Baixe o app para aproveitar ainda mais
Prévia do material em texto
CIÊNCIA DE DADOS PARA EMPRESAS E NEGÓCIOS Recursos Humanos • Previsão se um funcionário sairá da empresa Marketing • Segmentação de mercado Vendas • Previsão de vendas futuras com séries temporais Medicina • Diagnóstico de doenças respiratórias utilizando imagens Relações Públicas • Mineração de sentimentos em textos Produção e manutenção • Classificação de imagens de produtos com defeitos e seleção dos defeitos • Contratar e reter funcionários são tarefas extremamente complexas que exigem capital, tempo e habilidades Fonte: https://toggl.com/blog/cost-of-hiring-an-employee • “Pequenos empresários gastam em torno de 40% das horas de trabalho em tarefas que não geram receitas, como a contratação” • “Empresas gastam de 15% a 20% do salário dos funcionários para recrutar um novo candidato” https://toggl.com/blog/cost-of-hiring-an-employee • “Uma empresa média perde entre 1% e 2.5% de sua receita total no tempo que leva para treinar um novo funcionário” Fonte: https://toggl.com/blog/cost-of-hiring-an-employee • A contratação de um novo funcionário custa em média $7645 (em uma empresa com aproximadamente 500 funcionários) • Demora mais ou menos 52 dias para um funcionário ocupar de fato sua nova posição https://toggl.com/blog/cost-of-hiring-an-employee • Você trabalha como cientista de dados para uma empresa Fonte dos dados: https://www.kaggle.com/pavansubhasht/ibm-hr-analytics-attrition-dataset • O departamento de RH coletou dados dos funcionários e gostaria que você fizesse a previsão de quais são mais propensos para sair do emprego • Alguns exemplos de dados: o Envolvimento com o trabalho o Escolaridade o Satisfação com o trabalho o Métricas de desempenho o Relacionamento o Equilíbrio entre atividades pessoais e profissionais 1. REGRESSÃO LOGÍSTICA • Regressão linear é usada para prever números o Exemplo: previsão de lucros baseado na temperatura • Regressão logística é usada para prever saídas binárias o Uma das duas classes: aprovado/reprovado, ganhar/perder, saudável/doente HORAS DE ESTUDO AP RO VA D O /R EP RO VA D O Horas estudo Aprovado/ Reprovado 1 0 1.5 0 2 0 3 1 3.25 0 4 1 5 1 6 1 MODELO LINEAR 1. REGRESSÃO LOGÍSTICA HORAS DE ESTUDO AP RO VA DO /R EP RO VA DO MODELO DE REGRESSÃO LOGÍSTICA • Primeiro, utiliza uma equação linear • Converte o valor em uma probabilidade (valores entre 0 e 1) • Equação linear: • ! = #$ + #& ∗ ( • Função sigmóide: • ) ( = *+,-.+/ ! • ) ( = &&0123 • ) ( = &&012(56758∗9) 1. REGRESSÃO LOGÍSTICA Classe 0 Classe 1 HORAS DE ESTUDO AP RO VA DO /R EP RO VA DO • Conversão para probabilidade THRESHOLD 0.5 MODELO DE REGRESSÃO LOGÍSTICA 2. RANDOM FOREST • Classificar se uma pessoa pode se aposentar baseado nas economias e idade • Random Forest é considerado com conjunto de algoritmos (ensemble) • Cria um conjunto de árvores de decisão baseados em atributos randômicos • Combina os votos de diferentes árvores de decisão Savings>$1 M Age > 45? Class #0 NoYes Class #1 Class #0 NoYes Savings>$1 M Age > 45? Class #0 NoYes Class #1 Class #0 NoYes Savings>$1 M Age > 45? Class #0 NoYes Class #1 Class #0 NoYes ÁRVORE #1 ÁRVORE #2 ÁRVORE #N VOTO MAJORITÁRIO = CLASS #1 SAÍDA = CLASS #1 SAÍDA = CLASS #1 SAÍDA = CLASS #0 3. REDES NEURAIS ARTIFICIAIS !"#$% & = ((* +,% -. /",+# !+# & ) Node (n+1, i) representation ( / = 11 + 456 Função de ativação sigmóide ú ú ú ú û ù ê ê ê ê ë é = 1 2 1 NP P P P ! 7%% 7%8 78% 788 ⋯ 7%,-: 78,-: ⋮ ⋱ ⋮ 7=5%,% 7=5%,8 7=,% 7=,8 ⋯ 7=5%,-: 7=,-: PR ED IC TI O N S TRUE CLASS TRUE + TRUE - + - + - FALSE + FALSE - TYPE II ERROR TYPE I ERROR MATRIZ DE CONFUSÃO KPIs (KEY PERFORMANCE INDICATORS) o True positives (TP): quando o classificador previu TRUE (tem a doença), e a classe correta era TRUE (tem a doença) o True negatives (TN): quando o modelo previu FALSE (não tem a doença), e a classe correta era FALSE (não tem a doença) o False positives (FP) (Type I error): classificador previu TRUE, mas a classe correta era FALSE (não tem a doença) o False negatives (FN) (Type II error): classificador previu FALSE (não tem a doença), mas na verdade o paciente tem a doença o Classification Accuracy = (TP+TN) / (TP + TN + FP + FN) o Precision = TP/Total TRUE Predictions = TP/ (TP+FP) - quando o modelo previu TRUE, o quanto a previsão estava correta? o Recall = TP/ Actual TRUE = TP/ (TP+FN) (quando a classe era TRUE, o quanto o classificador estava correto?) PRECISION VS. RECALL o Classification Accuracy = (TP+TN) / (TP + TN + FP + FN) = 91% o Precision = TP/Total TRUE Predictions = TP/ (TP+FP) = ½=50% (quando o modelo prevê a doença, ele está correto em 50% dos casos) o Recall = TP/ Actual TRUE = TP/ (TP+FN) = 1/9 = 11% (o modelo identifica corretamente 11% dos pacientes doentes) PR ED IC TI O N S TRUE CLASS TP = 1 TN = 90 + - + - FP = 1 FN = 8 • Accuracy pode ser enganador e não é suficiente para avaliar um algoritmo • Recall é um KPI importante em situações quando a base de dados é desbalanceada 100 PACIENTES 91 SAUDÁVEIS 9 DOENTES • F1 Score combina precision e recall • Média harmônica de precision e recall • Em dados desbalanceados, se tivermos um grande número de verdadeiros negativos (true negatives – pacientes saudáveis), o accuracy será enganador. Nesse caso, F1 é uma métrica melhor por prover um “balanceamento” entre precision e recall !1 #$%&' = 2 ∗ (,-./0#012 ∗ -./344)(,-./0#012 + -./344) !1 #$%&' = 2 ∗ 7,2 ∗ 7, + !, + !2 !1 #$%&' = 2 ∗ 12 ∗ 1 + 1 + 8 = 0,18 F1-SCORE • Um dos pontos cruciais de marketing é conhecer os clientes e identificar suas necessidades • Entendendo os consumidores podemos enviar campanhas específicas para necessidades específicas • Se dados sobre os clientes estão disponíveis, podemos aplicar Ciência de Dados para segmentar o mercado • Fomos contratados por um banco de NYC para analisar os dados e dividir os clientes em pelo menos 3 grupos • # CUSTID: Identificação do cliente • # BALANCE: Saldo para fazer compras • # BALANCE_FREQUENCY: Frequência que o saldo é atualizado (1 = frequente, 0 = não frequente) • # PURCHASES: Quantidade de compras realizadas • # ONEOFFPURCHASES: Quantidade de compras feitas “de uma só vez” (sem parcelar) • # INSTALLMENTS_PURCHASES: Quantidade de compras parceladas • # CASH_ADVANCE: Dinheiro adiantado • # PURCHASES_FREQUENCY: Frequência das compras (entre 1 e 0) • # ONEOFF_PURCHASES_FREQUENCY: Frequência de compras à vista (entre 1 e 0) • # PURCHASES_INSTALLMENTS_FREQUENCY: Frequência de compras parceladas (entre 1 e 0) • # CASH_ADVANCE_FREQUENCY: Frequência de saques de dinheiro adiantado • # CASH_ADVANCE_TRX: Número de transações feitas como "Cash in Advance" • # PURCHASES_TRX: Número de compras • # CREDIT_LIMIT: Limite do cartão de crédito • # PAYMENTS: Valor pago • # MINIMUM_PAYMENTS: Valor mínimo pago • # PRC_FULL_PAYMENT: Percentual de pagamentos da fatura “completa” • # TENURE: Posse do titular do cartão • Algoritmo não supervisionado (clustering - agrupamento) • Os registros são agrupados baseado em atributos similares, por meio do cálculo da Distância Euclidiana INTUIÇÃO K-MEANS ECONOMIAS ID AD E ECONOMIAS ID AD E K-MEANS ECONOMIAS ID AD E ECONOMIAS ID AD E ECONOMIAS ID AD E ECONOMIAS ID AD E Adicionar K centroides para cada grupo Associar cada ponto com o centroide mais próximo Calcular novo centroide para cada grupoRepetir! DEFINIÇÃO DO NÚMERO DE GRUPOS: “ELBOW METHOD” (MÉTODO DO COTOVELO) ECONOMIAS ID AD E !"#ℎ"% &'()#*+ ,(- ./ ,0(1+*) !&,, = 3 45 67 89:;<=> ? @")#1%A* B6, &? D + 3 45 67 89:;<=> D @")#1%A* B6, &D D + 3 45 67 89:;<=> F @")#1%A* B6, &F D GH IJ GH GH IK IL DEFINIÇÃO DO NÚMERO DE GRUPOS: “ELBOW METHOD” (MÉTODO DO COTOVELO) ECONOMIAS ID AD E !"#ℎ"% &'()#*+ ,(- ./ ,0(1+*) !&,, = 3 45 67 89:;<=> ? @")#1%A* B6, &? D EF GH NÚMERO DE GRUPOS (K) = 1 DEFINIÇÃO DO NÚMERO DE GRUPOS: “ELBOWMETHOD” (MÉTODO DO COTOVELO) ECONOMIAS ID AD E !" #$ !" #% &'(ℎ'* +,-.(/0 1-2 34 15-60/. &+11 = 8 9: ;< =>?@ABC D E'.(6*F/ G;, +D I + 8 9: ;< =>?@ABC I E'.(6*F/ G;, +I I NÚMERO DE GRUPOS (K) = 2 DEFINIÇÃO DO NÚMERO DE GRUPOS: “ELBOW METHOD” (MÉTODO DO COTOVELO) ECONOMIAS ID AD E !" #$ !" !" #% #& '()ℎ(+ ,-./)01 2.3 45 26.710/ ',22 = 9 :; <= >?@ABCD E F(/)7+G0 H<, ,E J + 9 :; <= >?@ABCD J F(/)7+G0 H<, ,J J + 9 :; <= >?@ABCD L F(/)7+G0 H<, ,L J DEFINIÇÃO DO NÚMERO DE GRUPOS: “ELBOW METHOD” (MÉTODO DO COTOVELO) NÚMERO DE GRUPOS “K” W IT HI N CL US TE RS S UM O F SQ UA RE S (W CS S) OPTIMAL “K” Fonte: https://commons.wikimedia.org/wiki/File:Tennis_Elbow_Illustration.jpg https://commons.wikimedia.org/wiki/File:Tennis_Elbow_Illustration.jpg PRINCIPAL COMPONENT ANALYSIS: VISÃO GERAL • PCA é um algoritmo de aprendizagem não supervisionada • Aplica redução de dimensionalidade, porém, tenta manter as informações originais com as mesmas características • Encontra um novo conjunto de características que são chamados de componentes • Os componentes são criados por meio das características não correlacionadas Fonte: http://phdthesis-bioinformatics-maxplanckinstitute-molecularplantphys.matthias-scholz.de/ http://phdthesis-bioinformatics-maxplanckinstitute-molecularplantphys.matthias-scholz.de/ AUTOENCODERS – INTUIÇÃO • São um tipo de redes neurais artificiais para codificar dados • Utiliza a mesma entrada e a mesma saída para comparar os resultados Fonte da foto: https://commons.wikimedia.org/wiki/File:Autoencoder_structure.png Fonte da foto: https://commons.wikimedia.org/wiki/File:Artificial_neural_network_image_recognition.png Fonte da foto: https://www.pexels.com/photo/grey-and-white-short-fur-cat-104827/ TARGET (TRUE) LABEL = CAT ENCODED CAT IMAGE https://commons.wikimedia.org/wiki/File:Autoencoder_structure.png https://commons.wikimedia.org/wiki/File:Artificial_neural_network_image_recognition.png https://www.pexels.com/photo/grey-and-white-short-fur-cat-104827/ CAMADAS DO AUTOENCODER • Versão comprimida da informação na camada do meio (codificação) • Funcionam se existir correlação entre os dados de entrada (resultados ruins se os dados de entrada são todos independentes) Fonte da foto: https://commons.wikimedia.org/wiki/File:Autoencoder_structure.png Fonte da foto: https://commons.wikimedia.org/wiki/File:Artificial_neural_network_image_recognition.png Fonte da foto: https://www.pexels.com/photo/grey-and-white-short-fur-cat-104827/ DADO CODIFICADO ENCODER DECODER https://commons.wikimedia.org/wiki/File:Autoencoder_structure.png https://commons.wikimedia.org/wiki/File:Artificial_neural_network_image_recognition.png https://www.pexels.com/photo/grey-and-white-short-fur-cat-104827/ • Para que as empresas sejam competitivas e crescerem, o uso de IA/ML é muito importante para previsões de vendas futuras • Modelos de previsão de vendas futuras baseados em dados do passado devem considerar efeitos sazonais, como por exemplo: demanda, feriados, promoções e concorrência • Neste projeto, nós trabalhamos como cientista de dados de uma rede de lojas físicas e temos dados de 1.115 lojas! • O objetivo é prever vendas futuras PASSADO FUTURO TEMPO VE ND AS DADOS DAS TRANSAÇÕES • Id: identificador da transação (loja + data) • Loja: identificador único da loja • Sales: vendas/dia (objetivo) • Customers: número de clientes no dia • Open: boleano que indica se a loja estava aberta ou fechada (1 = aberta, 0 = fechada) • Promo: se existe uma promoção no dia • StateHoliday: feriado (a = feriado público, b = Páscoa, c = Natal, 0 = nenhum) • SchoolHoliday: feriado escolar DADOS DAS LOJAS • StoreType: tipo da loja (a, b, c, d) • Assortment: a = basic, b = extra, c = extended • CompetitionDistance (metros): distância para a loja concorrente mais perto • CompetitionOpenSince [Month/Year]: data que a loja concorrente foi aberta • Promo2: promoção contínua e consecutiva em algumas lojas (0 = não está participando, 1 = está participando) • Promo2Since [Year/Week]: data quando a loja começou a participar da Promo2 • PromoInterval: intervalos consecutivos que a Promo2 é iniciada (meses). Exemplo: "Feb,May,Aug,Nov" indica que cada “round” da promoção começa em February, May, August, November FACEBOOK PROPHET (PROFETA) • É um software open source lançado pelo time de Ciência de Dados do Facebook • Permite a previsão de séries temporais baseado em “regressão aditiva” • Tendências não lineares podem ser descobertas anualmente, semanalmente, diariamente (considera feriados) • Funciona melhor com efeitos sazonais e com grande quantidade de dados • Para mais informações o https://research.fb.com/prophet-forecasting-at-scale/ o https://facebook.github.io/prophet/docs/quick_start.html#p ython-api ! = #$ +& '() * +' ,' + - https://research.fb.com/prophet-forecasting-at-scale/ https://facebook.github.io/prophet/docs/quick_start.html • IA/ML/DL tem revolucionado a área da medicina e saúde: o Imagens médicas o Novos medicamentos o Pesquisas relacionadas ao genoma Referência: "Computer learns to detect skin cancer more accurately than doctors". The Guardian. 29 May 2018 • Deep learning tem provado ser superior na detecção e classificação de doenças usando imagens médicas • Câncer de pele pode ser detectado com maior precisão por modelos de Deep Learning do que por dermatologistas experientes (2018). o Dermatologistas = 86.6% o Deep learning = 95% • Nesse estudo de caso, vamos assumir que somos consultores de Deep Learning • Fomos contratados por um hospital para automatizar o processo de detectar e classificar doenças pulmonares, reduzindo o custo e tempo da detecção • Os profissionais da saúde coletaram várias imagens de raio-x, 133 imagens que pertencem a 4 classes: o Healthy (saudável) o Covid-19 o Bacterial Pneumonia o Viral Pneumonia REDES NEURAIS CONVOLUCIONAIS • As primeiras camadas convolucionais são utilizadas para extrair características gerais das imagens (bordas, linhas) • As últimas camadas são utilizadas para classificação • As “bordas/linhas” são utilizadas nas camadas seguintes para formar características mais complexas (olhos, boca, nariz) REDES NEURAIS CONVOLUCIONAIS REDES NEURAIS CONVOLUCIONAIS • Existem diversas arquiteturas de redes neurais convolucionais treinadas e disponíveis para uso: o LeNet-5 (1998): 7 níveis de convolução aplicada na classificação de dígitos manuscritos o AlexNet (2012): apresentou melhorias, reduzindo o erro de 26% para 15.3% o ZFNEt (2013): erro de 14.8% o Googlenet/Inception (2014): erro de 6.67% (similar a precisão humana) o VGGNet (2014) o ResNet (2015): Residual Neural Network com a inclusão do conceito de “skip connection” que permitiu o treinamento de 152 camadas. Erro de 3.57% (superior aos humanos) Source: https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet- resnet-and-more-666091488df5 https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5 RESNET (RESIDUAL NETWORK) • Problema do gradiente desaparecendo (vanish gradient problem) • Conceito de “skip connection” (usada na arquitetura YOLO) • A base de dados ImageNet contém 11 milhões de imagens e 11.000 categoriais • Essa base de dados é utilizada para treinar a arquitetura ResNet TRANSFERÊNCIA DE APRENDIZAGEM • É uma técnica na qual uma rede neural foi treinada para realizar uma determinada tarefa e é reusada como ponto de partida para uma tarefa similar • Muito útil porque reduz drasticamente o tempo de treinamento • Crédito da imagem: https://commons.wikimedia.org/wiki/File:Lillehammer_2016_-_Figure_Skating_Men_Short_Program_- _Camden_Pulkinen_2.jpg • Crédito da imagem: https://commons.wikimedia.org/wiki/Alpine_skiing#/media/File:Andrej_%C5%A0porn_at_the_2010_Winter_Olympic_downhill.jpg • Citations: Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh,Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg and Li Fei-Fei. • ImageNet Large Scale Visual Recognition Challenge. arXiv:1409.0575, 2014. KNOWLEDGE TRANSFER TRANSFERÊNCIA DE APRENDIZAGEM • Processamento de linguagem natural pode ser utilizado para prever se clientes estão ou não satisfeitos • Conversão de letras para números para treinar modelos de aprendizagem de máquina • Não há necessidade de analisar os textos manualmente • Basedo nos reviews em formato de texto, o objetivo é prever se os clientes estão ou não satisfeitos • O departamento de relações públicas coletou textos escritos pelos seus clientes TOKENIZAÇÃO (COUNT VECTORIZER) This is the first document. This document is the second document. And this is the third one. Is this the first document? [[0 1 1 1 0 0 1 0 1] [0 2 0 1 0 1 1 0 1] [1 0 0 1 1 0 1 1 1] [0 1 1 1 0 0 1 0 1]] 'and' 'document' 'first' 'is' 'one' 'second' 'the' 'third' 'this' Training Sample #1 0 1 1 1 0 0 1 0 1 Training Sample #2 0 2 0 1 0 1 1 0 1 Training Sample #3 1 0 0 1 1 0 1 1 1 Training Sample #4 0 1 1 1 0 0 1 0 1 NAÏVE BAYES: INTUIÇÃO • O Naïve Bayes é um algoritmo de classificação baseado no teorema de Bayes FEATURE #1: IDADE FE AT UR E #2 : E CO N O M IA S ? 40 PONTOS AZUIS 20 PONTOS VERMELHOS CLASSE 1: APOSENTAR CLASSE 0: NÃO APOSENTAR NOVO CLIENTE NAÏVE BAYES: 1. PROBABILIDADES A PRIORI !"#$" !"$%&%#'#() *$" +,- = /01%2" $* +,- !$#3(45$(&' /01%2" $* !$#3(4 = 20 60 !"#$" !"$%&%#'#() *$" 9:;, = /01%2" $* 9:;, !$#3(45$(&' /01%2" $* !$#3(4 = 40 60 FEATURE #1: IDADE FE AT UR E #2 : E CO NO M IA S ? 40 PONTOS AZUIS 20 PONTOS VERMELHOS CLASSE 1: APOSENTAR CLASSE 0: NÃO APOSENTAR NAÏVE BAYES: 2. LIKELIHOOD FEATURE #1: IDADE FE AT UR E #2 : E CO NO M IA S ? !"#$%"ℎ''( ') * +$",- ./0 = 234+$5 ') ./0 6'",78 ", 9":","7;<'7=% 234+$5 ') ./0 6'",78 = 3 20 40 PONTOS AZUIS 20 PONTOS VERMELHOS !"#$%"ℎ''( ') * +$",- A!B/ = 234+$5 ') A!B/ 6'",78 ", 9":","7;<'7=% 234+$5 ') A!B/ 6'",78 = 1 40 NAÏVE BAYES: 3. PROBABILIDADE POSTERIORI FEATURE #1: IDADE FE AT UR E #2 : E CO NO M IA S ? !"#$%&'"& !&"()('*'$+ ", - (%'./ 012 = !&'"& !&"()('*'$+ ", 012 ∗ 5'6%*'ℎ""8 ", - (%'./ 012 = 9:;: ∗ < 9: = = 9: = 0,05 40 PONTOS AZUIS 20 PONTOS VERMELHOS !"#$%&'"& !&"()('*'$+ ", - (%'./ B5C1 = !&'"& !&"()('*'$+ ", B5C1 ∗ 5'6%*'ℎ""8 ", - (%'./ B5C1 = D:;: ∗ = D: = = ;: = 0,16 X É CLASSIFICADO COMO VERMELHO (NÃO APOSENTAR) POIS A PROBABILIDADE É MAIOR • IA e ML estão transformando a indústria, principalmente os departamentos de produção e manutenção Referência: https://www.cio.com/article/3302797/how-ai-is-revolutionizing- manufacturing.html • De acordo com o relatório do World Economic Forum, essas tecncologias terão grande impacto na indústria 4.0 o Departamento de manutenção o Departamento de produção o Cadeia de suprimentos • Técnicas de Deep Learning tem provado serem eficientes para detecção e localização de defeitos em imagens • LandingAI: https://landing.ai/defect-detection/ https://landing.ai/defect-detection/ RESNET DEEP LEARNING CLASSIFIER MODEL RESUNET SEGMENTATION MODEL CLASSIFICAÇÃO E SEGMENTAÇÃO IMAGENS PROVIDAS PELO DEPARTAMENTO DE MANUTENÇÃO SEM DEFEITO DEFEITO DETECTADO FIM DETECÇÃO DA LOCALIZAÇÃO DO DEFEITO MASK (MÁSCARA) • O objetivo da segmentação de imagens é “entender” a imagem pixel a pixel, sendo que cada pixel é associado a uma classe [[ 0, 0], [0, 0]] [[ 255, 0], [0, 255]] • A saída da segmentação produz uma nova imagem, que é chamada de “máscara da imagem” • Máscaras podem ser representadas associando valores de pixels para coordenadas • Para representar máscaras aplicamos o processo de “flattening” – 1-D array • Exemplo: [255, 0, 0, 255], [1, 0, 0, 1] RUN LENGTH ENCODING (RLE) • Técnica para compressão de dados que armazena sequências que contém dados consecutivos (combinação em um só valor) • Considerando que temos uma imagem com texto preto em fundo branco WWWWWWWWWWWWBWWWWWWWWWW WWBBBWWWWWWWWWWWWWWWWWWW WWWWWBWWWWWWWWWWWWWW • Run-length encoding (RLE): 12W1B12W3B24W1B14W RESUNET • Combina a arquitetura UNet com blocos residuais (skip connection) para reduzir o problema do gradiente desaparecendo (vanish gradient problem) • Consiste em três partes: • (1) Encoder or contracting path • (2) Bottleneck • (3) Decoder or expansive path INPUT IMAGE SEGMENTATION MASK BOTTLENECK • Conexão entre as camadas ARQUITETURA CONTRACTION PATH (ENCODER) • Primeiro bloco: camada convolucional 3x3, relu, BatchNormalization • Próximos blocos: “res blocks” com pooling de 2x2 (downsampling) EXPANSION PATH (DECODER) • Primeiros três blocos: “res block” com pooling 2x2 (upsampling) • Último bloco: camada convolucional 1x1
Compartilhar