Carregado porDaniela Brauner
Data Science e Inteligência de dados - Inteligencia artificial e machine learning
Este documento fornece uma introdução sobre inteligência artificial, aprendizado de máquina, redes neurais e aprendizado profundo. Explica brevemente o que cada um desses conceitos significa e como eles estão relacionados, além de dar alguns exemplos de aplicações.
Data Science e Inteligência de dados - Inteligencia artificial e machine learning
- 1. 1 / 21 DataScience &Data Science & Inteligência de DadosInteligência de Dados Inteligência ArtificialInteligência Artificial Prof. Daniela Brauner Escola de Administração – UFRGS daniela.brauner@ufrgs.br danibrauner@gmail.com
- 2. 2 Inteligência Artificial IA medo! INTELIGÊNCIA ARTIFICIAL Oque você sente? MEDO ou EMOÇÃO?
- 3. 3 ASSISTIR vídeo: https://olhardigital.com.br/video/inteligencia-artificial-ja-e-parte-do-nosso-cotidiano-entenda-as-aplicacoes/82851 ALGUMAS COISAS AIA FAZ MELHOR QUE OS HUMANOS OUTRAS, NEM TANTO!
- 4.
- 5. 5 IA x MLx RN x DL 1950 …………………………………… 1980 …………………………………………………………………………………….. 2010 Fonte: adaptado de Nvidia, 2016 - A Diferença Entre Inteligência Artificial, Machine Learning e Deep Learning https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
- 6. 6 IA ML RNDL Tá, então vamos lá…. O que é Inteligência Artificial?
- 7. 7 Inteligência Artificial Uma áreada Ciência da Computação que orienta a criação de algoritmos capazes de executar tarefas, tão bem quanto, ou até melhor, que nós humanos conseguimos. Ex: ● Classificação de imagens em um serviço como o Pinterest ● Reconhecimento de rostos no Facebook “Inteligência Artificial é a ciência e a engenharia de criar máquinas inteligentes, especialmente programas de computador inteligentes”. -- John McCarthy, o pai da Inteligência Artificial.
- 8. 8 Machine Learning Uma maneirade implementar a inteligência artificial. É uma forma de implementar algoritmos que aprendem com os dados, e então fazem uma classificação ou predição quando identificam situações similares as que conheçam. Ex: visão computacional Fornece ao computador a capacidade de aprender e entender situações repetitivas (padrões) automaticamente.
- 9. 9 Machine Learning –o que é? Por Marcelo Tas Ver vídeo: https://www.youtube.com/watch?v=Z1YHbl0lh88
- 10. 10 Machine Learning –Tipos de APRENDIZADO SUPERVISIONADO NÃO-SUPERVISIONADO Quando o algoritmo aprende usando dados de treinamento com anotações marcando o que é ou não é, para que ele assimile e depois busque padrões similares. Quando NÃO usa dados de treinamento. Busca nos dados uma representação mais informativa, como por exemplo se existem padrões repetidos, para inferir padrões ou frequência de co-ocorrências de dados, para aprender uma regra associativa. Vídeo sobre tipos de aprendizado de máquina: https://www.youtube.com/watch?v=mhe5e2B9bL8
- 11. 11 Redes neurais artificiais Inspiradasna biologia do nosso cérebro — todas as interconexões entre neurônios. Mas, diferente de um cérebro biológico onde qualquer neurônio pode se conectar com qualquer outro neurônio dentro de uma certa distância física, essas redes neurais artificiais tem camadas discretas, conexões e direções de propagação de dados. Deep Learning Uma rede neural de aprendizado profundo, isto é, com várias camadas de aprendizado. Usado em reconhecimento de fala, identificação de imagem e previsões. Configura parâmetros básicos sobre os dados e treina o computador para aprender sozinho através do reconhecimento padrões em várias camadas de processamento.
- 12. 12 USOS Encontrar associações Fraldas eCerveja no supermercado Prever comportamentos O mercado vai subir? O dólar vai cair? Descobrir modelos de conhecimento Como se comportam os consumidores? Identificar padrões Como identificar pneumonia?
- 13. 13 Algumas técnicas ● Associação ● Dado umconjunto de transações, descobrir os itens que ocorrem de forma associada e que trazem algum conhecimento sobre o todo. ● Classificação (O QUE É ISSO?): ● A partir de exemplos conhecidos (conjunto de dados já classificados), aprender um método e usá-lo para predizer as classes de padrões desconhecidos (ou novos); ● Agrupamento (Clustering): ● Dado um conjunto de dados não classificado, descobrir as classes dos elementos (grupos ou clusters) e possivelmente o número de grupos existente a partir de suas características;
- 14. 14 Árvores de decisão Umclassificador (ou modelo de classificação) utilizado para identificar a classe à qual pertence uma determinada observação de uma base de dados, a partir de suas características (seus atributos). Idad e Conta poupança Árvore binária para prever crédito aos clientes num Banco (aprendizado à partir de exemplos) bom >= 30 < 30 Estado civil c s maubo m bo m Empréstimo n s mau s n Podem ser utilizadas com duas finalidades: ● Previsão: descobrir se um cliente será um bom pagador em função de suas características; ● Descrição: fornecer informações interessantes a respeito das relações entre os atributos preditivos e o atributo classe numa base de dados.
- 15. 15 Árvores de decisão Acriação de modelo de classificação é um processo de 2 fases: 1. Aprendizado: um algoritmo classificador é aplicado sobre um conjunto de dados de treinamento. Como resultado, obtém-se a construção do classificador (a árvore) propriamente dito; 2. Teste: quando executa-se outro conjunto de dados usando a árvore criada para classificação dos dados.
- 16. 16 O que éum cluster (ou grupo)?
- 17. Comprimento Cabelo Peso Idade Classe Homer0” 250 36 M Marge 10” 150 34 F Bart 2” 90 10 M Lisa 6” 78 8 F Maggie 4” 20 1 F Abe 1” 170 70 M Selma 8” 160 41 F Otto 10” 180 38 M Krusty 6” 200 45 M Sexo Exemplos extraídos do Tutorial de Eamon Keogh no SBBD
- 18. 18 O que éum cluster (ou grupo)?
- 19. 19 Exemplo: venda casada Mineraçãode regras de associação
- 20. 20 Mineração de regrasde associação Dado um conjunto de transações, encontre regras para a predição da ocorrência de itens baseado na ocorrência de outros itens na transação Transações (cada transação é uma compra) TID Items 1 pão, leite 2 pão, fralda, cerveja, ovos 3 leite, fraldas, cerveja, coca 4 pão, leite, fraldas, ovos 5 pão, leite, fraldas, coca Exemplos de regras de associação {fraldas} {cerveja}, {leite, pão} {ovos,coca}, {cerveja, pão} {leite}, A implicação significa co-ocorrência, e não causa!!! Fonte: Curso de Mineração de Dados (Profa Vania Bogorny, INE/UFSC)
- 21.