotlib.pyplot as plt
import pandas
import numpy
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"
atributos = ['Grav', 'Plas', 'Pres', 'Pele', 'Insu', 'IMC', 'Diab', 'Idade', 'classe']
dados = pandas.read_csv(url, names=atributos)
dados.hist()
plt.show()
cor = dados.corr()
fig=plt.figure()
ax=fig.add_subplot(111)
cax=ax.matshow(cor, vmin=-1, vmax=1)
fig.colorbar(cax)
ticks = numpy.arange(0,9,1)
ax.set_xticks(ticks)
ax.set_yticks(ticks)
ax.set_xticklabels(atributos)
ax.set_yticklabels(atributos)
plt.show()](https://image.slidesharecdn.com/codefortubaiaeap-170516003847/85/Inteligencia-Artificial-e-Aprendizado-de-Maquina-25-320.jpg)
![iris = datasets.load_iris()
x = pd.DataFrame(iris.data)
x.columns=['Comprimento_Sepala', 'Largura_Sepala', 'Comprimento_Petala', 'Largura_Petala']
y = pd.DataFrame(iris.target)
y.columns=['Saidas']
modelo = KMeans(n_clusters=3)
modelo.fit(x)
mapaCores = np.array(['red', 'lime', 'black'])
plt.subplot(1,2,1)
plt.scatter(x.Comprimento_Petala, x.Largura_Petala, c=mapaCores[y.Saidas], s=40)
plt.title('Valores Reais')
plt.subplot(1,2,2)
plt.scatter(x.Comprimento_Petala, x.Largura_Petala, c=mapaCores[modelo.labels_], s=40)
plt.title('K means')
plt.show()](https://image.slidesharecdn.com/codefortubaiaeap-170516003847/85/Inteligencia-Artificial-e-Aprendizado-de-Maquina-26-320.jpg)
Inteligencia Artificial e Aprendizado de Máquina
- 1. Inteligência Artificial e Aprendizado de Máquina Max Pereira 13/05/2017 CODE FOR TUBA
- 4. Como fazer as máquinas compreenderem as coisas? (MINSKY, 1968).
- 5. Nós não precisamos mais ensinar os computadores como executar tarefas complexas, como reconhecimento de imagens ou tradução de textos. Agora podemos construir sistemas que permitem que os próprios computadores aprendam como fazer. Greg Corrado, a senior research scientist at Google (2016). “Eu não aprendi a falar com um linguista. Eu aprendi a falar ouvindo outras pessoas falando.” Greg Corrado
- 6. A > C Programa A > B, B > C Mapear o processo, levantar os requisitos, definir as regras...
- 7. Mas há problemas que nós não sabemos resolver! A falta de conhecimento é compensada pelos dados.
- 8. QUAIS AS REGRAS??? Reconhecimento de imagens Engenharia de software tradicional
- 9. Reconhecimento de imagens Aprendizado de máquina supervisionado Tigre Onça
- 10. Programa Aprendizado de Máquina Exemplos “O computador aprende a escrever o programa que nós, como programadores não somos inteligentes o suficiente para fazê-lo.” (Peter Norvig, 2015)
- 12. A Economia baseada em Algoritmos “Tudo em grande escala nesse mudo será gerenciado por algoritmos e dados” Joseph Sirosh, CVP of Data Group and Machine Learning at Microsoft (2016).
- 13. Engrenagem (ciclo) dos dados “Mais dados proporcionam melhores modelos, que possibilitam melhores experiências para os usuários, fazendo com que o número de usuários aumente e, como consequência, maior geração de dados.” Por exemplo, a Tesla coletou 780 milhões de milhas de dados referente a condução de automóveis, e eles estão adicionando um milhão de milhas a cada 10 horas. Esses dados estão sendo usados para alimentar um programa assistente de condução (Autopilot).
- 14. Aprendizado de Máquina Em geral, um problema de aprendizado considera um conjunto de n amostras (exemplos) de dados e depois tenta prever propriedades dos dados desconhecidos.
- 17. Algoritmos Aprendizado de Máquina 1. Naïve Bayes 2. K-Means 3. Support Vector Machine 4. Apriori 5. Regressão Linear 6. Regressão Logística 7. Redes Neurais Artificiais 8. Random Forest 9. Decision Trees 10. KNN
- 22. Classificador Dados de Treinamento Treinar o Classificador Realizar Predições from sklearn import tree atributos = [[140,1],[130,1],[150,0],[170,0]] rotulos = [0,0,1,1] clf = tree.DecisionTreeClassifier() clf = clf.fit(atributos, rotulos) print clf.predict([[160,0]]) Árvore de decisão (decision tree)
- 24. from sklearn import datasets from sklearn import svm numeros = datasets.load_digits() classificador = svm.SVC(gamma=0.001, C=100.) classificador.fit(numeros.data[:-1], numeros.target[:-1]) print(classificador.predict(numeros.data[-1:]))
- 25. import matplotlib.pyplot as plt import pandas import numpy url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data" atributos = ['Grav', 'Plas', 'Pres', 'Pele', 'Insu', 'IMC', 'Diab', 'Idade', 'classe'] dados = pandas.read_csv(url, names=atributos) dados.hist() plt.show() cor = dados.corr() fig=plt.figure() ax=fig.add_subplot(111) cax=ax.matshow(cor, vmin=-1, vmax=1) fig.colorbar(cax) ticks = numpy.arange(0,9,1) ax.set_xticks(ticks) ax.set_yticks(ticks) ax.set_xticklabels(atributos) ax.set_yticklabels(atributos) plt.show()
- 26. iris = datasets.load_iris() x = pd.DataFrame(iris.data) x.columns=['Comprimento_Sepala', 'Largura_Sepala', 'Comprimento_Petala', 'Largura_Petala'] y = pd.DataFrame(iris.target) y.columns=['Saidas'] modelo = KMeans(n_clusters=3) modelo.fit(x) mapaCores = np.array(['red', 'lime', 'black']) plt.subplot(1,2,1) plt.scatter(x.Comprimento_Petala, x.Largura_Petala, c=mapaCores[y.Saidas], s=40) plt.title('Valores Reais') plt.subplot(1,2,2) plt.scatter(x.Comprimento_Petala, x.Largura_Petala, c=mapaCores[modelo.labels_], s=40) plt.title('K means') plt.show()
- 27. imagemPath = "pessoas4.png" cascPath = "C:Usersmax.pereiraopencvsourcesdatahaarcascadeshaarcascade_frontalface_defa ult.xml" faceCascade = cv2.CascadeClassifier(cascPath) imagem = cv2.imread(imagemPath) escalaCinza = cv2.cvtColor(imagem, cv2.COLOR_BGR2GRAY) faces = faceCascade.detectMultiScale( escalaCinza, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags=cv2.cv.CV_HAAR_SCALE_IMAGE ) print("Encontrou {0} faces!".format(len(faces))) for (x, y, w, h) in faces: cv2.rectangle(imagem, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow("Faces encontradas", imagem) cv2.waitKey(0)
- 31. Text Mining usando a Linguagem R
- 32. Conexão Limpeza Análise de frequência das palavras Gráfico de ocorrências Gráfico de relações entre palavras
- 39. library(wordcloud) wordcloud(words=names(word.freq), freq = word.freq, min.freq = 3, random.order = F, colors = pal)
- 40. Análise de Sentimentos com R
- 45. 06 de maio de 2017
- 55. Se podemos prever as consequências das escolhas, então podemos escolher as consequências que queremos.
- 56. Inteligência Artificial e Aprendizado de Máquina Max Pereira [email protected] CODE FOR TUBA