slides2

Prévia do material em texto

1
Prof. Wellington Rodrigo Monteiro
Linguagem de Programação
Aula 2
Conversa Inicial
Desmistificar conceitos
IA != mágica
IA não é a sucessora da Estatística
IA em Python
Inteligência artificial
Definindo inteligência 
artificial e aprendizagem de máquina
Advanced Analytics
Data Science
Statistics
Business Intelligence
Artificial Intelligence
GOFAI
Machine Learning
Artificial General Intelligence
Entendendo o mundo de Advanced Analytics
Trabalhando com 
problemas de ciência de dados
1 2
3 4
5 6
2
Aprendizagem supervisionada
Regressão
Prever a nota
Prever quantos trabalhos serão 
entregues nos próximos dias
Classificação
Prever se será aprovado/reprovado
Machine Learning Aprendizagem não supervisionada
Seleção de atributos
Selecionar as informações mais 
relevantes
Redução da dimensionalidade
Agrupar informações
Aprendizagem por reforço
Otimização
Gaming
CRISP-DM
SEMMA
KDD
Agile
TDSP
Metodologias
Definição do problema
O que quer fazer/resolver com ML?
Qual a dor da área de negócio?
Definição dos dados
Temos os dados para resolver a dor?
Essa base continuará disponível no futuro?
Passo a passo
Preparação dos dados
Os dados possuem a qualidade necessária?
Que outras informações podemos extrair?
Desenvolvimento dos modelos
Que modelos/técnicas poderiam resolver o 
nosso problema?
Avaliação dos modelos
Os modelos são “bons”?
Usamos uma base de dados confiável para 
testar?
Disponibilização dos modelos
Como vão usar no dia a dia?
MLOps
7 8
9 10
11 12
3
Data
Business 
Understanding
Data 
Understanding
Data 
Preparation
Modeling
Evaluation
Deployment
Trabalhando com dados
Dataset
Tabular
Texto
Imagem
Atributos (features/colunas)
Instâncias (rows/linhas)
Alvo (target/label/class/rótulo)
Termos básicos
Dados ausentes e zeros
Anomalias
Linhas duplicadas
Dados categóricos
Análise de dados
Dados numéricos
Dados de data e hora
Correlações espúrias
Transformação de dados
Tratamento de dados nulos
Featuretools
Pandas-profiling
Bibliotecas
13 14
15 16
17 18
4
Trabalhando com modelos
Aprendizagem supervisionada
Árvores de decisão (decision trees)
Máquinas de vetor de suporte (support 
vector machines, ou SVM)
Algoritmos gaussianos
Algoritmos bayesianos
(...)
Algoritmos de ML
(...)
Modelos lineares
Redes neurais
K-vizinhos mais próximos (K-nearest 
neighbors, ou KNN)
Comitês de algoritmos (ensembles)
Aprendizagem não supervisionada
K-médias (K-means)
OPTICS
DBSCAN
PCA
Scikit-learn
TensorFlow
Keras
PyTorch
LightGBM
XGBoost
Statsmodels
Prophet
Bibliotecas
Train/test split
Cross-validation (CV)
Rolling origin cross-validation (ROCV)
Divisão do dataset
Trabalhando com resultados
19 20
21 22
23 24
5
Classificação
Matriz de confusão
Curva ROC (receiver operating 
characteristic)/área sob a curva (area 
under the curve/AUC)
Precision/recall
Métricas Regressão
MAE
MSE
RMSE
R2
MAPE
Seleção de atributos
Método do cotovelo (elbow method)
25 26