Introdução a Machine Learning

Curadoria Moacyr Mello moacyr.mello@wecolab.com.br
Moacyr Mello
Aprendizagem de Máquina
Possibilidades e Aplicações

Exemplo de código fonte

Programação explícita
Imperativo e procedural,
declarativo,
funcional ou
orientado a objetos,
etc, etc ...
● Seja qual for o modelo, todos direcionam a máquina para tomar
decisões, por assim dizer, “fixas”.
● Especialistas de domínio podem criar sistemas com memória, mas se
não ultrapassarem o conhecimento armazenado, tbém são “fixos”.
● Um sistema especialista pode depender de uma base de
conhecimento, mas o conhecimento já está presente quando de sua
construção.
● Quando a programação permite à máquina adquirir mais conhecimento
do que o originalmente incluído, temos o “aprendizado”.

Aprendizagem de máquina
“Campo de estudo que dá aos computadores a
habilidade de aprender sem ser explicitamente
programado.”
1959, Arthur Samuel

Aprendizado
● Aqui aprendizado é uma inferência indutiva:
● A máquina observa exemplos,
– (que representam uma informação incompleta
sobre determinado assunto)
● Prediz a resposta para exemplares que não
foram observados.
● O aprendizado não é apenas memorização,
mas também generalização.

Tipicamente
● Conjunto de treinamento com os exemplos (training set)
● Algum algoritmo adequado (learning algo.)
● Hipótese (modelo de aprendizado, p.exp.: Linear)
● Exemplar de entrada (x)
● Predição de saída (y)
Recomendação + conceitual e teórica: Caltech's Machine Learning
Course - CS 156 by Prof. Yaser Abu-Mostafa
https://www.youtube.com/watch?v=mbyG85GZ0PI

Exemplo
m2 R$ x 1000
200 800
150 200
400 700
300 500
100 300
300 650
Como um corretor de imóveis poderia
estimar o preço de um imóvel novo?
Recomendação + prática: Stanford Machine
Learning Course - CS 156 by Prof. Andrew Ng
https://www.youtube.com/watch?v=UzxYlbK2c7E

Hipótese
● A função hipótese é o
modelo que aproxima a
função alvo desconhecida.
● Os exemplos são usados
para obter os coeficientes
da hipótese.
● O objetivo é minimizar uma
determinada função de
custo (ou erro), função J,
que permite obter os
coeficientes da hipótese.

Exemplo de função de custo
quadrática: J = f(h(x) - y)2

Aspecto de uma função de custo de
com 2 coeficientes (ou parâmetros)

Tipicamente aplicamos machine
learning quando...
● Há um padrão a ser aprendido
– Supomos um padrão ou sabemos existente
● Não podemos descrevê-lo matematicamente
– Não há solução analítica ou é muito difícil
● Temos dados disponíveis
– Há exemplos suficientes

Tipicamente nos defrontamos...
● Problema do aprendizado
● Representação do Conhecimento
● Erro e ruído
● Treinamento versus teste
● Problema da generalização
● Bias-Variance tradeoff
● Overfitting
● Regularization
● Validation
● Normalization
● Scaling
● Decision boundary
● Features/attributes
● Classification
● Regression
● Training set/examples
● Target variable
● Feature mapping
● Feature no
● Aprendizado supervisionado/não-
supervisionado
● Clustering
● Recomendation
Minimizar a função de erro (ou função de custo).

Classificação
● eMail: spam/não-spam, 0/1
● Transações financeiras: fraude/não-fraude,
0/1
● Tumor: benigno/maligno, No/Yes, 0/1
Andrew Ng

Classificação versus clusterização
Andrew Ng

Singularity Hub, Newsletter.

Redes neurais e deep learning
Andrew Ng
http://deeplearning.net/
https://datasciencebr.com
Andrew Ng, Google em 2012, imagens gatos de 10 milhões de vídeos do YouTube!

“Todas as coisas são
números.”
Pitágoras..

Tribos em ML...
● Simbolistas
– Sistemas baseados em regras, “zero learning”.
– Lisp, Prolog, SemanticWeb, RDF e OWL
● Evolucionistas
– processos biológicos evolucionistas, crossover e mutação, geram inteligência emergente.
– Algoritmos genéticos, CAS – Complex Adaptative Systems
●
Bayesianos
– Regras probabilísticas, próximo dos simbolistas mas com incerteza.
– PGM – Prob. Graph Models, Edward que combina com Deep Learning
● Os conservadores do Kernel
– SVM e soluções matemáticas para separação não-linear
●
Os que abraçam as Árvores
– Modelos baseados em árvores de decisão lógicas.
– Randon Forrest, Boosted Decision Trees
● Coneccionistas
– O comportamento inteligente surge de mecanismos simples, altamente conectados.
– Perceptrons (1959), Deep Learning https://www.linkedin.com/pulse/many-tribes-artificial-intelligence
-ai-carlos-e-perez?trk=hp-feed-article-title-like

Machine learning & Software projs.

Deslocamento da Eng. Softw.

Há 3 core skills (Gartner):

Frankdiana.net
Machine learning tem
o maior número de ligações
e implicações. Será a base d
maioria das iniciativas !

Comunidade de Analytics, big Data e Machine Learning.
Advanced Analytics - Gartner:
 Análise de todos os tipos de dados usando métodos
quantitativos sofisticados para produzir insights:
 Estatísticas
 Data mining preditiva ou descritiva
 Aprendizagem de máquina
 Simulação e otimização
 Está além das abordagens tradicionais de BI, tais
como query e reporting
Mudanças na comunidade (1)

Mudanças na comunidade (2)
Comunidade de Analytics, big Data e Machine Learning.
Cognitive Computing/Services – IBM / Microsoft:
 Customize the language model of the speech recognizer
by tailoring it to the vocabulary of the application and the
speaking style of your users
 Customize the acoustic model of the speech recognizer
to better match the expected environment and user
population of your application.
 Ultrapassa a simples speech recognition:speaking style,
vocabulário e background noise
 Posicionam-se como estando além das abordagens
tradicionais de Machine Learning, tais como
interpolação, extrapolação e classificação

Exemplo de API utilizando Watson
APIAPI
O modelo de implicação é um modelo
desenvolvido pelo usuário da API, pode
ser mais ou menos elaborado, mas
sempre existe.

Watson serviço tom emocional
Tipo social: retorna aberto, extrovertido, etc.
Tipo de escrita/linguagem: retorna analítico, confiante, etc.
Tom emocional: retorna joy, sadness, etc.
BigFive, modelo dos fatores psicológicos.

Watson serviço de imagens
"age": {
    "max": 24,
    "min": 18,
    "score": 0.502411
    },
"gender": {
    "gender": "MALE",
    "score": 0.989013
    }
Classificar uma imagem: retorna classes de coisas possíveis.
Detectar faces na imagem: retorna age, gender, etc
Detectar texto (beta): retorna o texto classificado.

Combinação de diferentes campos

Olhar nas ferramentas ...
● Scikit Learn
– Ferramentas simples e eficientes para data mining e data analysis.
– Acessível a todos e reusavel em muitos contextos.
– Construído com Python, NumPy, SciPy e Matplotlib.
● Spark
– Desenvolve aplicações em Java, Scala, Python, R. Mais rápido que o Hadoop.
● MXNet
– MXNet é um framework open-source de deep learning framework que permite
definir, treinar e implantar deep neural networks numa variedade de máquinas, de
cloud à mobile.
● Keras
– É uma biblioteca de alto nível para redes neurais e Deep Learning. Escrita em
Python e capaz de rodar seja em TensorFlow ou Theano. Foi desenvolvida com o
foco da rápida experimentação, sendo capaz de ir da ideia ao resultado com o
menor tempo.
●
SAS High Performance Analytics (HPA) é uma solução proprietária
baseada na interface MPI, muito bem posicionada segundo o Gartner.

Curadoria Tecnológica
● Uso tradicional
– É um especialista no conteúdo do acervo de uma instituição e tem
a função de escolher o que mostrar e orientar sobre tendências.
● Curadoria Tecnológica na we.CoLab
– Curadores de conteúdo que garimpam, selecionam e organizam
métodos e tecnologias para oferecê-las às startups que
desenvolvem projetos na we.CoLab.
– Ajuda nas escolhas que as startups fazem e, desse modo,
acrescentam valor ao ambiente de colaboração do co-working.
● Integrar os interesses com visão especializada.
“Ajuda a levantar a carga,
mas não a carregues.”
Pitágoras..

Infraestrutura
Possuímos espaços designados
para coworking, salas de reunião,
internet, impressora, cozinha e
café.
Startups
Aceleramos as startups através de
treinamentos e mentorização, no
amadurecimento de seu modelo de
negócio, e na busca por
investimento externo.
Células de Inovação
Montamos células de inovação
para transformação digital, que
desenvolvem protótipos e testam
novos modelos de negócio.
Utilizamos o conceito se startup
satélites.
Coaching
Possuímos consultores de negócios
para auxiliar no desenvolvimento
de business plans, go-to-Market,
modelos de negócio, estratégias e
orientar startups.
Problem Solving
Montamos células de trabalho, com
recursos da we.CoLab e do cliente
para solucionar problemas de Data
Science.
Curadoria Tecnológica
Possuímos curadores tecnológicos
que selecionam, analisam e
organizam o conhecimento sobre
tecnologias de mercado, para
oferece-las às startups e empresas
de nossa comunidade.

Introdução a Machine Learning

Mais conteúdo relacionado

Mais procurados

Destaque

Semelhante a Introdução a Machine Learning

Último

Introdução a Machine Learning