[Palestras] machine learning gênesis ao apocalipse
•
1 gostou•164 visualizações
O documento discute a evolução da machine learning, desde os conceitos iniciais até as aplicações atuais e futuras. Aborda técnicas como clusterização, classificação, análise associativa e preditiva. Também apresenta casos reais como a Amazon e desafios em recomendação de conteúdo. Por fim, reflete sobre ética e privacidade no uso de dados.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a [Palestras] machine learning gênesis ao apocalipse
Semelhante a [Palestras] machine learning gênesis ao apocalipse (20)
Mais de DevCamp Campinas
Mais de DevCamp Campinas (20)
Último
Último (6)
[Palestras] machine learning gênesis ao apocalipse
- 1. Machine Learning Gênesis ao Apocalipse por Everton Gago & Robison G. Tesini
- 2. Especialista em Machine Learning, atualmente pesquisa e desenvolve algoritmos matemáticos que reproduzem de forma artificial os aspectos biológicos de aprendizado e auto-organização. Quem somos Everton Gago Engenheiro de Computação e pós graduado pela Unicamp, possui ampla experiência com desenvolvimento de software. Entusiasta por técnicas de machine learning. Robison G. Tesini
- 4. Relevância Porque devemos estudar machine learning
- 7. Target Audience Se alguém comprou um CD de uma banda, ofereça algo no gênero O que mais podemos oferecer ? Mais alguma coisa ?
- 8. IOT Quantidades massivas de dados/sensores para ser processados Dados Massivos Volume Identificar gostos e preferências Classificar Predizer os desejos daquele usuário Predição Como identificar uma situação de risco ou fraude em meio à um número enorme de dados ”
- 9. Amazon Como a Amazon Inovou o ato de comprar Mapear perfil do usuário Descobrir Identificar gostos e preferências Classificar Predizer os desejos daquele usuário Predição Amazon has filed a patent for a shipping system designed to cut delivery times by predicting what buyers are going to buy before they buy it. ”
- 10. Visão Técnica Como os problemas são resolvidos
- 11. Clusterização 01 0205 04 03Mudar o mundo em prol de uma causa Transformadores Gosta de lançar tendências Inovadores Aventureiros, em busca de novas experiências Exploradores Pessoas seguras e bem sucedidas Vencedores Está na moda e sempre conectado Seguidores
- 12. Clusterização Demo This is your App Demo Aprendizado não supervisionado Necessário analisar resultados para rotular
- 13. Classificação
- 14. Classificação Demo This is your App Demo Necessário separar exemplos de treino Aprendizado depende de retroalimentação
- 18. Análise Preditiva Demo This is your App Demo Aprendizado supervisionado Seleção do período e das amostras.
- 20. Desafios Recomendador de Conteúdo. Nenhuma informação sobre os usuários, além do seu histórico de navegação e consumo. Informação sobre usuário. Performance e escala para processar grande volume de dados em tempo hábil, para múltiplas aplicações cliente. Performance e escala Minimizar custos com nuvem e otimizar recursos. Minimização dos custos
- 21. Resultados Cliente com mais de 3 aplicativos. Baixo custo 1 Trein / Hora 99% + Até 1 treinamento / hora. Mais de 99% de acurácia, no demo. ● Otimização dos algoritmos de treinamento através de transformações matemáticas. ● Recomendação baseada no usuário. ● Recomendação baseada no item. ● Cockpit de medições
- 22. Inovações
- 23. Inovações Cada vez mais estamos descobrindo problemas que podem ser resolvidos com essa técnica. Deep Learning Otimização através de hardware específico. http://www.sciencedirect.com/science/article/pii/S089360801300052X Neurocomputação Expansão do uso com recursos cada vez mais disponíveis. IoT - Expansão do uso
- 24. Futuro O que nos espera
- 25. Cronologia da Ficção Científica 1919-1992 Isaac Asimov 1928-1982 Philip K. Dick 1954- James Cameron I, Robot (1939) Blade Runner (1968) Terminator (1985) Matrix (1999) Lilly e Lana Wachowski
- 26. Leis de Asimov A robot may not injure a human being or, through inaction, allow a human being to come to harm.1 A robot must obey orders given it by human beings except where such orders would conflict with the First Law2 A robot must protect its own existence as long as such protection does not conflict with the First or Second Law.3 A robot may not harm humanity, or, by inaction, allow humanity to come to harm"0"
- 28. Dilema
- 29. Reflexões
- 31. Machine learning está ajudando o aprofundamento da bolha de informação ?
- 32. Mapeamento e uso das informações. Privacidade x Learning
- 33. Perguntas
- 35. Hasta la vista baby