Este documento apresenta um minicurso sobre inteligência artificial e machine learning com Python. Resume os principais tópicos abordados: 1) conceitos de inteligência artificial e aprendizado de máquina; 2) aprendizado supervisionado, não supervisionado e por reforço; 3) exemplos práticos com classificador KNN em Python.
2. Sobre o Palestrante
● Bacharel em Sistemas de Informação
● Especialista em Engenharia de Sistemas
● Mestre em Computação Aplicada
● Doutorando em Administração - Finanças e
Métodos Quantitativos
● Especialista em IA - Standford e Deep
Learning
● Certificação Huawei para Instrutores
America Latina - HCIA-AI
● Desenvolvedor Web FullStack
3. Pra quem é esse minicurso?
PARA PESSOAS QUE QUEREM APRENDER
MAIS SOBRE INTELIGÊNCIA ARTIFICIAL E
MACHINE LEARNING;
PESSOAS QUE JÁ TEM ALGUMA BASE EM
MACHINE LEARNING COM PYTHON;
PESSOAS QUE PRETENDEM INICIAR OS
ESTUDOS EM MACHINE LEARNING;
4. Objetivos ● APRENDER OS CONCEITOS DE INTELIGÊNCIA
ARTIFICIAL E APRENDIZADO DE MÁQUINA;
● APRENDER OS CONCEITOS DE APRENDIZADO
SUPERVISIONADO;
● APRENDER OS CONCEITOS DE APRENDIZADO NÃO
SUPERVISIONADO;
● APRENDER SOBRE AS TAREFAS DE REGRESSÃO E
CLASSIFICAÇÃO;
● NOÇÕES BÁSICAS DE ANACONDA
● NOÇÕES BÁSICAS DE ENVIRONMENT USANDO
ANACONDA;
● NOÇÕES BÁSICAS DE JUPYTER E PYTHON
● MACHINE LEARNING COM PYTHON - PRÁTICA
5. Visão geral Minicurso
● Inteligência Artificial
● Machine Learning (Aprendizado de máquina)
● Aprendizado de Máquina
○ Aprendizado supervisionado
○ Aprendizado não supervisionado
○ Aprendizado por reforço
● Classificador KNN
● Underfitting e Overfitting
● Python e Jupyter Notebook
● Exemplo Prático - modelo de classificação
21. Classificador KNN (K-nearest neighbors)
Algoritmo usado no campo de data mining e machine learning, ele é um
classificador onde o aprendizado é baseado “no quão similar” é um dado do
outro.
22. Classificador KNN (K-nearest neighbors)
Resumo do processo realizado pelo algoritmo KNN:
1) Receba um dado não classificado e meça distância do novo dado em relação a cada
um dos outros dados que já estão classificados;
2) Selecione as K menores distâncias usando alguma fórmula de distância;
3) Verifique a(s) classe(s) dos dados que tiveram as K menores distâncias e contabilize
a quantidade de vezes que cada classe que apareceu;
4) Classifique esse novo dado como pertencente à classe que mais apareceu.
23. Classificador KNN (K-nearest neighbors)
● Valor de K pequeno demais a classificação fica sensível a regiões bem
próximas;
● Valor de K grande demais pode ocasionar overfitting
24.
25. Softwares e bibliotecas necessárias
● Anaconda
● Python 3 e pip
● Power Shell, Jupyter Notebook, Pandas, Numpy, MatplotLib, scipy e
sckikit-learn
