3. Machine Learning é o futuro
“Machine learning é uma forma essencial e transformadora
pela qual estamos repensando o modo como fazemos tudo.
Estamos aplicando em todos os nossos produtos, seja na
pesquisa, nos anúncios, no YouTube ou no Google Play.
Estamos ainda no ínicio, mas você nos verá - de forma
sistemática - aplicar Machine Learning em todas essas áreas.”,
Sundar Pichai, Google CEO
4. O que é?
É uma biblioteca para computações numéricas e ML de grande escala.
● Criado pelo Google Brain Team
● Open Source
● Facilita a abstração da complexidade dos algoritmos de ML
6. Como funciona?
● Permite ao desenvolvedor criar grafos de fluxo de dados
○ Descreve como os dados se movem
● Cada nódulo é uma operação matemática
● Um script Tensorflow é escrito em Python
○ Porém, as transformações e operações são executadas por binários
compilados em C++
● Pode ser rodado:
○ Maquina local
○ Cloud
○ Dispositivo IOS e Android
● Para processamento, utiliza GPU, CPU e TPU(only GC)
Grafo
7. E o que mais?
Tensorboard
Tensor
hub
Modelos prontos para utilizar
8. O mundo visto como grafos
Quando estamos criando uma solução utilizando TensorFlow, devemos dividir o
problema em múltiplas operações que serão executadas em paralelo ou
sequencialmente.
9. O mundo visto como grafos
Quando estamos criando uma solução utilizando TensorFlow, devemos dividir o
problema em múltiplas operações que serão executadas em paralelo ou
sequencialmente.
A = 1.8
B = 16
Y = ((round(A) - sqrt(B)) * round(A)) + abs((round(A) - sqrt(B)))
10. O processo Data science
Questão
Existe uma relação entre o preço
do imóvel e a sua área útil?
O desenvolvimento de soluções Machine learning requer um nível de conhecimento em estatísticas, cálculos e algoritmos específicos . A principal razão do TensorFlow ser a porta de entrada para um engenheiro de software começar no mundo de Machine Learning é pelo fato da biblioteca abstrair muitos destes conceitos.
Numpy, uma biblioteca muito famosa nos algoritmos de computação científica.
Placeholder. O tf.placeholder()(a tradução é “espaço reservado”) é simplesmente uma variável à qual os dados serão atribuídos num momento futuro. Ele nos permite a construção dos grafos — aqueles vistos no primeiro artigo — sem realmente precisar dos dados. Estamos, de fato, reservando um espaço que será utilizado posteriormente. No caso do nosso tutorial, os dados do placeholder serão provindos dos dados analisados( aqueles 160 imóveis que acabamos de gerar)
Variable. O tf.Variable() é muito semelhante ao placeholder, ele também nos permite a construção dos grafos assim como também fará um processamento tardio( lazy computing). A principal diferença é que os dados da Variable estarão diretamente ligados ao aprendizado( algoritmos de Machine learning). Então, sempre que criamos modelos que precisam derivar os dados, estes dados serão armazenados em Variable. Que é exatamente o caso deste tutorial.
Regressão linear simples. A fórmula já vista anteriormente aqui , ela será utilizada para prever o preço do imóvel. Abaixo é possível visualizar ela e comparar com a formula apresentada na sessão anterior:
Função de perda ou erro médio quadrático. Não entraremos no detalhes( pois daria um post só para isso), mas resumidamente falando é a função utilizada para otimizar e minimizar o erro do modelo — Machine learning :-).
