Data Science e Inteligência de dados - Inteligencia artificial e machine learning
1. 1 / 21
Data Science &Data Science &
Inteligência de DadosInteligência de Dados
Inteligência ArtificialInteligência Artificial
Prof. Daniela Brauner
Escola de Administração – UFRGS
daniela.brauner@ufrgs.br
danibrauner@gmail.com
5. 5
IA x ML x RN x DL
1950 …………………………………… 1980 …………………………………………………………………………………….. 2010
Fonte: adaptado de
Nvidia, 2016 - A Diferença Entre Inteligência Artificial, Machine Learning e Deep Learning
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
6. 6
IA ML RN DL
Tá, então vamos lá….
O que é Inteligência Artificial?
7. 7
Inteligência Artificial
Uma área da Ciência da Computação que orienta a criação de
algoritmos capazes de executar tarefas, tão bem quanto, ou até
melhor, que nós humanos conseguimos.
Ex:
●
Classificação de imagens em um serviço como o Pinterest
●
Reconhecimento de rostos no Facebook
“Inteligência Artificial é a ciência e a engenharia de criar máquinas inteligentes,
especialmente programas de computador inteligentes”.
-- John McCarthy, o pai da Inteligência Artificial.
8. 8
Machine Learning
Uma maneira de implementar a inteligência artificial. É uma forma
de implementar algoritmos que aprendem com os dados, e então fazem
uma classificação ou predição quando identificam situações similares as
que conheçam.
Ex: visão computacional
Fornece ao computador a
capacidade de aprender e
entender situações repetitivas
(padrões) automaticamente.
9. 9
Machine Learning – o que é? Por Marcelo Tas
Ver vídeo: https://www.youtube.com/watch?v=Z1YHbl0lh88
10. 10
Machine Learning – Tipos de APRENDIZADO
SUPERVISIONADO
NÃO-SUPERVISIONADO
Quando o algoritmo aprende usando dados de treinamento com anotações marcando o
que é ou não é, para que ele assimile e depois busque padrões similares.
Quando NÃO usa dados de treinamento. Busca nos dados uma representação mais
informativa, como por exemplo se existem padrões repetidos, para inferir padrões ou
frequência de co-ocorrências de dados, para aprender uma regra associativa.
Vídeo sobre tipos de aprendizado de máquina:
https://www.youtube.com/watch?v=mhe5e2B9bL8
11. 11
Redes neurais artificiais
Inspiradas na biologia do nosso cérebro — todas as
interconexões entre neurônios. Mas, diferente de um
cérebro biológico onde qualquer neurônio pode se
conectar com qualquer outro neurônio dentro de uma
certa distância física, essas redes neurais artificiais tem
camadas discretas, conexões e direções de propagação
de dados.
Deep Learning
Uma rede neural de aprendizado profundo, isto é,
com várias camadas de aprendizado. Usado em
reconhecimento de fala, identificação de imagem e
previsões. Configura parâmetros básicos sobre os
dados e treina o computador para aprender sozinho
através do reconhecimento padrões em várias
camadas de processamento.
12. 12
USOS
Encontrar associações
Fraldas e Cerveja no supermercado
Prever comportamentos
O mercado vai subir? O dólar vai cair?
Descobrir modelos de conhecimento
Como se comportam os consumidores?
Identificar padrões
Como identificar pneumonia?
13. 13
Algumas técnicas
●
Associação
●
Dado um conjunto de transações, descobrir os itens que ocorrem de
forma associada e que trazem algum conhecimento sobre o todo.
●
Classificação (O QUE É ISSO?):
●
A partir de exemplos conhecidos (conjunto de dados já classificados),
aprender um método e usá-lo para predizer as classes de padrões
desconhecidos (ou novos);
●
Agrupamento (Clustering):
●
Dado um conjunto de dados não classificado, descobrir as classes dos
elementos (grupos ou clusters) e possivelmente o número de grupos
existente a partir de suas características;
14. 14
Árvores de decisão
Um classificador (ou modelo de classificação) utilizado para identificar a
classe à qual pertence uma determinada observação de uma base de
dados, a partir de suas características (seus atributos).
Idad
e
Conta poupança
Árvore binária para prever crédito aos clientes num Banco
(aprendizado à partir de exemplos)
bom
>= 30 <
30
Estado civil
c s
maubo
m
bo
m
Empréstimo
n s
mau
s n
Podem ser utilizadas com duas
finalidades:
●
Previsão: descobrir se um cliente
será um bom pagador em função
de suas características;
●
Descrição: fornecer informações
interessantes a respeito das
relações entre os atributos
preditivos e o atributo classe
numa base de dados.
15. 15
Árvores de decisão
A criação de modelo de classificação é um processo de 2 fases:
1. Aprendizado: um algoritmo classificador é aplicado sobre um
conjunto de dados de treinamento. Como resultado, obtém-se a
construção do classificador (a árvore) propriamente dito;
2. Teste: quando executa-se outro conjunto de dados usando a árvore
criada para classificação dos dados.
17. Comprimento
Cabelo
Peso Idade Classe
Homer 0” 250 36 M
Marge 10” 150 34 F
Bart 2” 90 10 M
Lisa 6” 78 8 F
Maggie 4” 20 1 F
Abe 1” 170 70 M
Selma 8” 160 41 F
Otto 10” 180 38 M
Krusty 6” 200 45 M
Sexo
Exemplos extraídos do Tutorial de Eamon Keogh no SBBD
20. 20
Mineração de regras de associação
Dado um conjunto de transações, encontre regras para a predição da
ocorrência de itens baseado na ocorrência de outros itens na transação
Transações (cada transação é uma compra)
TID Items
1 pão, leite
2 pão, fralda, cerveja, ovos
3 leite, fraldas, cerveja, coca
4 pão, leite, fraldas, ovos
5 pão, leite, fraldas, coca
Exemplos de regras de associação
{fraldas} {cerveja},
{leite, pão} {ovos,coca},
{cerveja, pão} {leite},
A implicação significa co-ocorrência, e não causa!!!
Fonte: Curso de Mineração de Dados (Profa Vania Bogorny, INE/UFSC)