Dionisio Chiuratto Agourakis, profile picture
Carregado porDionisio Chiuratto Agourakis
2,055 visualizações

Machine Learning - Introdução e Aplicações

1) O documento apresenta conceitos de machine learning, incluindo definições, exemplos de tarefas como classificação e regressão, e métodos de aprendizado supervisionado e não supervisionado. 2) Regressão linear é explicada como um exemplo de aprendizado supervisionado, onde um modelo é treinado para prever valores Y com base em valores X, minimizando o erro entre previsões e valores reais. 3) O método de aprendizado busca estimar os parâmetros a e b da equação linear Y = aX + b que melhor se ajustam aos dados de trein

Dados e análise◦
Tópicos relacionados:
Business Intelligence•

Incorporar apresentação

Baixado 154 vezes
Machine Learning Aplicado Dionisio Chiuratto Agourakis J!Quant dionisio@jquant.com.br @josaum https://br.linkedin.com/in/dionisioca
Short bio SENAI: Torneiro Mecânico + Mecânico Multifuncional FGV/EAESP: Graduação em Administração de Empresas ETEC Rubens de Faria: Técnico em Mecânica ITA : Mestrado em Eng. Da Computação Fundador/CEO da J!Quant APIs de IA/Otimização Soluções – Enterprise SaaS
O que é Machine Learning? 3
O que é Machine Learning? 4 Inteligência Artificial
O que é Machine Learning? 5 Inteligência Artificial Fraca Forte
O que é Machine Learning? 6 Inteligência Artificial Fraca Forte Um algoritmo que tenha comportamentos semelhantes à mente humana. Um algoritmo que constitua, seja uma mente como a humana.
Definição de Machine Learning 7 "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E" Mitchell, T. (1997). Machine Learning, McGraw Hill. p.2.
Definição de Machine Learning 8 Aprendizado = generalização do conhecimento
Definição de Machine Learning 9 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos
Definição de Machine Learning 10 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos Modelo “treinamento”
Definição de Machine Learning 11 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos Modelo “treinamento” “previsão” Dados desconhecidos Ex: Vendas do próximo ano
Classificação 12 Tarefa Tipo Classificação Supervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado Estimativa de Densidade Não-Supervisionado Redução de Dimensionalidade Não-Supervisionado + Aprendizagem por Reforço *
13 Natureza dos algoritmos
14 Natureza dos algoritmos 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver?
15VAI DAR TUDO CERTO
16 Natureza dos algoritmos 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Solução Analítica 𝑥𝑥 = −𝑏𝑏 ± 𝑏𝑏2 − 4𝑎𝑎𝑎𝑎 2𝑎𝑎 𝑥𝑥 = −(−5) ± (−5)2−4.1.6 2.1 𝑥𝑥𝑥 = 3 𝑥𝑥𝑥𝑥 = 2
17 Natureza dos algoritmos 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson Começar de um “chute inicial” e melhorar aos poucos.
18 Natureza dos algoritmos 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson Começar de um “chute inicial” e melhorar aos poucos. iterativamente
19 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson 𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛 − 𝑓𝑓(𝑥𝑥𝑛𝑛) 𝑓𝑓𝑓(𝑥𝑥𝑛𝑛) 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓
20 Como resolver? Método Newton-Raphson 𝑥𝑥1 = 𝑥𝑥0 − 𝑓𝑓(𝑥𝑥0) 𝑓𝑓𝑓(𝑥𝑥0) 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥1 = 1,2 − 𝑓𝑓(1,2) 𝑓𝑓𝑓(1,2) 𝑥𝑥1 = 1.75
21 Como resolver? Método Newton-Raphson 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥2 = 𝑥𝑥1 − 𝑓𝑓(𝑥𝑥1) 𝑓𝑓𝑓(𝑥𝑥1) 𝑥𝑥2 = 1,75 − 𝑓𝑓(1,75) 𝑓𝑓𝑓(1,75) 𝑥𝑥2 = 1,96
22 Como resolver? Método Newton-Raphson 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥3 = 𝑥𝑥2 − 𝑓𝑓(𝑥𝑥2) 𝑓𝑓𝑓(𝑥𝑥2) 𝑥𝑥3 = 1,96 − 𝑓𝑓(1,96) 𝑓𝑓𝑓(1,96) 𝑥𝑥3 = 2,00
23 Como resolver? Método Newton-Raphson 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥3 = 𝑥𝑥2 − 𝑓𝑓(𝑥𝑥2) 𝑓𝑓𝑓(𝑥𝑥2) 𝑥𝑥3 = 3,07 − 𝑓𝑓(3,07) 𝑓𝑓𝑓(3,07) 𝑥𝑥3 = 3,00
24 Método 𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛 − 𝑓𝑓(𝑥𝑥𝑛𝑛) 𝑓𝑓𝑓(𝑥𝑥𝑛𝑛) f(X) f’(X) X0 - CHUTE Raízes
25 Há aprendizado?
26 Quanto mais você “usa”, melhor fica? “…its performance at tasks in T, as measured by P, improves with experience E."
27 Machine Learning Tarefa Tipo Classificação Supervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
28 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ?
29 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Dados conhecidos! Você está mostrando, para cada X, qual é o Y correto.
30 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Dados conhecidos! Você está mostrando, para cada X, qual é o Y correto. Aprendizagem ~SUPERVISIONADA~
31 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão
32 Regressão (linear) X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b
33 Regressão (linear) X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b !
34 Regressão (linear) X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b ! Com qual propósito?
35 Regressão (linear) X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b ! Com qual propósito objetivo?
36 Regressão (linear) Se a = 1 e b = 0 Y’ = 1.X + 0 X Y Y' ERRO (Y-Y')^2 0 2,898319 0 8,400251902 1 5,839758 1 23,42325324 2 7,850841 2 34,23234345 3 6,523894 3 12,41782695 4 10,33009 4 40,07003738 5 13,21322 5 67,45704694 6 15,56836 6 91,55356128 7 14,09511 7 50,34051714 8 16,04708 8 64,75544862 9 21,49065 9 156,0164579 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 548,6667448
37 Regressão (linear) Se a = 1 e b = 0 Y’ = 1.X + 0 X Y Y' ERRO (Y-Y')^2 0 2,898319 0 8,400251902 1 5,839758 1 23,42325324 2 7,850841 2 34,23234345 3 6,523894 3 12,41782695 4 10,33009 4 40,07003738 5 13,21322 5 67,45704694 6 15,56836 6 91,55356128 7 14,09511 7 50,34051714 8 16,04708 8 64,75544862 9 21,49065 9 156,0164579 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 548,6667448 MINIMIZAR
38 Método Equações Normais, Gradiente, outros Conjunto de treinamento (gabarito) X Y Y' 0 2,898319 0 1 5,839758 1 2 7,850841 2 3 6,523894 3 4 10,33009 4 5 13,21322 5 6 15,56836 6 7 14,09511 7 8 16,04708 8 9 21,49065 9 10 ? ? 11 ? ? 12 ? ? 13 ? ? Parâmetros a,b ERRO (Y-Y')^2 8,400251902 23,42325324 34,23234345 12,41782695 40,07003738 67,45704694 91,55356128 50,34051714 64,75544862 156,0164579 Avaliação - Objetivo
39 Y = 1,82x + 3,20
40 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão X Y Y' ERRO (Y-Y')^2 0 2,898319 3,2 0,091011543 1 5,839758 5,02 0,672002458 2 7,850841 6,84 1,021800052 3 6,523894 8,66 4,562950039 4 10,33009 10,48 0,022473056 5 13,21322 12,3 0,833977903 6 15,56836 14,12 2,097753984 7 14,09511 15,94 3,403636995 8 16,04708 17,76 2,934105124 9 21,49065 19,58 3,650601845 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 19,290313
41 Regressão X Y 0 2,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão Y = 1,82x + 3,20 X Y Y' 10 ? 21,4 11 ? 23,22 12 ? 25,04 13 ? 26,86
42
43 Machine Learning Tarefa Tipo Classificação Supervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
44 Classificação • Mesma idéia da regressão • Output não é um número real • Avalia o acerto da classificação em categorias • Regressão  Regressão Logística Input Método Categoria A Categoria B Categoria C 1 2 3
45 Classificação X Y Y' ERRO (Y-Y')^2 0 1 0 1 1 2 2 0 2 1 1 0 3 2 2 0 4 2 1 1 5 2 2 0 6 1 1 0 7 2 1 1 8 3 3 0 9 3 3 0 10 ? 11 ? 12 ? 13 ? Erro Total: 3
46 Machine Learning: Redes Neurais Ideia Principal: Perceptron
47 Regressão com Redes Neurais Artificiais x x x x x x x x x x x y
48 Regressão com Redes Neurais Artificiais x x x x x x x x x x x y w Achar os w’s para minimizar o erro w w w
49 Regressão com Redes Neurais Artificiais Reconhecimento de imagens?
50 Regressão com Redes Neurais Artificiais Reconhecimento de imagens? Se a imagem possuir 28x28 pixels... 784 inputs para a rede neural
51 Machine Learning: Redes Neurais
52FICAREMOS BEM
53 Machine Learning: Redes Neurais Feedforward Backpropagation
54 Machine Learning Tarefa Tipo Classificação Supervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
55 Clusterização • Objetivo: Agrupar dados semelhantes (formar clusters) • • Não é dado um “gabarito” ao algoritmo (ele seria a resposta, não?) • Necessária uma regra de “similaridade” • Ex: Distância Euclideana Aprendizagem ~NÃO-SUPERVISIONADA~
56 Clusterização X Y 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
57 Clusterização N = 1 X Y 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
58 Clusterização N = 2 X Y 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
59 Clusterização X Y 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36 Cluster A Centroide (médias em X e Y) X = 7,16 Y = 8,75 Cluster B Centroide (médias em X e Y) X = 8,75 Y = 20,27
60 Clusterização Cluster A Distância média de cada ponto até o centroide do cluster 45,22/9 = 5,02 Cluster B X Y Dist 3,63 5,25 4,97 4,70 5,48 4,09 5,07 5,66 3,73 5,70 7,43 1,97 6,02 7,46 1,72 6,26 5,05 3,81 7,24 5,99 2,76 12,58 20,47 13,60 20,05 13,02 18,62 11,47 12,89 20,27 12,80 17,83 10,69 13,97 20,19 12,42 20,36
61 Clusterização Cluster A Cluster B X Y Dist 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 0,55 13,60 20,05 0,55 13,02 18,62 12,89 20,27 0,21 12,80 17,83 13,97 20,19 0,88 12,42 20,36 0,68 2,86/5 = 0,5745,22/9 = 5,02 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster
62 Clusterização Cluster A Cluster B Devemos alterar os membros de cada cluster até alcançar a distância mínima entre os pontos de cada cluster e seu centroide! 45,22/9 = 5,02 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster 2,86/5 = 0,57
63 Clusterização Cluster A Cluster B Centróide (médias em X e Y) X = 5,52 Y = 6,05 Centróide (médias em X e Y) X = 13,04 Y = 19,68 X Y Dist 3,63 5,25 2,05 4,70 5,48 1,00 5,07 5,66 0,59 5,70 7,43 1,39 6,02 7,46 1,51 6,26 5,05 1,24 7,24 5,99 1,73 12,58 20,47 0,91 13,60 20,05 0,67 13,02 18,62 1,07 12,89 20,27 0,60 12,80 17,83 1,87 13,97 20,19 1,06 12,42 20,36 0,91
64 Clusterização Cluster A Cluster B 9,50/7 = 1,36 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster 7,10/7 = 1,01 X Y Dist 3,63 5,25 2,05 4,70 5,48 1,00 5,07 5,66 0,59 5,70 7,43 1,39 6,02 7,46 1,51 6,26 5,05 1,24 7,24 5,99 1,73 12,58 20,47 0,91 13,60 20,05 0,67 13,02 18,62 1,07 12,89 20,27 0,60 12,80 17,83 1,87 13,97 20,19 1,06 12,42 20,36 0,91
65 Método Função de Similaridade Dados Número de clusters Clusters
66 Tarefa Tipo Classificação Supervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço * Machine Learning
67 http://www.cs.ubc.ca/~murphyk/Bayes/pomdp.html Aprendizagem por Reforço (Reinforcement Learning / Neuro-dynamic programming)
68 Aprendizagem por Reforço (Reinforcement Learning / Neuro-dynamic programming) Você não consegue dizer ao seu cachorro o que fazer, mas ainda sim consegue ensiná-lo ao dar bonificações/penalizações de acordo com suas ações.
69 Aprendizagem por Reforço (Reinforcement Learning / Neuro-dynamic programming) • Tomada de decisão sequencial • Maximização da soma das recompensas descontadas Agente Ambiente Recompensa Estado Ação
70 Esta é a essência do Machine Learning
71 Aplicações!!
72
73
74
75
76
77 Video 1 - Artomatix
78 Video 2 – Super Mario
Vivemos em um tempo especial
Aprenda a trabalhar com algoritmos “inteligentes”...
...ou aprenda a trabalhar para eles.
Obrigado! Dionisio Chiuratto Agourakis J!Quant dionisio@jquant.com.br @josaum https://br.linkedin.com/in/dionisioca

Mais conteúdo relacionado

PDF
Aprendizado de máquina
porparasite
 
PDF
Introdução à Aprendizagem de Máquina
porFernando Palma
 
PDF
Machine Learning
porShrey Malik
 
PDF
Introdução a Machine Learning
porMorvana Bonin
 
PPTX
Aprendizado de Máquina
porbutest
 
PDF
Scikit Learn Tutorial | Machine Learning with Python | Python for Data Scienc...
porEdureka!
 
PPTX
Machine Learning Tutorial Part - 2 | Machine Learning Tutorial For Beginners ...
porSimplilearn
 
PDF
Introduction to data mining and machine learning
porTilani Gunawardena PhD(UNIBAS), BSc(Pera), FHEA(UK), CEng, MIESL
 
Aprendizado de máquina
porparasite
 
Introdução à Aprendizagem de Máquina
porFernando Palma
 
Machine Learning
porShrey Malik
 
Introdução a Machine Learning
porMorvana Bonin
 
Aprendizado de Máquina
porbutest
 
Scikit Learn Tutorial | Machine Learning with Python | Python for Data Scienc...
porEdureka!
 
Machine Learning Tutorial Part - 2 | Machine Learning Tutorial For Beginners ...
porSimplilearn
 
Introduction to data mining and machine learning
porTilani Gunawardena PhD(UNIBAS), BSc(Pera), FHEA(UK), CEng, MIESL
 

Mais procurados

PDF
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
porFilipe Chagas Ferraz
 
PPT
Machine Learning
porVivek Garg
 
PPTX
Data mining technique (decision tree)
porShweta Ghate
 
PDF
Aula 01 - Visão Geral da IA
porLeinylson Fontinele
 
PPT
Bases De Dados
porarturafonsosousa
 
PPTX
Artificial Intelligence Course | AI Tutorial For Beginners | Artificial Intel...
porSimplilearn
 
PPTX
Feature Engineering
porodsc
 
PDF
Aula 1 - Inteligência Artificial
porThaís Gaudencio
 
PDF
Generative Models and ChatGPT
porLoic Merckel
 
PPTX
Estrutura de Dados - Aula 01
porthomasdacosta
 
PPTX
Banco de dados aula 2
porAlbert Belchior
 
PDF
Aprendizagem de máquina aplicada na neurociência
porWalter Hugo Lopez Pinaya
 
PDF
Banco de Dados II: Normalização de dados e as Formas Normais (aula 5)
porGustavo Zimmermann
 
PPTX
Aula 2 banco de dados
porJorge Ávila Miranda
 
PPTX
A Friendly Introduction to Machine Learning
porHaptik
 
PDF
O que é a ciência de dados (data science). Discussão do conceito
porLuis Borges Gouveia
 
ODP
A Internet das Coisas
porLuiz Avila
 
PPT
CURSO JAVA - AULA 1 - INTRODUÇÃO LÓGICA DE PROGRAMAÇÃO
porMicrosoft
 
PDF
1.Introdução Banco de Dados
porvini_campos
 
PDF
Big Data, o que é isso?
porAmbiente Livre
 
Aula - Introdução (Curso de Python Básico -- FATEC SENAI MT)
porFilipe Chagas Ferraz
 
Machine Learning
porVivek Garg
 
Data mining technique (decision tree)
porShweta Ghate
 
Aula 01 - Visão Geral da IA
porLeinylson Fontinele
 
Bases De Dados
porarturafonsosousa
 
Artificial Intelligence Course | AI Tutorial For Beginners | Artificial Intel...
porSimplilearn
 
Feature Engineering
porodsc
 
Aula 1 - Inteligência Artificial
porThaís Gaudencio
 
Generative Models and ChatGPT
porLoic Merckel
 
Estrutura de Dados - Aula 01
porthomasdacosta
 
Banco de dados aula 2
porAlbert Belchior
 
Aprendizagem de máquina aplicada na neurociência
porWalter Hugo Lopez Pinaya
 
Banco de Dados II: Normalização de dados e as Formas Normais (aula 5)
porGustavo Zimmermann
 
Aula 2 banco de dados
porJorge Ávila Miranda
 
A Friendly Introduction to Machine Learning
porHaptik
 
O que é a ciência de dados (data science). Discussão do conceito
porLuis Borges Gouveia
 
A Internet das Coisas
porLuiz Avila
 
CURSO JAVA - AULA 1 - INTRODUÇÃO LÓGICA DE PROGRAMAÇÃO
porMicrosoft
 
1.Introdução Banco de Dados
porvini_campos
 
Big Data, o que é isso?
porAmbiente Livre
 

Semelhante a Machine Learning - Introdução e Aplicações

PDF
AME.pdf
porMarcio Cardoso
 
PPT
1998: Técnicas de Otimização Não-Linear Irrestrita para o Treinamento de Rede...
porLeandro de Castro
 
PDF
Guia completo para definição de estatística de modelos e algoritmos de machin...
porGeanderson Lenz
 
PDF
Introdução a Machine Learning
porSandro Moreira
 
PDF
Introdução ao Machine Learning - XI Pylestras
por. Rubens Pinheiro
 
PDF
Introdução ao Machine Learning - XI Pylestras
por. Rubens Pinheiro
 
PDF
Support Vector Machines
porLeandro Farias
 
PPTX
Aprendizagem Supervisionada II
porLuís Nunes
 
PDF
Machine learning - O que é isso?
porVinicius Mesel
 
PDF
Apresentção sobre machine learning, IA, inteligencia artificial
porElberOliveira6
 
PDF
Apresentacao-Llanos-8.pdf
porCarlosHumbertoLlanos
 
PPTX
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
porLabs Alfacon
 
PDF
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
porCarlos Augusto Oeiras
 
PDF
Aula de machine-learning-slides2020-p4.pdf
porMuriloQuenzer
 
PDF
Inteligência artificial por Marina Fouto
porCristiane Zimmermann
 
PDF
Ci171 intro
porProfDheiverSantos
 
PPT
[José Ahirton Lopes] Support Vector Machines
porAhirton Lopes
 
PDF
Aula rotulação automática - Automatic tagging
porFelipe
 
PDF
Machine Learning with Python-2.pdf
pormabrol23
 
PPT
Introdução a Aprendizado de maquina (ML)
porApebNetherlands
 
AME.pdf
porMarcio Cardoso
 
1998: Técnicas de Otimização Não-Linear Irrestrita para o Treinamento de Rede...
porLeandro de Castro
 
Guia completo para definição de estatística de modelos e algoritmos de machin...
porGeanderson Lenz
 
Introdução a Machine Learning
porSandro Moreira
 
Introdução ao Machine Learning - XI Pylestras
por. Rubens Pinheiro
 
Introdução ao Machine Learning - XI Pylestras
por. Rubens Pinheiro
 
Support Vector Machines
porLeandro Farias
 
Aprendizagem Supervisionada II
porLuís Nunes
 
Machine learning - O que é isso?
porVinicius Mesel
 
Apresentção sobre machine learning, IA, inteligencia artificial
porElberOliveira6
 
Apresentacao-Llanos-8.pdf
porCarlosHumbertoLlanos
 
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
porLabs Alfacon
 
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
porCarlos Augusto Oeiras
 
Aula de machine-learning-slides2020-p4.pdf
porMuriloQuenzer
 
Inteligência artificial por Marina Fouto
porCristiane Zimmermann
 
Ci171 intro
porProfDheiverSantos
 
[José Ahirton Lopes] Support Vector Machines
porAhirton Lopes
 
Aula rotulação automática - Automatic tagging
porFelipe
 
Machine Learning with Python-2.pdf
pormabrol23
 
Introdução a Aprendizado de maquina (ML)
porApebNetherlands
 

Mais de Dionisio Chiuratto Agourakis

PDF
Inteligência Artificial Aplicada - Software, Hardware e Resultados
porDionisio Chiuratto Agourakis
 
PDF
J!Quant - GPU Technology Conference 2016
porDionisio Chiuratto Agourakis
 
PDF
Apresentação J!Quant
porDionisio Chiuratto Agourakis
 
PPTX
EURO Conference 2015 - Automated Timetabling
porDionisio Chiuratto Agourakis
 
PPTX
Otimalidade Algoritmo A*
porDionisio Chiuratto Agourakis
 
PPTX
Fazendo acontecer com Scrum e a Filosofia Ágil.
porDionisio Chiuratto Agourakis
 
PPTX
Educação e Carreira
porDionisio Chiuratto Agourakis
 
PDF
Secular Technological Tailwinds
porDionisio Chiuratto Agourakis
 
PPS
Web Semântica e Internet das Coisas - GDG Sorocaba 2014
porDionisio Chiuratto Agourakis
 
Inteligência Artificial Aplicada - Software, Hardware e Resultados
porDionisio Chiuratto Agourakis
 
J!Quant - GPU Technology Conference 2016
porDionisio Chiuratto Agourakis
 
Apresentação J!Quant
porDionisio Chiuratto Agourakis
 
EURO Conference 2015 - Automated Timetabling
porDionisio Chiuratto Agourakis
 
Otimalidade Algoritmo A*
porDionisio Chiuratto Agourakis
 
Fazendo acontecer com Scrum e a Filosofia Ágil.
porDionisio Chiuratto Agourakis
 
Educação e Carreira
porDionisio Chiuratto Agourakis
 
Secular Technological Tailwinds
porDionisio Chiuratto Agourakis
 
Web Semântica e Internet das Coisas - GDG Sorocaba 2014
porDionisio Chiuratto Agourakis
 

Último

PPTX
Artigo_texto de opinião.pptx akjlshadhka
porYaraDias19
 
DOC
Resol. Mat 9º ano Teste Trigonometria.doc
pormarta640504
 
PPTX
AI DevSecOps - Segurança em LLMs e Agentes
porAhirton Lopes
 
DOC
Resol PT9º ano Subordinação relativa (adjetiva e substantiva).doc
pormarta640504
 
DOC
Resol.PT 9º ano Subordinação adverbial e substantiva.doc
pormarta640504
 
PPTX
4 - Peste Negra (2).pptx mbbnjgv vjbjbbj
porYaraDias19
 
Artigo_texto de opinião.pptx akjlshadhka
porYaraDias19
 
Resol. Mat 9º ano Teste Trigonometria.doc
pormarta640504
 
AI DevSecOps - Segurança em LLMs e Agentes
porAhirton Lopes
 
Resol PT9º ano Subordinação relativa (adjetiva e substantiva).doc
pormarta640504
 
Resol.PT 9º ano Subordinação adverbial e substantiva.doc
pormarta640504
 
4 - Peste Negra (2).pptx mbbnjgv vjbjbbj
porYaraDias19
 

Machine Learning - Introdução e Aplicações

  • 1.
    Machine Learning Aplicado Dionisio ChiurattoAgourakis J!Quant [email protected] @josaum https://br.linkedin.com/in/dionisioca
  • 2.
    Short bio SENAI: TorneiroMecânico + Mecânico Multifuncional FGV/EAESP: Graduação em Administração de Empresas ETEC Rubens de Faria: Técnico em Mecânica ITA : Mestrado em Eng. Da Computação Fundador/CEO da J!Quant APIs de IA/Otimização Soluções – Enterprise SaaS
  • 3.
    O que éMachine Learning? 3
  • 4.
    O que éMachine Learning? 4 Inteligência Artificial
  • 5.
    O que éMachine Learning? 5 Inteligência Artificial Fraca Forte
  • 6.
    O que éMachine Learning? 6 Inteligência Artificial Fraca Forte Um algoritmo que tenha comportamentos semelhantes à mente humana. Um algoritmo que constitua, seja uma mente como a humana.
  • 7.
    Definição de MachineLearning 7 "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E" Mitchell, T. (1997). Machine Learning, McGraw Hill. p.2.
  • 8.
    Definição de MachineLearning 8 Aprendizado = generalização do conhecimento
  • 9.
    Definição de MachineLearning 9 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos
  • 10.
    Definição de MachineLearning 10 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos Modelo “treinamento”
  • 11.
    Definição de MachineLearning 11 Aprendizado = generalização do conhecimento Dados conhecidos Ex: Vendas dos últimos 3 anos Modelo “treinamento” “previsão” Dados desconhecidos Ex: Vendas do próximo ano
  • 12.
    Classificação 12 Tarefa Tipo Classificação Supervisionado/ Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado Estimativa de Densidade Não-Supervisionado Redução de Dimensionalidade Não-Supervisionado + Aprendizagem por Reforço *
  • 13.
  • 14.
    14 Natureza dos algoritmos 𝒙𝒙𝟐𝟐− 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver?
  • 15.
  • 16.
    16 Natureza dos algoritmos 𝒙𝒙𝟐𝟐− 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Solução Analítica 𝑥𝑥 = −𝑏𝑏 ± 𝑏𝑏2 − 4𝑎𝑎𝑎𝑎 2𝑎𝑎 𝑥𝑥 = −(−5) ± (−5)2−4.1.6 2.1 𝑥𝑥𝑥 = 3 𝑥𝑥𝑥𝑥 = 2
  • 17.
    17 Natureza dos algoritmos 𝒙𝒙𝟐𝟐− 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson Começar de um “chute inicial” e melhorar aos poucos.
  • 18.
    18 Natureza dos algoritmos 𝒙𝒙𝟐𝟐− 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson Começar de um “chute inicial” e melhorar aos poucos. iterativamente
  • 19.
    19 𝒇𝒇 𝒙𝒙 =𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 Como resolver? Método Newton-Raphson 𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛 − 𝑓𝑓(𝑥𝑥𝑛𝑛) 𝑓𝑓𝑓(𝑥𝑥𝑛𝑛) 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓
  • 20.
    20 Como resolver? Método Newton-Raphson 𝑥𝑥1= 𝑥𝑥0 − 𝑓𝑓(𝑥𝑥0) 𝑓𝑓𝑓(𝑥𝑥0) 𝒇𝒇 𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥1 = 1,2 − 𝑓𝑓(1,2) 𝑓𝑓𝑓(1,2) 𝑥𝑥1 = 1.75
  • 21.
    21 Como resolver? Método Newton-Raphson 𝒇𝒇𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥2 = 𝑥𝑥1 − 𝑓𝑓(𝑥𝑥1) 𝑓𝑓𝑓(𝑥𝑥1) 𝑥𝑥2 = 1,75 − 𝑓𝑓(1,75) 𝑓𝑓𝑓(1,75) 𝑥𝑥2 = 1,96
  • 22.
    22 Como resolver? Método Newton-Raphson 𝒇𝒇𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥3 = 𝑥𝑥2 − 𝑓𝑓(𝑥𝑥2) 𝑓𝑓𝑓(𝑥𝑥2) 𝑥𝑥3 = 1,96 − 𝑓𝑓(1,96) 𝑓𝑓𝑓(1,96) 𝑥𝑥3 = 2,00
  • 23.
    23 Como resolver? Método Newton-Raphson 𝒇𝒇𝒙𝒙 = 𝒙𝒙𝟐𝟐 − 𝟓𝟓𝟓𝟓 + 𝟔𝟔 𝒇𝒇′ 𝒙𝒙 = 𝟐𝟐. 𝒙𝒙 − 𝟓𝟓 𝑥𝑥3 = 𝑥𝑥2 − 𝑓𝑓(𝑥𝑥2) 𝑓𝑓𝑓(𝑥𝑥2) 𝑥𝑥3 = 3,07 − 𝑓𝑓(3,07) 𝑓𝑓𝑓(3,07) 𝑥𝑥3 = 3,00
  • 24.
    24 Método 𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛− 𝑓𝑓(𝑥𝑥𝑛𝑛) 𝑓𝑓𝑓(𝑥𝑥𝑛𝑛) f(X) f’(X) X0 - CHUTE Raízes
  • 25.
  • 26.
    26 Quanto mais você“usa”, melhor fica? “…its performance at tasks in T, as measured by P, improves with experience E."
  • 27.
    27 Machine Learning Tarefa Tipo ClassificaçãoSupervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
  • 28.
    28 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ?
  • 29.
    29 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Dados conhecidos! Você está mostrando, para cada X, qual é o Y correto.
  • 30.
    30 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Dados conhecidos! Você está mostrando, para cada X, qual é o Y correto. Aprendizagem ~SUPERVISIONADA~
  • 31.
    31 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão
  • 32.
    32 Regressão (linear) X Y 02,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b
  • 33.
    33 Regressão (linear) X Y 02,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b !
  • 34.
    34 Regressão (linear) X Y 02,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b ! Com qual propósito?
  • 35.
    35 Regressão (linear) X Y 02,898319 1 5,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Y = aX + b Precisamos achar a e b ! Com qual propósito objetivo?
  • 36.
    36 Regressão (linear) Se a= 1 e b = 0 Y’ = 1.X + 0 X Y Y' ERRO (Y-Y')^2 0 2,898319 0 8,400251902 1 5,839758 1 23,42325324 2 7,850841 2 34,23234345 3 6,523894 3 12,41782695 4 10,33009 4 40,07003738 5 13,21322 5 67,45704694 6 15,56836 6 91,55356128 7 14,09511 7 50,34051714 8 16,04708 8 64,75544862 9 21,49065 9 156,0164579 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 548,6667448
  • 37.
    37 Regressão (linear) Se a= 1 e b = 0 Y’ = 1.X + 0 X Y Y' ERRO (Y-Y')^2 0 2,898319 0 8,400251902 1 5,839758 1 23,42325324 2 7,850841 2 34,23234345 3 6,523894 3 12,41782695 4 10,33009 4 40,07003738 5 13,21322 5 67,45704694 6 15,56836 6 91,55356128 7 14,09511 7 50,34051714 8 16,04708 8 64,75544862 9 21,49065 9 156,0164579 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 548,6667448 MINIMIZAR
  • 38.
    38 Método Equações Normais, Gradiente, outros Conjunto de treinamento (gabarito) XY Y' 0 2,898319 0 1 5,839758 1 2 7,850841 2 3 6,523894 3 4 10,33009 4 5 13,21322 5 6 15,56836 6 7 14,09511 7 8 16,04708 8 9 21,49065 9 10 ? ? 11 ? ? 12 ? ? 13 ? ? Parâmetros a,b ERRO (Y-Y')^2 8,400251902 23,42325324 34,23234345 12,41782695 40,07003738 67,45704694 91,55356128 50,34051714 64,75544862 156,0164579 Avaliação - Objetivo
  • 39.
  • 40.
    40 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão X Y Y' ERRO (Y-Y')^2 0 2,898319 3,2 0,091011543 1 5,839758 5,02 0,672002458 2 7,850841 6,84 1,021800052 3 6,523894 8,66 4,562950039 4 10,33009 10,48 0,022473056 5 13,21322 12,3 0,833977903 6 15,56836 14,12 2,097753984 7 14,09511 15,94 3,403636995 8 16,04708 17,76 2,934105124 9 21,49065 19,58 3,650601845 10 ? ? 11 ? ? 12 ? ? 13 ? ? Erro Total: 19,290313
  • 41.
    41 Regressão X Y 0 2,898319 15,839758 2 7,850841 3 6,523894 4 10,33009 5 13,21322 6 15,56836 7 14,09511 8 16,04708 9 21,49065 10 ? 11 ? 12 ? 13 ? Método de Aprendizado Método de Previsão Y = 1,82x + 3,20 X Y Y' 10 ? 21,4 11 ? 23,22 12 ? 25,04 13 ? 26,86
  • 42.
  • 43.
    43 Machine Learning Tarefa Tipo ClassificaçãoSupervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
  • 44.
    44 Classificação • Mesma idéiada regressão • Output não é um número real • Avalia o acerto da classificação em categorias • Regressão  Regressão Logística Input Método Categoria A Categoria B Categoria C 1 2 3
  • 45.
    45 Classificação X Y Y'ERRO (Y-Y')^2 0 1 0 1 1 2 2 0 2 1 1 0 3 2 2 0 4 2 1 1 5 2 2 0 6 1 1 0 7 2 1 1 8 3 3 0 9 3 3 0 10 ? 11 ? 12 ? 13 ? Erro Total: 3
  • 46.
    46 Machine Learning: RedesNeurais Ideia Principal: Perceptron
  • 47.
    47 Regressão com RedesNeurais Artificiais x x x x x x x x x x x y
  • 48.
    48 Regressão com RedesNeurais Artificiais x x x x x x x x x x x y w Achar os w’s para minimizar o erro w w w
  • 49.
    49 Regressão com RedesNeurais Artificiais Reconhecimento de imagens?
  • 50.
    50 Regressão com RedesNeurais Artificiais Reconhecimento de imagens? Se a imagem possuir 28x28 pixels... 784 inputs para a rede neural
  • 51.
  • 52.
  • 53.
    53 Machine Learning: RedesNeurais Feedforward Backpropagation
  • 54.
    54 Machine Learning Tarefa Tipo ClassificaçãoSupervisionado / Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço *
  • 55.
    55 Clusterização • Objetivo: Agrupardados semelhantes (formar clusters) • • Não é dado um “gabarito” ao algoritmo (ele seria a resposta, não?) • Necessária uma regra de “similaridade” • Ex: Distância Euclideana Aprendizagem ~NÃO-SUPERVISIONADA~
  • 56.
    56 Clusterização X Y 3,63 5,25 4,705,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
  • 57.
    57 Clusterização N = 1 XY 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
  • 58.
    58 Clusterização N = 2 XY 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36
  • 59.
    59 Clusterização X Y 3,63 5,25 4,705,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 13,60 20,05 13,02 18,62 12,89 20,27 12,80 17,83 13,97 20,19 12,42 20,36 Cluster A Centroide (médias em X e Y) X = 7,16 Y = 8,75 Cluster B Centroide (médias em X e Y) X = 8,75 Y = 20,27
  • 60.
    60 Clusterização Cluster A Distânciamédia de cada ponto até o centroide do cluster 45,22/9 = 5,02 Cluster B X Y Dist 3,63 5,25 4,97 4,70 5,48 4,09 5,07 5,66 3,73 5,70 7,43 1,97 6,02 7,46 1,72 6,26 5,05 3,81 7,24 5,99 2,76 12,58 20,47 13,60 20,05 13,02 18,62 11,47 12,89 20,27 12,80 17,83 10,69 13,97 20,19 12,42 20,36
  • 61.
    61 Clusterização Cluster ACluster B X Y Dist 3,63 5,25 4,70 5,48 5,07 5,66 5,70 7,43 6,02 7,46 6,26 5,05 7,24 5,99 12,58 20,47 0,55 13,60 20,05 0,55 13,02 18,62 12,89 20,27 0,21 12,80 17,83 13,97 20,19 0,88 12,42 20,36 0,68 2,86/5 = 0,5745,22/9 = 5,02 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster
  • 62.
    62 Clusterização Cluster ACluster B Devemos alterar os membros de cada cluster até alcançar a distância mínima entre os pontos de cada cluster e seu centroide! 45,22/9 = 5,02 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster 2,86/5 = 0,57
  • 63.
    63 Clusterização Cluster ACluster B Centróide (médias em X e Y) X = 5,52 Y = 6,05 Centróide (médias em X e Y) X = 13,04 Y = 19,68 X Y Dist 3,63 5,25 2,05 4,70 5,48 1,00 5,07 5,66 0,59 5,70 7,43 1,39 6,02 7,46 1,51 6,26 5,05 1,24 7,24 5,99 1,73 12,58 20,47 0,91 13,60 20,05 0,67 13,02 18,62 1,07 12,89 20,27 0,60 12,80 17,83 1,87 13,97 20,19 1,06 12,42 20,36 0,91
  • 64.
    64 Clusterização Cluster ACluster B 9,50/7 = 1,36 Distância média de cada ponto até o centroide do cluster Distância média de cada ponto até o centroide do cluster 7,10/7 = 1,01 X Y Dist 3,63 5,25 2,05 4,70 5,48 1,00 5,07 5,66 0,59 5,70 7,43 1,39 6,02 7,46 1,51 6,26 5,05 1,24 7,24 5,99 1,73 12,58 20,47 0,91 13,60 20,05 0,67 13,02 18,62 1,07 12,89 20,27 0,60 12,80 17,83 1,87 13,97 20,19 1,06 12,42 20,36 0,91
  • 65.
    65 Método Função de SimilaridadeDados Número de clusters Clusters
  • 66.
    66 Tarefa Tipo Classificação Supervisionado/ Semi-Supervisionado Regressão Supervisionado Clusterização Não-Supervisionado + Aprendizagem por Reforço * Machine Learning
  • 67.
  • 68.
    68 Aprendizagem por Reforço(Reinforcement Learning / Neuro-dynamic programming) Você não consegue dizer ao seu cachorro o que fazer, mas ainda sim consegue ensiná-lo ao dar bonificações/penalizações de acordo com suas ações.
  • 69.
    69 Aprendizagem por Reforço(Reinforcement Learning / Neuro-dynamic programming) • Tomada de decisão sequencial • Maximização da soma das recompensas descontadas Agente Ambiente Recompensa Estado Ação
  • 70.
    70 Esta é aessência do Machine Learning
  • 71.
  • 72.
  • 73.
  • 74.
  • 75.
  • 76.
  • 77.
    77 Video 1 -Artomatix
  • 78.
    78 Video 2 –Super Mario
  • 79.
  • 80.
    Aprenda a trabalhar comalgoritmos “inteligentes”...
  • 81.
  • 82.