Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Me. Marcelo Santos UNIDADE II Estudos Disciplinares Aplicações de Machine Learning Todo o conceito de aprendizado de máquina consiste em descobrir maneiras pelas quais podemos ensinar um computador a realizar uma tarefa sem precisar fornecer instruções explícitas. Outra maneira de pensar sobre aprendizado de máquina é que estamos tentando “programar” a intuição em um computador. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/n6B49lTx7NM Muitas vezes podemos olhar um e-mail e discernir facilmente se trata-se de um spam ou não, mas como você faz com que um computador faça essa tarefa? Você poderia construir uma enorme infraestrutura lógica complicada de declarações IF ... ELSE... para classificar os e-mails de spam, mas seria uma tarefa difícil de construir e provavelmente não funcionaria muito bem. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/0E_vhMVqL9g Em vez disso, a abordagem do aprendizado de máquina pretende equipar o computador com habilidades para aprender por conta própria e fornecer a ele uma série de exemplos. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/f57lx37DCM4 O aprendizado de máquina não é uma ferramenta única, é todo um conjunto de ferramentas – cada uma com seus próprios pontos fortes e fracos. A maneira como permitimos que os computadores aprendam é fornecendo-lhes um modelo que serve como estrutura de aprendizagem. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/GpNOhig3LSU Um algoritmo no aprendizado de máquina é um procedimento executado em dados para criar um modelo de aprendizado de máquina. Algoritmos de aprendizado de máquina realizam reconhecimento de padrões. Eles aprendem a partir dos dados ou são ajustados a um conjunto de dados. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/dRMQiAubdws Existem muitos algoritmos de aprendizado de máquina, por exemplo, temos algoritmos de classificação, como algoritmos para regressão, como regressão linear, e temos algoritmos para agrupamento. Aplicações de aprendizado de máquina (Machine Learning) Fonte: https://unsplash.com/photo s/2EJCSULRwC8 Exemplos de algoritmos de aprendizado de máquina: Regressão linear; Regressão logística; Árvore de decisão; Rede neural artificial. Aplicações de aprendizado de máquina (Machine Learning) Podemos definir o aprendizado de máquina como: a) Uma abordagem do aprendizado de máquina pretende equipar o computador com habilidades para aprender por conta própria e fornecer a ele uma série de exemplos. b) O aprendizado de máquina é uma ferramenta única, com a aplicação de um conjunto de ferramentas de forma parcial. c) O aprendizado de máquina consiste em executar as instruções que foram planejadas e codificadas anteriormente pelo desenvolvedor. d) O aprendizado de máquina é a forma com que os computadores conseguem criar de forma dinâmica os modelos iniciais antes mesmo da execução inicial. e) O aprendizado de máquina é a dinâmica de criar os dados iniciais que serão executados e a partir dessa dinâmica é possível ajustar os conjuntos de dados de acordo com a experiência obtida. Interatividade Podemos definir o aprendizado de máquina como: a) Uma abordagem do aprendizado de máquina pretende equipar o computador com habilidades para aprender por conta própria e fornecer a ele uma série de exemplos. b) O aprendizado de máquina é uma ferramenta única, com a aplicação de um conjunto de ferramentas de forma parcial. c) O aprendizado de máquina consiste em executar as instruções que foram planejadas e codificadas anteriormente pelo desenvolvedor. d) O aprendizado de máquina é a forma com que os computadores conseguem criar de forma dinâmica os modelos iniciais antes mesmo da execução inicial. e) O aprendizado de máquina é a dinâmica de criar os dados iniciais que serão executados e a partir dessa dinâmica é possível ajustar os conjuntos de dados de acordo com a experiência obtida. Resposta Os algoritmos de aprendizado de máquina têm várias propriedades: Podem ser descritos usando matemática e pseudocódigo. A eficiência dos algoritmos de aprendizado de máquina pode ser analisada e descrita. Podem ser implementados com qualquer linguagem de programação tendo em vista uma variedade de linguagens de programação modernas. Definição de Modelo na aprendizagem de máquina Por exemplo, podemos ver algoritmos de aprendizado de máquina descritos com pseudocódigo ou álgebra linear em artigos de pesquisa e livros didáticos. Você pode ver a eficiência computacional de um algoritmo de aprendizado de máquina específico em comparação com outro algoritmo. Definição de Modelo na aprendizagem de máquina Fonte: https://unsplash.com/photo s/SyzQ5aByJnE Também é provável que você veja vários algoritmos de aprendizado de máquina implementados juntos e fornecidos em uma biblioteca com uma interface de programação de aplicativo (API) padrão. Definição de Modelo na aprendizagem de máquina Fonte: https://unsplash.com/photo s/YKW0JjP7rlU Um modelo em aprendizado de máquina é a saída de um algoritmo de aprendizado de máquina executado em dados. Ele representa o que foi aprendido por um algoritmo de aprendizado de máquina. Definição de Modelo na aprendizagem de máquina Fonte: https://unsplash.com/p hotos/U3sOwViXhkY O modelo é o objeto, a coisa que é salva após a execução de um algoritmo de aprendizado de máquina nos dados de treinamento, e representa as regras, números e quaisquer outras estruturas de dados específicas do algoritmo necessárias para fazer previsões. Definição de Modelo na aprendizagem de máquina Fonte: https://unsplash.co m/photos/U3sOwVi XhkY Alguns exemplos podem tornar isso mais claro: O algoritmo de regressão linear resulta em um modelo composto de um vetor de coeficientes com valores específicos. O algoritmo da árvore de decisão resulta em um modelo composto de uma árvore de declarações if-else com valores específicos. Os algoritmos de rede neural, por exemplo, resultam em um modelo composto de uma estrutura de grafo com vetores ou matrizes de pesos com valores específicos. Definição de Modelo na aprendizagem de máquina Um modelo de aprendizado de máquina é mais desafiador para um iniciante porque não há uma analogia clara com outros algoritmos na ciência da computação. Por exemplo, a saída da lista classificada de um algoritmo de classificação não é realmente um modelo. Definição de Modelo na aprendizagem de máquina Fonte: https://unsplash.co m/photos/b9IDXH4 XW5M Os sistemas de aprendizado de máquina podem ser classificados de acordo com a quantidade de dados e também quanto ao tipo de supervisão durante o treinamento. Deste modo, existem quatro principais categorias: aprendizado supervisionado, aprendizado não supervisionado, aprendizado semissupervisionado e aprendizado por reforço. Definição de Modelo na aprendizagem de máquina Um modelo em aprendizado de máquina é a saída de um algoritmo de aprendizado de máquina executado em dados. A partir desse conceito, podemos afirmar que: a) Ele representa o que é planejado previamente pela equipe de desenvolvimento. b) Ele representa uma série de algoritmos que utilizam os processos randômicos. c) Ele representa o que foi aprendido por um algoritmo de aprendizado de máquina. d) Ele representa uma dinâmica similar ao algoritmo de máquina de estado finito. e) Ele representa um processo matemático que deve ser combinado com as estruturas condicionais e de repetição. Interatividade Um modelo em aprendizado de máquina é a saída de um algoritmo de aprendizado de máquina executado em dados. A partirdesse conceito, podemos afirmar que: a) Ele representa o que é planejado previamente pela equipe de desenvolvimento. b) Ele representa uma série de algoritmos que utilizam os processos randômicos. c) Ele representa o que foi aprendido por um algoritmo de aprendizado de máquina. d) Ele representa uma dinâmica similar ao algoritmo de máquina de estado finito. e) Ele representa um processo matemático que deve ser combinado com as estruturas condicionais e de repetição. Resposta Nos últimos anos houve muita discussão sobre a inteligência da máquina, e o que isso significa para a nossa saúde, produtividade e bem-estar. Aplicações de Machine Learning Fonte: https://unsplash.com/p hotos/hND1OG3q67k Nessa discussão, o aprendizado de máquina aparentemente promete salvar vidas e possui diversos desafios globais, como as mudanças climáticas, e proporciona o aumento da produtividade; ao fazer isso, também muda fundamentalmente a natureza do trabalho e suas formas, ou define as escolhas que as pessoas fazem todos os dias. Aplicações de Machine Learning Fonte: https://unsplash.com/ photos/Ddjl0Cicdr4 Entre esses extremos está uma tecnologia potencialmente transformadora, que traz consigo oportunidades e desafios, e cujos riscos e benefícios precisam ser gerenciados conforme seu uso. Aplicações de Machine Learning Fonte: https://unsplash.com/photos/Ddjl0Cicdr4 O aprendizado de máquina é a tecnologia que permite que os sistemas aprendam diretamente com os exemplos, dados e experiência. Se o amplo campo da inteligência artificial (IA) é a ciência de tornar as máquinas inteligentes, então o aprendizado de máquina é uma tecnologia que permite que os computadores realizem tarefas específicas de forma inteligente, aprendendo com exemplos. Aplicações de Machine Learning Fonte: https://unsplash.com/p hotos/oZ61KFUQsus Esses sistemas podem, portanto, realizar os processos complexos aprendendo com os dados, em vez de seguir regras pré-programadas. Nos últimos anos pudemos acompanhar diversos avanços nos recursos de aprendizado de máquina, como um resultado de desenvolvimentos técnicos no campo, maior disponibilidade de dados e maior poder de computação. Como resultado disso, os sistemas que apenas alguns anos atrás lutaram para obter resultados precisos, agora podem superar os humanos em tarefas específicas. Aplicações de Machine Learning Agora existe o reconhecimento de voz que pode ter um desempenho superior ao dos humanos no desenvolvimento de certas tarefas, embora essas tarefas de referência sejam limitadas por natureza. De acordo com Markoff (2015), pesquisadores criaram um sistema de aprendizado de máquina que ultrapassou as capacidades humanas em uma estreita gama de tarefas relacionadas à visão, focada no reconhecimento de dígitos individuais manuscritos. Aplicações de Machine Learning Muitas pessoas agora interagem com os sistemas orientados para a aprendizagem em uma base diária, como por exemplo: em sistemas de reconhecimento de imagem, como aqueles usados para marcar fotos nas redes sociais; os sistemas de reconhecimento de voz, como aqueles usados por assistentes pessoais virtuais; e em sistemas de recomendação, como os usados pelos varejistas on-line. Aplicações de Machine Learning Fonte: https://unsplash.com/p hotos/MECKPoKJYjM Além desses aplicativos atuais, o campo também possui um potencial futuro significativo. Outras aplicações de aprendizado de máquina estão em desenvolvimento em uma ampla gama de campos, incluindo saúde, educação, transporte e muito mais. Aplicações de Machine Learning Fonte: https://unsplash.com/p hotos/jIBMSMs4_kA O aprendizado de máquina poderia fornecer diagnósticos de saúde mais precisos ou tratamentos personalizados, salas de aula sob medida fornecendo atividades para melhorar o aprendizado do aluno e apoiar sistemas de transporte inteligentes. Poderia também apoiar com os avanços científicos, através do desenho de insights de grandes conjuntos de dados e conduzir a dinâmica da eficiência operacional em uma gama de setores da indústria. Aplicações de Machine Learning O aprendizado de máquina é a tecnologia que permite que os sistemas aprendam diretamente com quais elementos? a) Exemplos, aleatoriedade e testes. b) Testes, recompensa e desconhecimento. c) Aleatoriedade, dados e experiência. d) Exemplos, dados e experiência. e) Testes, desconhecimento e dados. Interatividade O aprendizado de máquina é a tecnologia que permite que os sistemas aprendam diretamente com quais elementos? a) Exemplos, aleatoriedade e testes. b) Testes, recompensa e desconhecimento. c) Aleatoriedade, dados e experiência. d) Exemplos, dados e experiência. e) Testes, desconhecimento e dados. Resposta O termo “aprendizado de máquina” não é um tema com alta relevância para o público; uma pesquisa feita pela Royal Society e Ipsos MORI mostrou que apenas 9% das pessoas o reconhecem. Porém, muitos usuários estão familiarizados com os aplicativos específicos de aprendizado de máquina e interagem com os sistemas de aprendizado de máquina todos os dias (IPSOS MORI, 2017). O aprendizado de máquina na vida diária As aplicações incluem os assistentes pessoais virtuais, processamento de imagem e uma série de outros sistemas que são generalizados. Embora muitos dos avanços importantes no campo do aprendizado de máquina tenham sido vinculados a jogos e, geralmente, à vitória de um computador sobre um humano, os aplicativos de aprendizado de máquina são muito mais amplos. Suas funções incluem o padrão de reconhecimento, detecção de anomalias e agrupamento. O aprendizado de máquina na vida diária Sistemas de recomendação: sugerindo produtos ou serviços Os sistemas de recomendação de produtos ou serviços com base nas escolhas anteriores estão entre as aplicações que são amplamente reconhecidas da aprendizagem de máquina (IPSOS MORI, 2017). O aprendizado de máquina na vida diária Fonte: https://unsplash.com/ photos/hpjSkU2UYSU Sistemas de recomendação: sugerindo produtos ou serviços Os sistemas de recomendação usam padrões de consumo e preferências expressas para prever quais produtos ou serviços têm a probabilidade de serem desejáveis para o usuário. É justamente o aprendizado de máquina que processa os dados de compras anteriores, e as compras de outros, e usa isso para detectar padrões e fazer previsões. O aprendizado de máquina na vida diária Sistemas de recomendação: sugerindo produtos ou serviços Esses sistemas são usados em uma variedade de ambientes de varejo, incluindo a Amazon e a Netflix. Eles também podem ser usados para promover diversos tipos de conteúdo para mídia social, como notícias que correspondem às áreas de interesse de um usuário. O aprendizado de máquina na vida diária Organizando informações: motores de busca e filtragem de spam O aprendizado de máquina também ajuda a fornecer os resultados das consultas inseridas em motores de busca da internet, como o Google. Esses sistemas levam as palavras inseridas como parte de uma pesquisa a encontrar palavras e frases iguais ou muito semelhantes (com significados similares) e usar essas informações para prever as páginas da web certas para responder a essa consulta (THE ROYAL SOCIETY, 2015). O aprendizado de máquina na vida diária Organizando informações: motores de busca e filtragem de spam Os sistemas de detecção de spam também podem usar a aprendizagem de máquinas para filtrar e-mails. Neste aplicativo, o sistema é treinado para utilizar uma amostra de documentos, que são classificados como spam e não spam, para distinguir entre e-mails e direcioná-los para as pastas corretas. O aprendizado de máquina na vida diária Organizando informações: motores de busca e filtragem de spam Neste processo de treinamento, o sistemapode aprender com a presença de palavras, ou com os nomes de remetentes diferentes, e outras características. Ao ser implantado, o sistema usa esse aprendizado para classificar novos e-mails, refinando seu treinamento quando os usuários identificam as classificações como incorretas. O aprendizado de máquina na vida diária Reconhecimento de voz e resposta: assistentes pessoais virtuais O processamento de linguagem natural e fala nos sistemas de reconhecimento podem combinar os padrões de sons produzidos na fala humana a palavras ou frases que eles já tenham encontrado, distinguindo entre as diferentes sonoridades. Tendo identificado as palavras usadas, eles podem, então, traduzir isso para um texto ou transportar os comandos para outros formatos. O aprendizado de máquina na vida diária Reconhecimento de voz e resposta: assistentes pessoais virtuais Até recentemente, os sistemas de reconhecimento de voz sofriam de baixos níveis de precisão, o que dificultou o uso em muitos casos. Com os avanços recentes esses sistemas podem agora reconhecer a fala com muito mais precisão e traduzir os padrões de dados codificados dentro de ondas sonoras para texto. O aprendizado de máquina na vida diária Reconhecimento de voz e resposta: assistentes pessoais virtuais Como um dos resultados, muitos smartphones e outros dispositivos agora vêm equipados com os assistentes pessoais virtuais; aplicativos como o Alexa, Cortana, Google Assistant, ou Siri, que respondem aos comandos de voz ou respondem perguntas que os usuários realizam. O aprendizado de máquina na vida diária Fonte: https://unsplash.com/ph otos/WKyWsmI6M7Y Os sistemas de recomendação usam padrões de consumo e preferências expressas para prever quais produtos ou serviços têm a probabilidade de serem desejáveis para o usuário. A partir desse contexto, é correto afirmar que: a) Os sistemas de recomendação ajudam na classificação e ordenamento dos dados. b) Os sistemas de recomendação utilizam as informações dos usuários para prever qual será a próxima tarefa que será solicitada. c) Os sistemas de recomendação podem utilizar a aprendizagem de máquinas para filtrar e-mails. d) Os sistemas de recomendação usam padrões de consumo e preferências expressas para prever quais produtos ou serviços têm a probabilidade de serem desejáveis para o usuário. e) Os sistemas de recomendação, a partir de uma amostra de documentos, realizam a classificação dos dados. Interatividade Os sistemas de recomendação usam padrões de consumo e preferências expressas para prever quais produtos ou serviços têm a probabilidade de serem desejáveis para o usuário. A partir desse contexto, é correto afirmar que: a) Os sistemas de recomendação ajudam na classificação e ordenamento dos dados. b) Os sistemas de recomendação utilizam as informações dos usuários para prever qual será a próxima tarefa que será solicitada. c) Os sistemas de recomendação podem utilizar a aprendizagem de máquinas para filtrar e-mails. d) Os sistemas de recomendação usam padrões de consumo e preferências expressas para prever quais produtos ou serviços têm a probabilidade de serem desejáveis para o usuário. e) Os sistemas de recomendação, a partir de uma amostra de documentos, realizam a classificação dos dados. Resposta BECK, A et al. 2011. Systematic analysis of breast cancer morphology uncovers stromal features associated with survival. Sci. Transl. Med. 3, 108. (doi: 10.1126/scitranslmed.3002564). Acesso em: 13 nov. 2021. CAHN, Janet. 1990. The generation of affect in synthesized Speech. Journal of the American Voice I/O Society, 8:1–19. CORRADO, G. 2017. Applied machine learning at Google (talk at the Sackler Forum on the Frontiers of Machine Learning). Disponível em: http://www.nasonline.org/programs/sackler-forum/frontiers- machine-learning.html. Acesso em: 13 nov. 2021. Referências EKMAN, Paul. 1993. Facial expression and emotion. American Psychologist, 48(4), 384–392. ESTEVA, A et al. 2017. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115–118. (doi: 10.1038/nature21056). Acesso em: 13 nov. 2021. IBM. IBM Watson Health. Disponível em: http://www.ibm.com/watson/health/oncology. Acesso em: 13 nov. 2021. IPSOS MORI. 2017 Public views of machine learning: findings from public research and engagement (conducted on behalf of the Royal Society). Referências LE Q, SCHUSTER M. 2016. A neural network for machine translation, at production stage. Google Research Blog. Disponível em: https://research.googleblog.com/2016/09/a-neural- network-for-machine.html. Acesso em: 27 nov. 2020. LIN, K.H.Y., YANG, C. & CHEN, H.H. (2007). What Emotions do News Articles Trigger in Their Readers? 30th annual international ACM SIGIR conference on Research and development in information retrieval, Amsterdam, The Netherlands, 733-734. MARKOFF J. 2015. A learning advance in artificial intelligence rivals human abilities. New York Times. 10 December 2015. Disponível em: https://www.nytimes.com/2015/12/11/science/an-advance-in- artificial-intelligence-rivals-human-vision-abilities.html. Acesso em: 13 nov. 2021. Referências PANG, Bo; LEE, Lillian. 2004. A sentimental education: sentiment analysis using subjectivity summarization based on minimum cuts. In Proceedings of ACL, 271–278. PENG, L; GULSHAN, V. 2016. Deep learning for detection of diabetic eye disease. Google Research Blog. Disponível em: https://research.googleblog.com/2016/11/deep-learning-for- detection-of-diabetic.html. Acesso em: 27 out. 2020. SEBASTIANI, F. (2002). Machine learning in automated text categorization. ACM Computing Surveys, 34(1), 1–47. Referências THE ROYAL SOCIETY. 2015. Machine Learning Conference Report. 22 May 2015. YANG, C., LIN, K.H.Y. & CHEN, H.H. (2007). Emotion classification Using Web Blog Corpora. IEEE / WIC / ACM International Conference on Web Intelligence, Silicon Valley, USA, 275– 278. ZHANG, Y., LI, Z., REN, F. & KUROIWA, S. (2008). A Preliminary Research of Chinese Emotion Classification Model. International Journal of Computer Science and Network Security, 8(11), 127–132. Referências ATÉ A PRÓXIMA!
Compartilhar