Slide de Aula - Estudos Disciplinares XII - Aplicações de Machine Learning - unidade II

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!