A Song of Ice and Data
•
0 gostou•319 visualizações
Nesta apresentação mostro um estudo realizado pela universidade de Munique que visa prever a probabilidade de um personagem morrer na próxima temporada de acordo com 24 características pré-selecionadas
Recomendados
Mais conteúdo relacionado
Destaque
Semelhante a A Song of Ice and Data
Semelhante a A Song of Ice and Data (7)
Mais de João Gabriel Lima
Mais de João Gabriel Lima (20)
A Song of Ice and Data
- 2. • Fã de Game of Thrones • Pesquisador em Mineração de dados e Aprendizagem de Máquina • Doutorando em Computação Aplicada • Head na Epitrack
- 3. Vamos entender o direcionamento da série do ponto de vista matemático/computacional!
- 5. Estudo de caso 1: Professores e alunos da Universidade Técnica de Munique, na Alemanha, desenvolveram um algoritmo capaz de prever quem iria morrer na 6ª temporada da série popular da HBO.
- 6. Onde essa história começa? Eles também conseguiram descobrir qual casa é a mais perigosa e a opinião do público sobre os personagens com base em dados do Twitter
- 7. "A Song of Ice and Data”
- 8. Um programa que realiza previsões depois de juntar 24 fatores diferentes sobre cada personagem, como: sua idade, seu sexo, suas relações e se seus pais estão vivos. Por fim, a probabilidade de morrer, de acordo com o algoritmo desenvolvido.
- 9. ” Este projeto tem sido muito divertido para nós” ”Em seu trabalho diário, o nosso grupo de pesquisa concentra-se em responder a perguntas biológicas complexas usando algoritmos de aprendizagem de máquina e mineração de dados” (Dr. Guy Yachdav – lider do projeto)
- 11. Mas o que é Apredizagem de Máquina?
- 12. É um sub-campo da inteligência artificial dedicado ao desenvolvimento de algoritmos e técnicas que permitam ao computador aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em alguma tarefa.
- 13. Não é mágica! Em vez disso, ele aprende a partir de um número suficientemente grande de exemplos do passado para compilar automaticamente estatísticas sobre eles e para prever se um evento é provável que aconteça no futuro.
- 14. A Song of Ice and Fire série é conhecida por ter matado muitos personagens... Será que a morte veio ao acaso ou vem para apenas aqueles selecionados que exibem características semelhantes?
- 15. A Song of Ice and Fire série é conhecida por ter matado muitos personagens... Será que a morte veio ao acaso ou vem para apenas aqueles selecionados que exibem características semelhantes?
- 16. Como prever as chances de morte de um personagem?
- 17. Passo 1: Extração de dados
- 18. Usando o wiki de Gelo e Fogo resumiram as informações de todos os 5 livros sobre cada personagem. Também extraído outras informações (isto é, características) que descrevem um personagem, o que resultou em um total de mais de 30 características diferentes!
- 19. Passo 2: Seleção
- 20. Aprendizagem máquina pode estatisticamente comparar as características dos personagens mortos e vivos e selecione os recursos que são mais relevantes para a distinção entre eles. Nós fornecemos todos os recursos juntamente com a lista de todos os nomes de personagens como entrada para o algoritmo de aprendizado de máquina.
- 22. As 24 características seguintes foram selecionados como mais contribuiu (ordenados do mais para o menos contribuindo):
- 25. Modelagem
- 26. Support Vector Machine - conjunto de métodos do aprendizado supervisionado que analisam os dados e reconhecem padrões, usado para classificação e análise de regressão
- 27. Support Vector Machine - O SVM padrão toma como entrada um conjunto de dados e prediz, para cada entrada dada, qual de duas possíveis classes a entrada faz parte, o que faz do SVM um classificador linear binário não probabilístico - Kernel polinomial - Otimização sequencial mínima
- 28. • Os dados foram divididos em 10 subconjuntos de tamanho igual; • Foi treinado com 9 subconjuntos e testado com o restante; • Processo de validação cruzada(cross- validation)
- 29. A precisão/exatidão e cobertura do método de previsão usando indicadores: - TP (verdadeiros positivos, ou seja, previu corretamente personagens mortos) - PF (falsos positivos, ou seja, personagens vivas previsto para ser mortos) - FN (falsos negativos, ou seja, personagens mortos previsto para ser vivo) - TN (verdadeiros negativos, ou seja, previu corretamente personagens vivos).
- 30. Indicadores Precision = TP / (TP + FP) Recall = TP / (TP+FN) Combinaram 2 medidas em um valor único: F-meansure = 2*((Precision*Recall )/(Precision + Recall))
- 31. Resultados:
- 37. Sugestão de leitura: “Bayesian Prediction for The Winds of Winter”