Meetup SQL Norte

1. “Desaprendizado de máquina” - Desmistificando machine
learning na sua realidade
Carlos Augusto Oeiras

2. Conheça o SQL Norte!
● 3 grupos de mensagens (WhatsApp e Telegram) com profissionais de dados
de todo o Brasil;
● 900 inscritos no nosso Canal do Youtube (rumo aos 1.000 inscritos);
● 3 Data Tech Day Realizados, Te aprepara que o Data Tech Day 4ª Edição tá
chegando! (07/12)
● 2 Meetups realizado e ocorrerá mais um ainda esse ano (09/11);
● Muito conteúdo de Data Platform FREE;
● E muito mais;

3. sobre...
- Analista de dados - FADESP
- Data Scientist na Uber - foco em ML para CRM e Churn de
produtos com predições
- Competidor Kaggle - Contributtor (** rumo ao Master)
- Participante ativo nas comunidades “Serenata de amor” e
Data Hackers.

4. Todos pensam que é

5. o que as empresas acham que é?

6. como realmente é?

7. O que é Machine Learning?
(Aprendizado de Máquina)

8. Machine Learning é o método de análise de dados que
automatiza a construção de modelos analíticos.

9. Porque aprender ML
Aprenda quando você não pode codificar
Reconhecimento de fala / imagem / gestos
Aprenda quando você não pode escalar
Recomendações, spam e detecção de fraudes
Aprenda quando você precisar adaptar/personalizar
Escrita preditiva
Aprenda quando você não pode fazer o tracking
IA de jogos, controle de robôs

10. Diferenças de conceitos

11. Inteligência Artificial inclui Machine Learning, mas Machine
Learning por si só não define Inteligência Artificial.

12. Inteligência Artificial é baseada em Machine Learning e
Machine Learning é essencialmente diferente de Estatística.

13. Machine Learning se baseia em alguns importantes
conceitos da Matemática, Estatística e Ciência da
Computação:

14. Tipos de algoritmos de ML

15. Machine Learning usa algoritmos para analisar grandes
conjuntos de dados!

16. Problemas comuns

21. Falhas são mais comuns que sucesso em processos
de Machine Learning.

22. Para criar modelos de Machine Learning você
tem duas opções:

23. Principais frameworks do mercado

25. Processo de aprendizagem

26. Processo de aprendizagem

27. Processo de aprendizagem
Um componente chave do processo de aprendizagem é a
generalização!
E para poder generalizar a função que melhor resolve o
problema, os algoritmos de Machine Learning se baseiam em 3
componentes:

28. Processo de aprendizagem

29. Processo de aprendizagem
As técnicas de aprendizagem de máquina baseadas em
algoritmos estatísticos utilizam Cálculo e Álgebra Linear e os
dados precisam estar carregados em memória.

30. O modelo pode aprender demais (overfitting) ou aprender de
menos (underfitting).

31. Para atingir o equilíbrio e criar grandes soluções de Machine
Learning, você terá que fazer escolhas.

32. O Processo de Aprendizagem em Detalhes
Para usar uma curva de aprendizagem, você precisa:
1- Dividir seus dados em amostras, chamadas dados de treino e dados
de teste (uma divisão 70/30 funciona bem). Dados de validação
podem ser usados durante o treinamento.
2- Criar porções dos seus dados de treino, com tamanhos diferentes a
cada passagem de treino.
3- Treinar seus modelos com os diferentes subsets. Registrar a
performance.
4- Gerar um gráfico com os resultados. Atenção aos intervalos de
confiança e ao desvio padrão.

33. O Processo de Aprendizagem em Detalhes
Treinamento, Validação e Teste
75 a 70% - dados de treino
25 a 30% - dados de teste

34. O Processo de Aprendizagem em Detalhes
Treinamento, Validação e Teste
70% - dados de treino
20% - dados de validação
10% - dados teste

35. O Processo de Aprendizagem em Detalhes

36. O Processo de Aprendizagem em Detalhes

37. Criação do Modelo

38. Em busca da onda perfeita
Este é um trabalho iterativo e assim como um surfista está
sempre em busca da onda perfeita, seu trabalho como Cientista
de Dados é buscar sempre o melhor modelo possível para
suas previsões.

39. Em busca da onda perfeita
Lembre-se: um modelo de Machine Learning será usado para
resolver um problema específico!

40. Em busca da onda perfeita
Não caia na tentação de querer aplicar seu modelo a tudo que
você vê pela frente.
Cada problema de negócio, cada conjunto de dados, pode
requerer um modelo diferente

41. Sim, eu sei...muita coisa
não??????
Mas espere, ainda não
acabou!

42. DEMO

43. REFERÊNCIAS
uBER Engineering
Canal Mario Filho - Youtube
Slack - DataHackers
Kaggle

44. Até mais...

45. Lembre-se errar irá fazer parte do seu cotidiano, aprenda a
desaprender para absorver algo novo.

46. Siga nas nossas redes Sociais!
@sqlnorte