Baixar para ler offline
![[Palestras] machine learning gênesis ao apocalipse](https://cdn.slidesharecdn.com/ss_thumbnails/palestrasmachinelearning-gnesisaoapocalipse-170628132035-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DTC21] Raphael Castilho - Começando com Inteligência Artificial e Machine Le...](https://cdn.slidesharecdn.com/ss_thumbnails/iaemachine-210317154040-thumbnail.jpg?width=640&height=640&fit=bounds)
![Agentic Systems and Compliance - A brief intro [1.2]](https://cdn.slidesharecdn.com/ss_thumbnails/agenticsystemsandcompliace-1-251018025303-958a42ec-thumbnail.jpg?width=640&height=640&fit=bounds)
Introduction to Data Science in IoT Projects.
- 2. Introdução à aplicaçõesde Data Science em projetos de IoT.
- 3. Agenda • O queé Internet das Coisas. • O que é Machine Learning (ML). • Tipos de algoritmos de ML. • Casos de Estudo ML para IoT – Saúde. – Meio-ambiente. – Segurança do trabalhador.
- 4. O que éInternet das Coisas (IoT)
- 5. Definição • A Internetdas Coisas (IoT) é a rede de dispositivos físicos, veículos, eletrodomésticos e outros itens incorporados à eletrônica, software, sensores, atuadores e conectividade, que permite que esses objetos se conectem e troquem dados. (wikipedia)
- 6.
- 7.
- 8.
- 9.
- 17. Big Data 4V’s Image: Wentworth Institute of technology
- 18. O ataque dosExponenciais
- 20.
- 21. O que éData Science • É um campo interdisciplinar de métodos, processos, algoritmos e sistemas científicos para extrair conhecimento ou insights de dados em várias formas, estruturadas ou não, semelhantes à mineração de dados. (wikipedia)
- 22.
- 23.
- 25. D I KU W Data Information Knowledge Understanding Wisdom PAST FUTURE Raw What How to Why When Numbers Description Experience Cause & Effect Prediction Letters Context Tested Proven What’s best Symbols Relationship Instruction Known Unkowns Unkown Unkowns Known Knows Models Signals Reports Programs Adaptado do Piramide DIKW
- 26. Correlações não éCausa
- 31.
- 32. Origem do MachineLearning • 1950 - Alan Turing criou o “Teste de Turing” para determinar se um computador possui inteligência real. Para passar no teste, um computador deve ser capaz de enganar um humano, acreditando que também é humano. Bernard Marr (2016)
- 33. Origem do MachineLearning • 1952 - Arthur Samuel escreveu o primeiro programa de aprendizado de computador. O programa foi o jogo de damas. Bernard Marr (2016)
- 34. Origem do MachineLearning • 1957 - Frank Rosenblatt designed the first neural network for computers (the perceptron), which simulate the thought processes of the human brain. Bernard Marr (2016)
- 35. Origem do MachineLearning • 1967 - O algoritmo de “nearest neighbor” foi escrito, permitindo que os computadores comecem a usar um reconhecimento de padrões muito básico. Bernard Marr (2016)
- 36. Origem do MachineLearning • 1979 - Os estudantes da Universidade de Stanford inventam o “Stanford Cart”, que pode navegar por obstáculos em uma sala por conta própria. Bernard Marr (2016)
- 37. Origem do MachineLearning • 1981 — Gerald Dejong introduz o conceito de Explanation-Based Learning (EBL), em que um computador analisa dados de treinamento e cria uma regra geral que pode ser seguida descartando dados sem importância. Bernard Marr (2016)
- 38. Origem do MachineLearning • 1985 - Terry Sejnowski inventa o NetTalk, que aprende a pronunciar as palavras da mesma forma que um bebê. Bernard Marr (2016)
- 39. Origem do MachineLearning • Anos 90 - O trabalho sobre ML de uma abordagem orientada pelo conhecimento para uma abordagem baseada em dados. • Os cientistas começam a criar programas para computadores para analisar grandes quantidades de dados e tirar conclusões - ou "aprender" - a partir dos resultados. Bernard Marr (2016)
- 40. Origem do MachineLearning • 1997 - O Deep Blue da IBM bate o campeão mundial no xadrez. Bernard Marr (2016)
- 41. Origem do MachineLearning • 2006 - Geoffrey Hinton utiliza o termo ”Deep Learning" para explicar novos algoritmos que permitem aos computadores "ver" e distinguir objetos e textos em imagens e vídeos. Bernard Marr (2016)
- 42. Origem do MachineLearning • 2010 — O Microsoft Kinect pode rastrear 20 características humanas 30 x/s, permitindo que as pessoas interajam com o computador por meio de movimentos e gestos. Bernard Marr (2016)
- 43. Origem do MachineLearning • 2011 - O Watson da IBM supera seus concorrentes humanos no ‘Jeopardy’. • O Google Brain é desenvolvido e sua Deep Neural Network pode aprender a descobrir e categorizar objetos da mesma forma que um gato. Bernard Marr (2016)
- 44. Origem do MachineLearning • 2012 - O ‘X Lab’ da Google desenvolve um algoritmo de Machine Learning capaz de navegar de forma autônoma em vídeos do YouTube para identificar os vídeos que contêm gatos. Bernard Marr (2016)
- 45. Origem do MachineLearning • 2014 - O Facebook desenvolve o DeepFace, um algoritmo de software que é capaz de reconhecer ou verificar indivíduos em fotos no mesmo nível que os humanos. Bernard Marr (2016)
- 46. Origem do MachineLearning • 2015 - A Amazon lança sua própria plataforma de aprendizado de máquina. • A Microsoft cria o Distributed Machine Learning Toolkit, que permite a distribuição eficiente de problemas de aprendizado de máquina em vários computadores. Bernard Marr (2016)
- 47. Origem do MachineLearning • 2015 - Mais de 3 mil pesquisadores de IA e Robótica, apoiados por Stephen Hawking, Elon Musk e Steve Wozniak (entre outros), assinam uma carta aberta alertando sobre o perigo de armas autônomas que selecionam e engajam alvos sem intervenção humana. Bernard Marr (2016)
- 48. Origem do MachineLearning • 2016 - O algoritmo de AI da Google bate um jogador profissional no jogo de tabuleiro chinês Go, considerado o jogo de tabuleiro mais complexo do mundo e muitas vezes mais difícil que o xadrez. O algoritmo AlphaGo, desenvolvido pelo Google DeepMind, conseguiu vencer cinco dos cinco jogos da competição Go. Bernard Marr (2016)
- 49. Origem do MachineLearning • 2017 - O algoritimo de ML da Google é preciso em 89% do tempo na detecção do câncer de mama. Isso é 15% mais eficaz que os patologistas, com 74%. Statwolf.com
- 50. O que éInteligência Artificial (IA) IA “Simulação de qualquer tarefa intelectual.” IA
- 51. IA Sub-set IA Sub-set •Search and Planning (Chess) • Reasoning and Knowledge representation (Watson) • Perception (Sensing) • Ability to move and manipulate objects (robotics) • Natural language processing (Google) • Machine Learning NLP IA ML S&P M&M R&K P
- 52. O que éMachine Learning Machine Learning O aprendizado de máquina é um campo da ciência da computação que usa técnicas estatísticas para dar aos sistemas de computador a capacidade de "aprender" (ou seja, melhorar progressivamente o desempenho em uma tarefa específica) com dados, sem ser explicitamente programado. (Wikipedia)
- 53. O que éMachine Learning Machine Learning É o aprendizado computacional pela experiência passada. (Udacity)
- 54. O que seráML • “A breakthrough in machine learning would be worth ten Microsofts” (Bill Gates, Chairman, Microsoft) • “Machine learning is the next Internet” (Tony Tether, Director, DARPA) • Machine learning is the hot new thing” (John Hennessy, President, Stanford)
- 55. O que seráML • “Web rankings today are mostly a matter of machine learning” (Prabhakar Raghavan, Dir. Research, Yahoo) • “Machine learning is going to result in a real revolution” (Greg Papadopoulos, CTO, Sun) • “Machine learning is today’s discontinuity” (Jerry Yang, Founder, Yahoo)
- 56. Entendendo ML Forma Tradicional de Programação FormaDisruptiva Machine Learning
- 57. Machine Learning embaixodo capô Pattern PredictUpdate
- 58. Dois Tipos deAlgoritmos
- 62.
- 63.
- 64. Conceito de usodo ML Udacity
- 65. IoT Cases • Industria:Segurança no Trabalho. • Saúde – Predição de Reações adversas. – Agrupamento de pacientes. – Insights. • Despoluição de águas – Predição de parâmetros.
- 66.
- 67. Problema • Identificação deáreas perigosas para trabalhadores. – Potencial queda • Trabalhadores evitam relatar acidentes e incidentes. • Áreas de instabilidade precisam ser identificadas. – Risco de atropelamento • Trabalhadores trafegam em área de risco.
- 70. Resumo de Arquitetura WEARABLECOMMUNICATION CLOUD COMPUTING
- 71.
- 72. IoT - Wearable •Localização – Módulo GPS • Queda – Acelerômetro – Giroscópio • Sensor UV • Sensor de ruído
- 73.
- 74.
- 75. Conceito de usodo ML Udacity
- 76. Conceito de usodo ML • Dados de indicação de queda – Alerta de queda. • Dados de indicação de instabilidade. – Dados de aceleração. • Dados de localização. – Latitude. – Longitude. DADOS K-Means Clustering ML • Identificação de áreas de instabilidade. – Insights IMU • Identificação de trabalhadores mais propensos a risco. – Permacem mais tempo e de forma recorrente. RESULTADOS
- 77.
- 78.
- 79. Problema • O protocolode tratamento oncológico infantil muda a cada 3 anos. • Este curto período dificulta entendimento dos efeitos colaterais medicamentosos e outras reações. • Pode diminuir a expectativa de vida do paciente.
- 80. Resumo da Arquitetura wearable artificialintelligence treatment insights patient monitoring
- 81. Arquitetura big data artificial intelligence patientmonitoringng wearable O2 records medical treatment insights
- 82. Conceito de usodo ML Udacity
- 83. Conceito de usodo ML • Dados de Sinais vitais • Dados de Arquivos Médicos DADOS K-Means Clustering ML • Identificação de grupos de crianças através de insights escondidos nos dados. RESULTADOS
- 84.
- 85. Conceito de usodo ML • Grupos definidos. • Dados de Sinais vitais. • Dados de Arquivos Médicos. DADOS SVM Linear Regression ML • Predição de alteração térmica. • Alerta para retorno do paciente ao hospital. RESULTADOS
- 86.
- 87.
- 88. Problema • Entender oprocesso de despoluição em corpos hídricos. • Diminuição de custo de medição com eliminação de sensores.
- 89.
- 90. Conceito de usodo ML Udacity
- 91. Conceito de usodo ML • Medidas de diversos parâmetros – Temperatura, Condutividade, Turbides, pH, Oxigênio Dissolvido e ORP. DADOS Normalization Scaling • Ajustando range de dados. • Normalizando dados (Linear, Algoritmo, etc). • Remoção de ouliers. RESULTADOS
- 92. Conceito de usodo ML • Medidas de diversos parâmetros – Temperatura, Condutividade, Turbides, pH, Oxigênio Dissolvido e ORP. • DADOS PCA Dimensionality reduction • Entendimento de quais features estão inter-relacionados. • Feature reduction. RESULTADOS
- 93. Obrigado • Roberto Williams •robertowilliams@robbiot.com • (11) 9.8112-5152
Notas do Editor
- #77 K-Means O termo "k-means" foi empregado primeiramente por James MacQueen em 1967,[1] embora a ideia remonta a Hugo Steinhaus em 1957.[2] O "Standard algorithm" foi proposto primeiramente por Stuart Lloyd em 1957 como uma técnica para modulação por código de pulso, embora não tenha sido publicada fora dos laboratórios Bell até 1982.[3] Em 1965, E.W.Forgy publicou essencialmente o mesmo método, é por isso que é por vezes referido também como Lloyd-Forgy.[4] Uma v O problema é computacionalmente difícil (NP-difícil), no entanto, existem algoritmos heurísticos eficientes que são comumente empregados e convergem rapidamente para um local optimum. Estes são geralmente semelhantes ao algoritmo de maximização da expectativa para misturas de distribuições gaussianas através de uma abordagem de refinamento iterativo utilizado por ambos os algoritmos. Além disso, ambos usam os centros de clusters para modelar dados, no entanto, a clusterização k-means tende a encontrar clusters de extensão espacial comparáveis enquanto o mecanismo de maximização da expectativa permite ter diferentes formas.ersão mais eficiente foi proposta e publicada em Fortran por Hartigan e Wong, no período entre 1975 e 1979.[5]
- #84 K-Means O termo "k-means" foi empregado primeiramente por James MacQueen em 1967,[1] embora a ideia remonta a Hugo Steinhaus em 1957.[2] O "Standard algorithm" foi proposto primeiramente por Stuart Lloyd em 1957 como uma técnica para modulação por código de pulso, embora não tenha sido publicada fora dos laboratórios Bell até 1982.[3] Em 1965, E.W.Forgy publicou essencialmente o mesmo método, é por isso que é por vezes referido também como Lloyd-Forgy.[4] Uma v O problema é computacionalmente difícil (NP-difícil), no entanto, existem algoritmos heurísticos eficientes que são comumente empregados e convergem rapidamente para um local optimum. Estes são geralmente semelhantes ao algoritmo de maximização da expectativa para misturas de distribuições gaussianas através de uma abordagem de refinamento iterativo utilizado por ambos os algoritmos. Além disso, ambos usam os centros de clusters para modelar dados, no entanto, a clusterização k-means tende a encontrar clusters de extensão espacial comparáveis enquanto o mecanismo de maximização da expectativa permite ter diferentes formas.ersão mais eficiente foi proposta e publicada em Fortran por Hartigan e Wong, no período entre 1975 e 1979.[5]
- #86 K-Means O termo "k-means" foi empregado primeiramente por James MacQueen em 1967,[1] embora a ideia remonta a Hugo Steinhaus em 1957.[2] O "Standard algorithm" foi proposto primeiramente por Stuart Lloyd em 1957 como uma técnica para modulação por código de pulso, embora não tenha sido publicada fora dos laboratórios Bell até 1982.[3] Em 1965, E.W.Forgy publicou essencialmente o mesmo método, é por isso que é por vezes referido também como Lloyd-Forgy.[4] Uma v O problema é computacionalmente difícil (NP-difícil), no entanto, existem algoritmos heurísticos eficientes que são comumente empregados e convergem rapidamente para um local optimum. Estes são geralmente semelhantes ao algoritmo de maximização da expectativa para misturas de distribuições gaussianas através de uma abordagem de refinamento iterativo utilizado por ambos os algoritmos. Além disso, ambos usam os centros de clusters para modelar dados, no entanto, a clusterização k-means tende a encontrar clusters de extensão espacial comparáveis enquanto o mecanismo de maximização da expectativa permite ter diferentes formas.ersão mais eficiente foi proposta e publicada em Fortran por Hartigan e Wong, no período entre 1975 e 1979.[5]
- #92 4.3. Preprocessing data¶ The sklearn.preprocessing package provides several common utility functions and transformer classes to change raw feature vectors into a representation that is more suitable for the downstream estimators. In general, learning algorithms benefit from standardization of the data set. If some outliers are present in the set, robust scalers or transformers are more appropriate. The behaviors of the different scalers, transformers, and normalizers on a dataset containing marginal outliers is highlighted in Compare the effect of different scalers on data with outliers.
- #93 2.5.1. Principal component analysis (PCA)¶ 2.5.1.1. Exact PCA and probabilistic interpretation PCA is used to decompose a multivariate dataset in a set of successive orthogonal components that explain a maximum amount of the variance. In scikit-learn, PCA is implemented as a transformer object that learns components in its fitmethod, and can be used on new data to project it on these components.