O documento discute aplicações práticas de machine learning, detalhando conceitos como aprendizado supervisionado e não supervisionado, assim como sistemas de recomendação. Exemplos práticos incluem a segmentação de clientes para marketing e a construção de perfis de usuário para recomendações personalizadas. Além disso, aborda a mineração de processos e análise de dados para otimização de decisões de negócios.

1. aplicações práticas de
machine learning
Luiz Costa
@gutomcosta
www.sagadoprogramador.com.br

3. artificial
Intelligence?machine
learning?

4. IA e ML!

5. IA e ML???

7. machine learning
In which we describe agents that can improve their behaviour through
diligent study of their own experiences.
“Artificial Intelligence -A modern approach"
-Stuart Russell and Peter Norvig

8. Field of study that gives computers the
ability to learn without being explicitly
programmed.
Arthur Samuel (1959)

9. Machine learning is a subfield of computer science (CS)
and artificial intelligence (AI) that deals with the
construction and study of systems that can learn from
data, rather than follow only explicitly programmed
instructions. Besides CS and AI, it has strong ties to
statistics and optimization, which deliver both methods
and theory to the field.
Machine Learning - Wikipedia

10. Machine learning is a subfield of computer science (CS)
and artificial intelligence (AI) that deals with the
construction and study of systems that can learn from
data, rather than follow only explicitly programmed
instructions. Besides CS and AI, it has strong ties to
statistics and optimization, which deliver both methods
and theory to the field.
Machine Learning - Wikipedia

11. supervised learning
Aprendendo através de
exemplos

12. dados de exemplo

13. unsupervised learning
sem exemplos, o que é possível
fazer?

14. clustering

15. clustering

16. marketing
descobrir grupos distintos em uma base de clientes e
usar estes grupos para ajudar no desenvolvimento de
campanhas focadas nos nestes grupos

17. seguros
descobrir perfis com alto risco para seguros de
automóveis

18. na prática
dois exemplos de uso. Será que dá
tempo?

19. evoluindo um sistema
de recomendação

20. vandal.com.br

21. collaborative filtering

22. usuários avaliam

23. não existe avaliação

24. content-based
recommendation

25. características

27. 1. Mostrar itens
similares

28. vector space model
skull caveira flower vintage caveiras
produto1 1 1 1 0 0
produto2 1 1 0 1 1
produto3 1 1 0 0 0

29. O quanto um produto
é similar a outro?

30. cálculo de similaridade

31. cálculo de similaridade

32. obtendo produtos similares

33. obtendo produtos similares

34. obtendo produtos similares

35. obtendo produtos similares
Hein ????

38. 2. recomendação
personalizada
em desenvolvimento

40. Como mostrar aqui o que é interessante para um
usuário?

41. construindo um profile
de preferências do
usuário

42. capturando ações do usuário
Usuário: Paulo José
data evento conteúdo
01/09/2014 08:35 buscou
{query: "caveira", produtos:
[1991, 1331, 3892] }
01/09/2014 08:39 visualizou {id: 1991}
01/09/2014 08:34 visualizou {id:1331}
01/09/2014 08:40 like {id: 1331}
01/09/2014 08:44 comprou {id: 1331}

43. capturando ações do usuário
data evento conteúdo
01/09/2014 08:35 buscou
{query: "caveira", produtos:
[1991, 1331, 3892] }
01/09/2014 08:39 visualizou {id: 1991}
01/09/2014 08:34 visualizou {id:1331}
01/09/2014 08:40 like {id: 1331}
01/09/2014 08:44 comprou {id: 1331}

44. construindo as preferências

45. construindo as preferências

46. algumas ações não
seriam mais importantes
que outras?

47. capturando ações do usuário
data evento conteúdo peso
01/09/2014
08:35
buscou
{query: "caveira", produtos:
[1991, 1331, 3892] }
0.3
01/09/2014
08:39
visualizou {id: 1991} 0.1
01/09/2014
08:34
visualizou {id:1331} 0.1
01/09/2014
08:40
like {id: 1331} 0.6
01/09/2014
08:44
comprou {id: 1331} 1

48. construindo as preferências com pesos

49. vector space model
skull caveira flowers metal caveiras ilustração arte cool
produto_1331 1 1 1 0 0 0 0 0
produto_1991
0 1 0 1 1 1 1 0
produto_3892 1 1 0 0 1 0 0 1
Paulo José 1 1 0 1 1 1 1 0

50. agora é só calcular a
similaridade das
preferências de usuário
com os produtos

51. agora é só calcular a
similaridade das
preferências de usuário
com os produtos

52. similaridade do cosseno

55. processos inteligentes e
process mining
aquela história de BPM, Enterprise, pode ser
divertida

56. business process management

57. process mining
• process discovery
• performance analysis
• process prediction
• process improvement
o que realmente
aconteceu?
quais são os gargalos do meu
processo?
esta instância vai estourar o
sla?
como posso redesenhar este
processo com o que foi
aprendido?

59. log de eventos

60. análise

61. e a análise sobre dados
de negócios?
exemplo compra de passagens aéreas

62. log resumido processo de compra de passagens
aéreas
passageiro companhia trecho preço
data da
compra
data do
embarque
dias de diferença
Souza/Jose TAM SDU/CGH 570,00 28/01/2014 05/02/2014 8
Costa/Luiz TAM SDU/CGH 200,00 08/04/2014 09/06/2014 62
Paiva/Roberto AVIANCA SDU/CGH 126,00 25/02/2014 11/03/2014 14
Ronaldo/Cristian
o
TAM SDU/CGH 258,70 25/11/2014 17/12/2014 22

63. dados de negócio?
• o que define uma boa compra?
• quais são as variáveis que mais
influenciam na compra?
• por que uma compra ruim, foi ruim?

64. definição de um
processo automático
para obter respostas
Statistical Learning

65. qual seria a entrada de dados
necessária?
passageiro companhia trecho preço
data da
compra
data do
embarque
case contexto e objetivo
dias de diferença
Souza/Jose TAM SDU/CGH 570,00 28/01/2014 05/02/2014 8
Costa/Luiz TAM SDU/CGH 200,00 08/04/2014 09/06/2014 62
Paiva/Roberto AVIANCA SDU/CGH 126,00 25/02/2014 11/03/2014 14
Ronaldo/Cristian
o
TAM SDU/CGH 258,70 25/11/2014 17/12/2014 22

66. como definir o que é uma boa compra?
preço
570,00
200,00
126,00
258,70

67. como definir o que é uma boa compra?
preço
570,00
200,00
126,00
258,70
preço <= 181,50

68. quais são as variáveis que mais
influenciam na compra?

69. quais são as variáveis que mais
influenciam na compra?
lineares?
Não lineares?
variáveis mais
importantes

70. quais são as variáveis que mais
influenciam na compra?
Ex. código R

71. por que uma compra ruim, foi ruim?
passageiro companhia trecho preço
data da
compra
data do
embarque
dias de diferença
Souza/Jose TAM SDU/CGH 570,00 28/01/2014 05/02/2014 8

72. por que uma compra ruim, foi ruim?
utilizando as variáveis identificadas, é
possível ter alguns insights
dias de diferença companhia
boas case boas case
14 8
100%
Avianca
TAM
passageiro companhia trecho preço
data da
compra
data do
embarque
dias de diferença
Souza/Jose TAM SDU/CGH 570,00 28/01/2014 05/02/2014 8

73. muita estatística

74. considere R para
prototipação. Para
produção existem boas
alternativas, mas não
deixe de olhar python +
pandas + scikit

75. existem vários cenários que
é possível aplicar as idéias
de machine learning dentro
da sua empresa e não
precisa ser big data small
data

76. Obrigado.

77. Referências
Introdução a sistemas de recomendação -
https://www.coursera.org/course/recsys
Recommender Systems: An Introduction - http://www.amazon.com/Recommender-Systems-
Introduction-Dietmar-Jannach/dp/0521493366
Process Mining - http://www.processmining.org/
Statistical Learning Theory -http://en.wikipedia.org/wiki/Statistical_learning_theory
An Introduction to Statistical Learning with applications in R - Gareth James, Daniela
Wittern, Trevor Hastie, Robert Tibshirani
R Language - http://www.r-project.org/
scikit learn - http://scikit-learn.org/stable/
Vandal - www.vandal.com.br