Apresentacao -aula_14
•Transferir como PPTX, PDF•
0 gostou•74 visualizações
O documento discute classificação de máquina e algoritmos de aprendizado de máquina, com foco nos máquinas de vetores de suporte (SVM). O SVM é descrito como um algoritmo de aprendizado de máquina usado para classificação e regressão que analisa dados e reconhece padrões, encontrando o hiperplano que maximiza a distância entre classes de dados. Exemplos de aplicações do SVM incluem reconhecimento de imagens, diagnóstico médico e previsão econômica.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Apresentacao -aula_14
Semelhante a Apresentacao -aula_14 (20)
Apresentacao -aula_14
- 2. Conteúdo – O que vamos ver • SVM – Pequena revisão – Introdução – SVM – SVM Generalização 2
- 3. ... o que aconteceu • Vários Algoritmos Classificados como “machine learning”; • extrair informações a partir de data; • Todos os algoritmos de análise de dados são projetados para produzir um resumo útil dos dados, a partir da qual são feitas as decisões; 3
- 4. e ainda... • os algoritmos classificados como aprendizado de máquina tem um determinado objetivo, eles são projetados para classificar os dados que serão vistos no futuro • Conjunto de treinamento é o conjunto definido para analise; • O resultado do algoritmo é chamado de classificador; • inclui informações sobre a maneira correta de classificar um subconjunto dos dados, chamada o conjunto de treino. 4
- 5. Algoritmos ML • Árvore de Decisão; Perceptrons; • Redes Neurais; Aprendizagem baseada em instância; • Máquinas de suporte vetorial. 5
- 6. SVM • Máquina de Vetores de Suporte – Analisam os dados e reconhecem padrões; – Usado para classificação e análise de regressão 6
- 7. Aplicações • Em visão artificial para o reconhecimento de caracteres, rostos, placas e objetos; • Na medicina, para a classificação de exames radiológicos, tomografia computadorizada, e outros para a diagnóstico do tecido humano. • Em Genética de Previsão Gene 7
- 8. Modelagem 3D usando SVM 8
- 9. Aplicações • Classificação de documentos • Na simulação, para modelagem de sólidos • Em interfaces humano-computador • Em Identificação de pessoas • Na previsão de economia 9
- 11. Introdução - Problema O Problema de classificação para alguma data 11
- 12. Solução • O padrão de cada objeto identificado é comparado às classes de padrões já conhecidas com o intuito de decidir à qual grupo ele pertence 12
- 13. 13 Figura 1: Um SVM seleciona o hiperplano com a maior margem possível γ entre o hiperplana e os pontos de formação Solução
- 14. A mecânica de um SVM Selecionar um hyperplano w.x + b = 0¹ que maximiza a distância γ entre o hyperplano e os pontos do training set 14
- 15. Solução • SVM procura hiperplana que separa os pontos de outra classe de forma ótima; • Muitas fronteiras de decisão; • Todas as fronteiras são boas. 15
- 16. Solução – Selecionando a Melhor fronteira 16 • O SVM encontra o hiperplano que maximiza a distância (ou intervalo), com pontos que estão mais perto de si mesmo, e é por isso que eles também são conhecidos por SVM como classificador de margem máxima.
- 17. Solução - Matematicamente • Dado um conjunto de treinamento • Maximize γ (variando w e b) sujeito à restrição de que para todos • Onde y = {+1,-1} 17
- 18. Solução – Matematicamente Normalizando o Hiperplano • O vetor w é a normal ao hiperplana. • A distância do hiperplano a origem é • A normal do vetor w • A distância entre x1 para x2 18
- 19. Solução Agora, o problema torna-se um problema de otimização, como a encontrar as classes hiperplano melhor separação deve maximizar a margem entre x1 ex2 19
- 20. Generalizando 20
- 21. Generalizando 21
- 22. PERGUNTAS? 22
- 23. OBRIGADA! 23
Notas do Editor
- Este modelo pode ser usado como arquivo de partida para apresentar materiais de treinamento em um cenário em grupo. Seções Clique com o botão direito em um slide para adicionar seções. Seções podem ajudar a organizar slides ou a facilitar a colaboração entre vários autores. Anotações Use a seção Anotações para anotações da apresentação ou para fornecer detalhes adicionais ao público. Exiba essas anotações no Modo de Exibição de Apresentação durante a sua apresentação. Considere o tamanho da fonte (importante para acessibilidade, visibilidade, gravação em vídeo e produção online) Cores coordenadas Preste atenção especial aos gráficos, tabelas e caixas de texto. Leve em consideração que os participantes irão imprimir em preto-e-branco ou escala de cinza. Execute uma impressão de teste para ter certeza de que as suas cores irão funcionar quando forem impressas em preto-e-branco puros e escala de cinza. Elementos gráficos, tabelas e gráficos Mantenha a simplicidade: se possível, use estilos e cores consistentes e não confusos. Rotule todos os gráficos e tabelas.
- Todos os algoritmos de análise de dados são projetados para produzir um resumo útil dos dados, a partir da qual são feitas as decisões;
- Aquisição, Pré-processamento (eliminação de ruídos), Segmentação - imagem é dividida em regiões que constituem os diversos objetos que nela são representados. A identificação de um objeto se baseia na detecção de descontinui-dades ou similaridades na imagem, gerando uma representação abstrata de seu contorno ou da região que ocupa .. Representação por Regiões (busca-se atribuir a cada objeto os pontos da imagem que possuam as mesmas propriedades de cor, intensidade e textura, ou seja, que apresentem similaridades segundo um critério pré-estabelecido) e Representação por Contornos (Métodos de detec-ção de bordas, busca em Grafos, Programação Dinâmica)
- Confidencial da Microsoft
- Confidencial da Microsoft