Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a Aprendizagem de máquina aplicada na neurociência
Semelhante a Aprendizagem de máquina aplicada na neurociência (20)
Aprendizagem de máquina aplicada na neurociência
- 1. Aprendizagem de máquina para Neurociência Prof. Dr. Walter Hugo Lopez Pinaya Seminário 28/02/2018
- 2. Estrutura da apresentação • O que é aprendizagem de máquina? • Categorias • O que conseguimos fazer? • Como? • Considerações finais
- 4. O que é aprendizagem de máquina?
- 5. Escrever programas que resolvem um problema
- 6. Escrever programas que aprendem a resolver um problema a partir de exemplos
- 8. Sem aprendizagem de máquina def tem_textura_certa() ... def tem_formato_certo() ... def tem_cor_certa() ...
- 11. Com aprendizagem de máquina def tem_textura_certa() ... def tem_formato_certo() ... def tem_proporções_certas() ...
- 12. Aprendizagem de máquina Usar dados para responder perguntas
- 13. Aprendizagem de máquina Usar dados para responder perguntas Campo de pesquisa que desenvolve algoritmos que dão aos computadores a capacidade de aprender a partir dos dados, e então fazer predições e decisões
- 14. Categorias
- 17. Supervisionado Problemas com dados que estão associados à uma variável de interesse COR PH MAÇÃ OU LARANJA? 660 nm 7.5 Maçã 656nm 7 Maçã 500nm 5.9 Laranja ... ... ... 490nm 5.7 Laranja
- 18. Supervisionado A cada amostra apresentada ao modelo, podemos fornecer um feedback sobre suas predições O modelo aprende a mapear da entrada de dados para a saída Dois tipos de tarefas: • Classificação e Regressão
- 19. Saídas desejadas são classes discretas (grupos) Saídas desejadas são valores contínuos Classificação Regressão
- 20. Classificação e Regressão Exemplo de aplicação em neurociência?
- 22. Não-Supervisionado Problemas em que não são apresentadas saídas desejadas ao modelo COR PH 660 nm 7.5 656nm 7 500nm 5.9 ... ... 490nm 5.7
- 23. Não-Supervisionado Objetivo do modelo • Explorar como os dados estão geometricamente e estatisticamente organizados • Aprender a estrutura latente aos dados para desempenhar tarefas
- 24. Agrupamento Objetivo • Encontrar grupos de maneira que as amostras pertencentes a um mesmo grupo possuem grande similaridade e amostras de grupos diferentes possuem pouca similaridade
- 25. Agrupamento Exemplo de aplicação em neurociência?
- 26. Redução de Dimensionalidade • O modelo tenta reduzir o número de dimensões em um conjunto de dados • Envolve transformar os dados de alta dimensionalidade em representações mais simples que ainda preservam a maior parte das informações relevantes dos dados Exemplos de métodos • Principal Components Analysis (PCA) • Independent Component Analysis (ICA)
- 27. Redução de dimensionalidade Exemplo de aplicação em neurociência?
- 29. Aprendizado por reforço O modelo não recebe o feedback diretamente. Somente quando ele atinge o seu objetivo. Exemplo • Por reforço: quando ganhar o jogo. • Supervisionado: a cada movimento, dizendo se o movimento foi bom ou ruim.
- 30. Aprendizado por reforço • Interage com o ambiente • Aprende a partir da tentativa e erro
- 31. Outros tipos... • Filtragem colaborativa • Sistemas de recomendação • Aprendizado semi-supervisionado • Detecção de anomalias • ....
- 32. O que conseguimos fazer com isso?
- 36. Arte Transferência de estilo artístico • https://deepart.io/
- 37. Arte Criação de músicas • http://www.asimovinstitute.org/analyzing-deep-learning- tools-music/
- 38. Reconhecimento de fala Reconhecimento de fala Conversão de texto em fala • https://deepmind.com/blog/wavenet-generative-model- raw-audio/
- 39. Análise de texto • Tradução automática • Reconhecimento de emoção
- 40. Análise de texto • Resumo de textos
- 41. Análise de texto • Resumo de textos
- 47. Como?
- 49. 1º Coleta de Dados • Coletamos vários exemplos para que o modelo consiga aprender a relação entre entrada e saída desejada • Escolhemos as características dos exemplos que me parecem ser úteis para o classificador Neste caso • Ph da fruta • Comprimento de onda da superfície da fruta
- 50. 2º Preparação dos dados • Objetivo: deixar nossos dados no formato correto para ser utilizado em nosso modelo COR PH MAÇÃ OU LARANJA? 660 nm 7.5 Maçã 656nm 7 Maçã 500nm 5.9 Laranja ... ... ... 490nm 5.7 Laranja
- 51. 2º Preparação dos dados • Nesse ponto também dividimos nossos dados em duas partes • Conjunto de treino • Conjunto de teste Dados Treinamento Teste
- 52. 3º Escolha do modelo Existem vários tipos de modelos • Regressão Logística • Árvores de decisão • Redes Neurais • Suport Vector Machines • Naive Bayes • ...
- 53. 3º Escolha do modelo
- 54. 3º Escolha do modelo Regressão Logística
- 55. 4o Treinamento • Apresentamos os dados do conjunto de treino para o modelo • De pouco em pouco o modelo melhora a habilidade de predizer nossos dados • Nessa etapa são utilizados algoritmos de otimização para achar os parâmetros do modelo que minimizam o erro no nosso conjunto de teste • http://playground.tensorflow.org
- 56. 5º Avaliação • Avaliação da performance do modelo treinado em novos dados • Nteste = 30 Acurácia do modelo = Acertos/Total Acc ~ 70% Maçã Laranja Preditos como maçã 10 4 Preditos como laranja 5 11
- 57. 5º Avaliação Outras métricas de performance • Sensibilidade: proporção de positivos que foram corretamente identificados entre todos os positivos (alta sensibilidade raramente negligencia um positivo ) • Especificidade: proporção de negativos que foram corretamente identificados entre os positivos (alta especificidade específico raramente registra um positivo para qualquer coisa que não seja o alvo de testes)
- 58. 5º Avaliação • Acurácia = taxa de acertos=? Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 59. 5º Avaliação • Acurácia = taxa de acertos=70% Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 60. 5º Avaliação • Acurácia = taxa de acertos=70% • Sensibilidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 =? Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 61. 5º Avaliação • Acurácia = taxa de acertos=70% • Sensibilidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 =90% Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 62. 5º Avaliação • Acurácia = taxa de acertos=70% • Sensibilidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 =90% • Especificidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜 𝑡𝑜𝑑𝑜𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜𝑠 =? Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 63. 5º Avaliação • Acurácia = taxa de acertos=70% • Sensibilidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 =90% • Especificidade= 𝑝𝑟𝑒𝑑𝑖𝑡𝑜𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜 𝑡𝑜𝑑𝑜𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜𝑠 = 50% Paciente Saudável Predito Paciente 90 50 Preditos Saudável 10 50
- 64. Podemos sofisticar nossas análises Temos melhor estimativa da verdadeira performance do modelo quando repetimos várias vezes o processo de treino e teste • Validação Cruzada Podemos verificar quais foram as características que o modelo achou ser mais discriminantes Podemos verificar se essas características são estatisticamente significativas
- 67. Recapitulando Aprendizagem de máquina Usar dados para responder perguntas
- 68. Recapitulando Aprendizagem de máquina Usar dados para responder perguntas Categorias
- 69. Recapitulando Aprendizagem de máquina Usar dados para responder perguntas Categorias • Supervisionado • Não Supervisionado • Aprendizagem por reforço
- 70. Etapas de desenvolvimento • 1º Coleta de dados • 2º Preparação dos dados • 3º Escolha do modelo • 4º Treinamento do modelo • 5º Avaliação do modelo
- 71. Uso em neurociência Normalmente não é fácil obter dados... • Coleta de dados • É cara... • É trabalhosa... • É demorada....
- 72. Uso em neurociência Normalmente não é fácil obter dados... • Coleta de dados • É cara... • É trabalhosa... • É demorada....
- 73. Dados públicos Cada vez mais surgem bancos de dados públicos para serem utilizados em pesquisas • https://github.com/awesomedata/awesome-public-datasets
- 74. E a inferência estatística? Ela também não aborda o apresentado nesse seminário???
- 75. Inferência estatística vs. AM Diferença está na filosofia da finalidade de nossos modelos • Inferência estatística tenta criar modelos voltados para explicar os dados • Aprendizagem de máquina já cria modelos voltados para predição em novos dados
- 76. Inferência estatística vs. AM
- 77. Somente a Aprendizagem de Máquina contribui para Neurociência?
- 78. Contribuição da neurociência • Muitos modelos de aprendizagem de máquina tem como inspiração sistemas biológicos • Ferramentas de análise cognitiva começaram a serem desenvolvidas para compreendermos melhor nossos sistemas de inteligência artificial • https://deepmind.com/blog/open-sourcing-psychlab/
- 79. Mais informações • http://www.r2d3.us/uma-introducao-visual-ao-aprendizado- de-maquina-1/ • https://deepmind.com/blog/ai-and-neuroscience-virtuous- circle/
- 80. FIM