Machine learning é o combustível da inteligência artificial e pode ser aplicado em diversas áreas como reconhecimento de imagens, processamento de linguagem natural, geração de conteúdo e previsões. As redes neurais aprendem de dados rotulados e podem reconhecer padrões complexos, enquanto aprendizado não supervisionado agrupa dados sem rótulos. A longo prazo, machine learning pode automatizar muitas tarefas e ter impactos significativos.

1. 1
Machine Learning:
o combustivel da inteliGENCIA ARTIFICIAL
FABIO BOTTURA
fabio.bottura@casavaticano.com.br
http://facebook.com/casavaticano
´ ˆ

2. Objetivo da apresentacao
NUNCA OUVI
FALAR
SEI DO QUE
SE TRATA
SEI COMO
SE FAZ
SEI FAZER
Fundamentos
Matemáticos
Tecnologia
Regras de
Negócio
Machine
Learning
Pesquisa
Tradicional
Zona de
Perigo
Data
Science
• oportunidades
• aplicacoes
• avaliar o impacto
2

3. 3
Text
Partes da apresentacao
FUNDAMENTOS
APLICAÇÕES
PRÁTICAS
APLICAÇÕES
AVANÇADAS E
FUTURO

4. O QUE E MACHINE LEARNING?
COMO RECONHECEMOS
UMA PESSOA?
If (x=y) {
faça isso
} else {
faça aquilo
}
SOFTWARE
TRADICIONAL
95%
10%
60%
4

5. Onde e utilizado hoje?
5

6. Ficcao x realidade
ELON MUSKSTEPHEN HAWKING
6

7. COMO E POSSIVEL?
Inventadas por Newton e
Leibiniz no século XVII.
DERIVADAS
Inventadas na década de 40,
tiveram grande desenvolvimento
na década de 80.
REDES NEURAIS
7

8. Corrida do ouro
8

9. COMO ENSINAR UMA MAQUINA A PENSAR?
APRENDIZADO
NÃO-SUPERVISIONADO
• AGRUPAMENTO
APRENDIZADO
SUPERVISIONADO
• REGRESSÃO LINEAR
• REGRESSÃO LOGÍSTICA
9

10. IDADE, SEXO, RENDA, SITES VISITADOS,
BUSCAS REALIZADAS, COMPRAS ANTERIORES.
CÂMBIO, JUROS, BALANÇOS, COTAÇÕES ANTERIORES,
OUTRAS EMPRESAS, ORDENS PENDENTES.
BID DE MÍDIA
PROGRAMÁTICA
DOSAGEM DE
MEDICAMENTOS
VALOR DE
UMA AÇÃO
REGRESSAO
LINEAR
OCORRÊNCIA DE PALAVRAS,
NÚMEROS, VALORES MONETÁRIOS.
VALOR, LOCAL, ESTABELECIMENTO
E HORÁRIO DE UMA TRANSAÇÃO.
CONTEÚDO DE TEXTOS E IMAGENS, AUTOR DO POST,
INTERAÇÕES ANTERIORES, DATA, HORA.
SPAM
DETECÇÃO
DE FRAUDE
TIMELINE DE
REDES SOCIAIS
REGRESSAO
LOGISTICA
PESO, IDADE, SEXO, EXAMES CLÍNICOS.
VALORES
ESCALARES
VALORES
BINÁRIOS
(CLASSIFICAÇÃO)
10

11. X Y
Regressao linear: Previsao ou geracao de valores escalares
11

12. CONJUNTO
DE TREINO
CONJUNTO
DE TESTE
PREVISÃO APÓS
ALGORITMO TREINADO
Regressao linear: Previsao ou geracao de valores escalares
12

13. tipos de Funcoes x parametros
y=x
y=2x
y=
1
1+e
y= x
y=x
METRAGEM? IDADE?
13

14. Expandindo os PARAMETROS - POLINOMIAIS
14

15. Achando a formula: MINIMIZANDO O ERRO
1. Aplicar
valores
aleatórios
para os
pesos dos
parâmetros.
2. Calcular
as hipóteses
(h) de valor
com os
pesos
aleatórios.
3. Calcular o
erro médio
para todo o
conjunto de
exemplos
de treino.
SE A DERIVADA
FOR NEGATIVA,
AUMENTAR O
PESO DE X
SE A DERIVADA
FOR POSITIVA,
DIMINUIR O
PESO DE X.
CURVA
DO ERRO
15

16. Achando a formula: Gradient descent
1. Aplicar valores
aleatórios para
os pesos dos
parâmetros.
2. Calcular as
hipóteses (h) de
valor com os
pesos aleatórios.
3. Calcular o erro
médio para todo o
conjunto de
exemplos de treino.
4. Calcular a
derivada para cada
parâmetro e ajustar
os pesos de acordo.
5. Voilá!
Temos um
algoritmo
treinado.
ESTE CICLO SE REPETE ATÉ
ALCANÇAR O ERRO MÍNIMO
CURVA
DO ERRO
16

17. Gradient descent passo a passo
17

18. PERMITINDO O USO DA DERIVADA
E DO GRADIENT DESCENT PARA
TREINAR O ALGORITMO.
Regressao logistica: classificacao
OS VALORES DA HIPÓTESE SÃO PASSADOS
PELA FUNÇÃO SIGMÓIDE PARA RESTRINGIR
OS RESULTADOS A 0 E 1.
NA REGRESSAO LOGÍSTICA, OS VALORES DO
CONJUNTO DE TREINAMENTO SÃO NA FORMA 0 E 1.
18

19. REGRESSOES X REDES NEURAIS
REGRESSÃO LINEAR E
REGRESSÃO LOGÍSTICA
CONVENCIONAIS
CONEXÕES ENTRE
NEURÔNIOS NO
CÉREBRO HUMANO
19

20. 20
NEURAIS e deep learning
FORWARD PROPAGATION
BACK PROPAGATION
REDES NEURAIS E DEEP LEARNING

21. 20
NEURAIS e deep learning
FORWARD PROPAGATION
BACK PROPAGATION
REDES NEURAIS E DEEP LEARNING
NUM SEI,
SÓ SEI QUE FOI
ASSIM

22. Intuicoes sobre o funcionamento
21

23. 0 1
V
VD
D
01
Intuicoes sobre o funcionamento
22

24. 0 1
V
VD
D
01
Intuicoes sobre o funcionamento
23

25. 1=FACE
0=NÃO
Computer vision: reconhecimento de faces
CADA PIXEL É
UM PARÂMETRO
24

26. DEEP LEARNING PARA
RECONHECIMENTO DE IMAGENS
25

27. TUDO DEPENDE DOS DADOS ROTULADOS para treinamento
REGRESSÃO LINEAR
tristeza susto raiva repulsa surpresa alegria
leveintensa
26

28. Conjuntos de treinamento artificiais
ÂNGULO LUZ FOCO MEIO COR
27

29. Deteccao em imagens nao normalizadas
STEPJANELA
FACE DETECTADA
28

30. VIDEO 1 - DIGITS RECOGNITION
29
Vídeo de Yann LeCun: http://yann.lecun.com/

31. VIDEO 1 - DIGITS RECOGNITION
29
Vídeo de Yann LeCun: http://yann.lecun.com/

32. George hotz: carro autonomo FEITO NUMA GARAGEM
30

33. Processamento de linguagem natural
• ANÁLISE DE SENTIMENTO.
• RESUMO E EXTRAÇÃO DE IDÉIA CHAVE.
• PERGUNTAS E RESPOSTAS.
• TRADUÇÃO.
• DETECÇÃO DE PLÁGIO.
31

34. Processamento de linguagem natural
• ANÁLISE DE SENTIMENTO.
• RESUMO E EXTRAÇÃO DE IDÉIA CHAVE.
• PERGUNTAS E RESPOSTAS.
• TRADUÇÃO.
• DETECÇÃO DE PLÁGIO.
1. Detecção das palavras:
substantivos, adjetivos e verbos.
mulher
câmera gato
multidão
lilás
segurando
2. Formação de frases:
• câmera segurando mulher lilás.
• lilás segurando mulher na multidão.
3. Ranking de frases:
#1 = mulher segurando câmera na multidão.WORDNET
32

35. Redes NEURAIS generativas
SONHAR / IMAGINAR:
GERAR VALORES QUE ATENDAM
AOS PESOS DA REDE NEURAL
33

36. Video 3 - imaginando digitos
34
Vídeo de Geoffrey Hinton: http://www.cs.toronto.edu/~hinton/adi/index.htm

37. Video 3 - imaginando digitos
34
Vídeo de Geoffrey Hinton: http://www.cs.toronto.edu/~hinton/adi/index.htm

38. IMAGENS GERADAS POR REDES NEURAIS
35
Leon A. Gatys, Alexander S. Ecker e Matthias Bethge
Universidade de Tubingen - Alemanha.

39. IMAGENS GERADAS POR REDES NEURAIS
36

40. 37
ALGORITMOS GENETICOS E APRENDIZADO por comportamento
Vídeo de University of Wyoming: http://www.evolvingai.org/videos

41. 37
ALGORITMOS GENETICOS E APRENDIZADO por comportamento
Vídeo de University of Wyoming: http://www.evolvingai.org/videos

42. HTM: hierarquical temporal memory
ESTRUTURA TRIDIMENSIONAL
EM CAMADAS QUE SIMULAM A
ESTRUTURA DO NEOCORTEX
HUMANO.
LEVA EM CONSIDERAÇÃO A ORDEM DE
CHEGADA DOS DADOS, ADICIONANDO A
NOÇÃO DE TEMPO AO APRENDIZADO.
38

43. RESUMINDO: O CEU E O LIMITE
• PRATICAMENTE TUDO ONDE EXISTA UMA REGRA OBJETIVA OU
SUBJETIVA, TEM POTENCIAL PARA SER APRENDIDO PELAS MÁQUINAS.
• IMPACTOS E OPORTUNIDADES NAS ÁREAS DE SAÚDE,
SERVIÇOS, ENGENHARIAS, ENTRE MUITAS OUTRAS.
• A LONGO PRAZO, ATÉ MESMO O PRÓPRIO DESENVOLVIMENTO DE
SOFTWARE PODE SER AFETADO. EX.: PBE PROGRAMMING BY EXAMPLE.
39

44. 40
E O QUE VOCE ACHA DISSO TUDO?
TEMPO...
OPORTUNIDADES
APOCALIPSE DIGITAL?

45. 41
OBRIGADO!
fabio.bottura@casavaticano.com.br
http://facebook.com/casavaticano
FABIO BOTTURA!