2Aprendizado Maquina Conceitos

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)