Transferir como PDF, PPTX
Como descobrir e classificar coisas usando machine learning sem compilcação
- 1.
- 2. shestech.org Como descobrir e classificar"coisas" usando o aprendizado de máquina sem complicação!
- 3.
- 4. 1. Definição deClassificação 2.Classificação Binária 3. Classificação MultiClasse 4. Classificação Multirrótulo 5. Classificação Hierárquica Multirrótulo 6. Conclusão Agenda
- 5. • Ação ouefeito de classificar; • Distribuição sistemática de pessoas ou coisas em classes ou categorias, de acordo com critérios estabelecidos; • Distribuição por classes. Definição
- 6. Um Problema deClassificação de Dados consiste em determinar um rótulo, para um objeto, baseado em um conhecimento prévio. Um rótulo é um nome dado a determinado objeto. Definição
- 7.
- 8. Classificação Binária Coleção deVídeos • É ou não é • Pertence ou não pertence • Não pode pertencer à outra classe • Assistiu ou não assistiu • Gostou ou não gostou • Um ou zero • Etc. • Classe positiva • Classe negativa • Rótulos
- 9. Classificação Binária Vídeos marcadoscom GOSTEI Vídeos marcados com NÃO GOSTEI Vídeos não classificados!
- 10. Classificação Binária Dados nãorotulados Conjunto de Treino Conjunto de Teste
- 11. Classificação Binária Modelo de Classificação Treinamentodo Modelo Fase de Aprendizagem Modelo Aprendido Conjunto de Treino
- 12. Classificação Binária Modelo Aprendido Conjunto deTeste Saída do Algoritmo Rótulos Preditos Comparar com os reais
- 13. Classificação Binária Modelo Aprendido Saída doAlgoritmo Dados rotulados Dados não rotulados
- 14. Classificação Binária Id TítuloGênero Diretor Ano Data Estúdio ... Gostei 1 1 2 0 3 1 4 0 5 0 6 0 ... ... Rótulo
- 15.
- 16. Classificação Multiclasse Coleção de Fotosde Animais • Pertence ou não pertence a uma classe específica • Não pode pertencer a várias classes ao mesmo tempo • Uma classe positiva e duas ou mais classes negativas
- 17. Classificação Multiclasse Animal Marinho AnimalVoador Animal Doméstico Não Classificado Coleção de Fotos de Animais
- 18. Classificação Multiclasse Dados nãorotulados Conjunto de Treino Conjunto de Teste
- 19. Classificação Multiclasse Modelo de Classificação Treinamentodo Modelo Fase de Aprendizagem Modelo Aprendido Conjunto de Treino
- 20. Classificação Multiclasse Modelo Aprendido Saída doAlgoritmo Rótulos Preditos Comparar com os reais Conjunto de Teste
- 21. Classificação Multiclasse Modelo Aprendido Saída doAlgoritmo Dados rotulados Dados não rotulados
- 22.
- 23.
- 24.
- 25. Classificação Multirrótulo • Podepertencer a uma ou várias classes ao mesmo tempo, assim como pode não pertencer a nenhuma das classes do problema • Classes positivas e negativas: nenhuma, uma ou várias
- 26.
- 27. Classificação Multirrótulo 1 classeou rótulo 2 classes ou rótulos 3 classes ou rótulos Nenhuma classe ou classes preditas erradas ou objetos rotulados errados Todas as classes
- 28.
- 29. Classificação Multirrótulo Modelo de Classificação Treinamento doModelo Fase de Aprendizagem Modelo Aprendido
- 30. Classificação Multirrótulo Modelo Aprendido Refinar modeloconstantemente!
- 31.
- 32. Classificação Multirrótulo Modelo Aprendido Refinar modeloconstantemente!
- 33. Classificação Multirrótulo Id TítuloDiretor .... Suspense Ficção Científica Ação Comédia .... 1 1 0 0 0 ... 2 1 1 0 0 ... 3 1 1 1 0 ... 4 1 1 1 1 ... 5 0 0 0 0 ... 6 0 0 1 1 ... 7 0 1 1 0 ... 8 0 1 0 1 ... ... ... ... ... ... ... ... ... ...
- 34.
- 35.
- 36.
- 37.
- 38. • Agronomia; • Biotecnologia; •Setor Financeiro; • Setor Elétrico; • Saúde em geral • Indústrias em geral; • Psicologia; • Qualquer área! Domínios de Aplicação
- 39. • Análisar Sentimentos; •Detectar spam de e-mail; • Diagnósticar de doenças; • Classificar documentos, textos, imagens, áudios, vídeos, música, filmes, etc. • Sistemas de recomendação em geral; Exemplos
- 40. • Detectar fraudesem cartões de crédito; • Descobrir funções de proteínas; • Monitorar temperaturas em sensores; • Previsão do comportamento do cliente; • Previsão da taxa de cliques do anúncio; • Classificação de malware; • Etc. Exemplos
- 41.