Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligência Artificial – Aprendizado de Máquina - Conceitos Disciplina Inteligência Artificial, Cursos Superiores Professor Adilson Pereira de Oliveira IA – Aprendizado de Máquina - Conceitos • Árvore de Decisão • Naive Bayes • Descida de Gradiente • Regressão Linear • Regressão Logística • Máquinas de Vetores de Suporte – SVM • Método de Kernel • Cluster de K-Means • Cluster Hierárquico • Redes Neurais CONTEÚDO ABORDADO Aprendizado de Máquina • Reconhecimento de imagem e voz • Detecção de Spam e Fraude • Mercado de Ações • Construção de veículos autônomos O Aprendizado de máquina tem diversas aplicações práticas, a seguir algumas delas: Exemplo de uma aplicação: • Sistema que faça a recomendação de aplicativos para o usuário, tal como a App Store ou Google Play. • Entre o gênero e a idade, qual é o mais decisivo para predizer qual dos aplicativos os usuário vão usar? Gênero Idade Aplicativo Exemplo de uma aplicação: • Sistema que faça a recomendação de aplicativos para o usuário, tal como a App Store ou Google Play. • Pelo gênero não há uma divisão dos dados Gênero Idade Aplicativo • Mas pela idade existe uma divisão dos dados Exemplo de uma aplicação: • Uma árvore de decisão, cujas decisões são tomadas pelas perguntas feitas, construída a partir dos dados da tabela. Gênero Idade Aplicativo Idade Gênero Algoritmo Naive Bayes e-mails recebidos • Exemplo de um Classificador de e-mail para verificar se as mensagens são spam ou não são spams • 100 e-mails na caixa postal onde 25 deles são spams e 75 deles não são spams spams não spams ! Algoritmo Naive Bayes Exemplo de um Classificador de detecção de spam de e-mail • 20 dos 25 e-mails que são spams contém a palavra barato 5 dos 75 e-mails que não são spams contém a palavra barato spams não spams ! Exemplo de um Classificador de detecção de spam de e-mail • Ignoramos os que não são spam e analisamos os que são spams. spams não spams ! • Baseado nos dados ao lado, se um e-mail conter a palavra barato, qual a chance de ele ser um Spam ? Exemplo de um Classificador de detecção de spam de e-mail • Associamos 80% a palavra barato, e usamos isso como um recurso para identificarmos mensagens de e-mails que são spams. spams não spams ! • 20 são spams 5 não são spams (80%) (20%) • Outro recursos poderiam ser: o Palavras com erros de grafia – 70% o Palavras sem título – 95% Os recursos são combinados para prever se os e-mails que chegam são spam ou não Descida Gradiente • Qual estratégia poderíamos utilizar para descer a montanha? Descida Gradiente • Qual estratégia poderíamos utilizar para descer a montanha? Descida Gradiente • Qual estratégia poderíamos utilizar para descer a montanha? Descida Gradiente • Qual estratégia poderíamos utilizar para descer a montanha? • O Algoritmo usado para fazer isso se chama descida gradiente Regressão Linear • Mercado Imobiliário Casa pequena R$70.000,00 Casa grande R$160.000,00 Qual seria o valor de uma casa MÉDIA ? ? Regressão Linear • Mercado Imobiliário 160 Qual seria o valor de uma casa MÉDIA ? Tamanho em Metros Quadrados V al o r d a C as a ( R $ 1 0 .0 0 0 ,0 0 ) 5 10 15 20 120 70 Regressão Linear Regressão Linear Calcular o Erro: Regressão Linear Calcular o Erro: Calcular o Erro: Regressão Linear Calcular o Erro: Calcular o Erro: Calcular o Erro: Regressão Linear Calcular o Erro: Calcular o Erro: Calcular o Erro: • Método utilizado para reduzir o erro foi, o descendente gradiente • Na vida real não queremos lidar com distâncias negativas, então, em vez de encontrar a distância entre os pontos adicionamos quadrados. Descendente Gradiente Mínimos Quadrados Regressão Linear • Qual estratégia poderíamos utilizar para descer a montanha? Regressão Linear • Qual estratégia poderíamos utilizar para descer a montanha? Regressão Linear • Qual estratégia poderíamos utilizar para descer a montanha? Regressão Linear • Qual estratégia poderíamos utilizar para descer a montanha? Regressão Linear • Qual estratégia poderíamos utilizar para descer a montanha? Regressão Logística 3º estudante: Tirou nota 7/10 no teste Escala nas avaliação é 6/10 Nota na Avaliação E sc a la n a A v a li a ç ã o Regressão Logística ERROS: 2 Regressão Logística ERROS: 1 Regressão Logística ERROS: 0 Regressão Logística 4 PONTOS CORRETMENTE CLASSIFICADOS: 2 LILÁS, 2 ROSAS 2 PONTOS INCORRETMENTE CLASSIFICADOS: 1 LILÁS, 1 ROSA Regressão Logística 4 PONTOS CORRETMENTE CLASSIFICADOS: 2 LILÁS, 2 ROSAS 2 PONTOS INCORRETMENTE CLASSIFICADOS: 1 LILÁS, 1 ROSA Regressão Logística Método do Gradiente Descendente Regressão Logística Método do Gradiente Descendente Regressão Logística Método do Gradiente Descendente Regressão Logística Método do Gradiente Descendente Máquina de Vetores de Suporte Máquina de Vetores de Suporte Esses pontos mais distantes não são tão importantes, pode ignorá-los A linha amarela é a melhor, mas por quê ? Máquina de Vetores de Suporte Método de Kernel Método de Kernel Método de Kernel Método de Kernel Para este caso será preciso usar uma curva Método de Kernel Método de Kernel Método de Kernel Se as coordenadas dos pontos são X e Y, nós precisamos de uma equação nas variáveis X e Y que nos forneça valores grandes para os pontos verdes e valores pequenos para os pontos vermelhos, ou vice-versa. Método de Kernel Método de Kernel XY = 1 é a mesma coisa que y = 1/x que tem como gráfico uma HIPÉRBOLE Método de Kernel Algoritmo K-Means Como dono de uma pizzaria, você deseja colocar 3 delas em áreas de uma determinada cidade. Em quais lugares você colocaria? K-Means Clustering As casas estão divididas em 3 grupos. Como decidimos a montagem das pizzarias? Algoritmo K-Means Uma estrela foi colocada para indicar o lugar onde cada pizzaria será colocada. Algoritmo K-Means São escolhidos 3 grupos aleatórios. Algoritmo K-Means Pizzarias precisam ser mudadas de lugar, para ficarem no centro da clientela. Algoritmo K-Means Cada pizzaria agora está no centro. Mas existem clientes que estão mais próximos da outra pizzaria, portanto propensos a comprar nela. Algoritmo K-Means Algoritmo reorganiza os agrupamentos e move o lugar da pizzaria. Algoritmo K-Means O algoritmo volta a reorganizar o agrupamento, adicionando mais casas ao grupo azul. Algoritmo K-Means Por fim, ele move a pizzaria vermelha para o centro de sua clientela. Algoritmo K-Means Hierárquico Algoritmo usado para fazer agrupamentos, quando não se sabe o número de agrupamentos. Algoritmo K-Means Hierárquico Faz sentido agrupar as casas que estão próximas uma das outras, como essas duas destacadas em vermelho. Algoritmo K-Means Hierárquico O Algoritmo continua agrupando outras duas casas. Algoritmo K-Means Hierárquico Ao analisar um novo agrupamento, o algoritmo percebe que a casa que está sendo inserida já faz parte do agrupamento. Algoritmo K-Means Hierárquico É feita a união deste novo grupo ao centro. Algoritmo K-Means Hierárquico O algoritmo continua unindo os grupo próximos. Algoritmo K-MeansHierárquico Agora temos dois únicos agrupamentos. Algoritmo K-Means Hierárquico Embora esse seja o próximo agrupamento das casas mais próximas, isso deve ter um limite, e o limite é a distância entre essas duas casas. Algoritmo K-Means Hierárquico O algoritmo verifica a distância entre as duas casas, e sabe que tem que parar sempre que atingir aquela distância. Redes Neurais 4 º estudante: Tirou nota 9/10 no teste Avaliação dele é 1/10 Nota no Teste A v a li a ç ã o d o A lu n o Redes Neurais Nota no Teste A v a li a ç ã o d o A lu n o Redes Neurais Nota no Teste A v a li a ç ã o d o A lu n o 1)O ponto está sobre a linha azul? SIM SIM NÃO NÃO 2)O ponto está sobre a linha laranja? NÃO SIM NÃO SIM 3) As respostas as questões 1 e 2 são ambas SIM? Redes Neurais 1)O ponto está sobre a linha azul? ALUNO Teste = 1 Avaliação= 8 ( 1 , 8 ) 2)O ponto está sobre a linha laranja? Teste = 1 Avaliação= 8 ( 1 , 8 ) Redes Neurais AND 3) As respostas as questões 1 e 2 são ambas SIM? Redes Neurais AND Teste = 1 ( 1 , 8 ) Avaliação= 8 ( 1 , 8 ) SIM NÃO NÃO / SIM Redes Neurais Redes Neurais NÃO Teste = 1 Avaliação= 8 SIM NÃO / SIM NÃO SIM 1 0 Inteligência Artificial Disciplina dos Cursos Superiores ETEP Faculdades Professor Adilson Pereira de Oliveira adilson.oliveira@etep.edu.br Algumas das Referencias Bibliográficas utilizadas : LUGER, GEORGE F.Inteligência Artificial - 6ª edição - São Paulo: Pearson Education do Brasil, 2013. HUBBARD, John R. Teoria e problemas da programação com Java. 2ª ed. Porto Alegre: Bookman, 2006. PINHEIRO, Francisco A C. Fundamentos de computação e orientação a objetos usando JAVA. Rio de Janeiro: LTC, 2006. Alguns exemplos do programa Nanodegree Udacity. OCW do MIT (Instituto de Tecnologia de Massachusetts)
Compartilhar