Slides Aula Inaugural DSA

Prévia do material em texto

Ciência de Dados e 
Aprendizagem de Máquina
Renato Vicente
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As Ondas da 
Revolução Industrial
Aprendizagem 
de Máquina
Ciência de DadosThi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As Ondas da 
Revolução Industrial
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As quatro ondas da Revolução Industrial
Primeira Onda: No final do século 18 a
introdução da Spinning Mule, o primeiro tear
mecânico movido a energia hidráulica, substituiu
trabalho manual humano e multiplicou a
produtividade por 10 em um século
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As quatro ondas da Revolução Industrial
A Segunda Onda foi marcada pela otimização da
produção com peças padronizadas e
intercambiáveis e linhas de montagem. Em
meados do século 19 surgiam assim as primeiras
fábricas como a fundição Bridgewater.
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As quatro ondas da Revolução Industrial
A Terceira Onda resultou das necessidades de
energia, controle e comunicação a distância da
segunda onda. Necessidades essas que
estimularam o uso de eletricidade e que levaram
a invenção da eletrônica e dos primeiros
computadores. Na década de 1960 foi
introduzido o Modicon 084, primeiro Controlador
Lógico Programável (PLC)Th
iago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
As quatro ondas da Revolução Industrial
Estamos agora na Quarta Onda. Humanos e
máquinas estão interligados por uma rede de
dados. Um celular comum dispõem de uma dúzia
de sensores, há uma rede de satélites capazes de
fornecer nossa posição com alta precisão, fotos e
filmes podem ser captados e guardados em lagos
informados. Consultas médicas, compras, visitas
a sites na internet, ligações telefônicas, pedidos
de crédito, pagamentos em dia ou atrasados,
viagens de metrô, ônibus ou taxi são registrados
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Nexo Tecnológico
Tudo é anotado em formato digital e o nosso nexo
tecnológico cria cadeias de transações digitais
associadas à nossa identidade física.
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizagem 
de Máquina
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizado de Máquina 101
Um caixa eletrônico em um supermercado irá
aguardar a chegada de um novo cliente
sinalizada pelo dedo posicionado sobre uma
região específica da tela. Em seguida, irá esperar
pelo escaneamento de códigos de barra até o
cliente selecionar a tecla “fim”. Em seguida o
caixa irá exibir opções de pagamento e esperar
por dinheiro inserido ou por um cartão de
crédito. Quando o pagamento tiver sido
concluído e o cliente tiver se afastado do caixa o
sistema retornará à condição inicial de espera..
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizado de Máquina 101
Há procedimentos, no entanto, que dependem, pelo menos
num primeiro momento, de passos bem menos definidos.
Chamemos estas tarefas de “cognitivas”. Por exemplo, um
humano facilmente se lembra do resto de uma música ouvindo
um pequeno trecho (Qual é a música?!). Um humano
consegue ler um texto escrito a mão, ou consegue entender
instruções faladas. Qualquer criança consegue diferenciar (na
maioria dos casos) um cão de um gato.
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizado de Máquina 101
As tarefas do Sistema 2 podem ser automatizadas pelo
paradigma usual de programação, já as tarefas cognitivas
resultam do processamento do Sistema 1 (rápido). As emoções
são, assim, o resultado do processamento que ocorre no
Sistema 1 e o Sistema 2 tenta confabular explicações que
parecem fazer sentido lógico. Mas o que é tão peculiar assim
no funcionamento do Sistema 1?Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizado de Máquina 101
O cérebro é um objeto complicado que só estamos começando
a entender. Algumas coisas, no entanto, já sabemos: ele é
composto por muitas unidades (os neurônios), interligadas de
forma complicada. A força destas interligações é ajustada
conforme aprendemos uma tarefa.Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Aprendizado de Máquina 101
Redes neurais artificiais são modelos matemáticos que tentam
emular o que é essencial no funcionamento do Sistema 1.
Aprendizado significa ajustar parâmetros do modelo em
resposta a exemplos ou a uma avaliação de qualidade (se o
carro que se autodirige bate ou não!).Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1894: Neurônios 
Santiago Ramón y Cajal. Les nouvelles idées sur la fine 
anatomie des centres nerveux. 1894Th
iago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1943: Neurônios Artificiais 
McCulloch e Pitts. A logical calculus of the ideas immanent 
in nervous activity. 1943Th
iago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1948: “Máquina Desorganizada” de Turing 
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1957: Perceptron
Frank Rosenblatt. Perceptron. Cornell Aeronautical
Laboratory 1957Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1959: Machine Learning 
Arthur Samuel. Some Studies in Machine Learning
Using the Game of Checkers. IBM Journal July 1959
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1969: Perceptron
Minsky e Papert. PerceptronsThi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1980s: Renascimento 
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
1990s: Maturidade 
SVM (Vapnik) Boosting (Shapire & Freund)
(Neal & MacKay)
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
2000s: Dados, hardware e ferramentas 
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
2010s: Módulos, Computação em nuvem, IoT, GANs
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Deep Learning: Sucesso Prático
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Sucesso Prático: ResNet 2015
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Sucesso Prático: GANs
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Ciência de Dados
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Dilúvio de Dados
A quantidade de dados que coletamos cresce
muito mais rápido que a capacidade de análise
por analistas humanos. A distância entre um e o
outro é o que chamamos de Gap Analítico.
tempo
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Relevância de Dados
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Contexto dos Dados
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Representação dos Dados
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Interpretabilidade
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Os Três Problemas da Ciência de Dados
Data Science Data Engineering BusDev
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Cadeia de Valor na Ciência de Dados
Data
Dados 
Alternativos 
ativos
Análise
ML em 
Produção
Insights
UX/UI
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7
Obrigado!
Thi
ago
 Nu
nes
 Da
 Sil
va 3
27.6
89.9
68-0
7