Transferir como PDF, PPTX
![[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)
Introdução ao Machine Learning - XI Pylestras
- 1. Introdução ao MachineLearning
- 2. Quem sou? ● RubensPinheiro ● Bacharel em Ciências da Computação (UECE) ● Desenvolvedor Front End ● Entusiasta Python ● Sempre aprendendo!
- 3. Sobre a apresentação ●Introdução ● Ideia e definição básica sobre machine learning ● Exemplo prático ● Regressão ● Classificação ● Ferramentas ● Dúvidas
- 4. O que é? “Aprendizagemde máquina é um método de análise de dados que automatiza a construção de modelos analíticos. Usando algoritmos que iterativamente aprendem a partir de dados, o aprendizado de máquina permite que os computadores encontrem 'insights' ocultos sem ser explicitamente programados para onde olhar.” - SAS
- 5. Francis Galton Vox Populi- 1907 ? Kg 552kG 510kG 521kG
- 6. Francis Galton Vox Populi- 1907 543,4 Kg 552kG 510kG 490kG Média de 787 tickets547,4 Kg Menos de 1% de erro! Paper disponível em: http://galton.org/essays/1900-1911/galton-1907-vox-populi.pdf
- 7. Quanto mais experiência,mais próximo do acerto 543,4 Kg 552kG510kG 490kG Dados baseado em experiência!
- 8. Criação de umModelo
- 9.
- 10.
- 11. Treinando o modelo Dadosde aprendizado 400 Kg Todas vaquinhas tem o valor de nosso “prediction target”, que é o peso. Importante: Durante o treino são utilizados como referências, features dos “dados” (as vacas), como a raça da vaca, sua idade, se está prenha, além de outros aspectos que podem ser externos, como a época do ano ou o bioma local. Pode ser usado tudo que influencie no nosso target, o peso.
- 12. Validação do modelo Modelo Dados deteste ? Kg Predição 501Kg Escondemos o peso e fazemos que o Modelo tente prever o valor...
- 13. Modelo Dados de teste 501Kg Predição 501Kg Acerto* Continua o processo Validação do modelo (acerto) * Dentro de uma margem de erro definida
- 14. Modelo Dados de teste 510Kg Predição 501Kg Erro Corrigeo modelo e continua o processo Validação do modelo (erro) “Aprenda com seus erros!”
- 15. Modelo Dados de teste 510Kg Predição 501Kg Erro Corrigeo modelo e continua o processo Validação do modelo (erro) “Aprenda com seus erros!”
- 16.
- 17. Formalizando: Regressão Dados yi` (Valorprevisto) yi (Valor real) Função gerada f(x)Resíduo/Erro Feature Target
- 18. Soma do quadradoresidual (RSS) yi` (Valor previsto) yi (Valor real) Resíduo/Erro Target Feature
- 19. E daí? ● Oque queremos? – Minimizar o erro → Min(RSS) ● Como fazermos? – Derivando o RSS Tendo que a derivada da soma residual dos quadrados ... … dará a função de previsão f(x)` = ax + b
- 20. Outras técnicas deregressão Polynomial RegressionKernel Regression
- 21. Classificação Identificar elementos (rótular)baseado em features ?
- 22. Classificação Identificar elementos (rótular)baseado em features ! Wow! Such precision! So fast! Very Pythonic! Wow!
- 23. Classificação de texto(Tipo) Artigo Centífico Romance Textão de Face (mimimimi)
- 24. Classificação de texto(Análise de sentimento) ?
- 25. Quebrando o textoem palavras bom incrível páia ruim
- 26. Treinando o modelo bom +1 incrível +5 4estrelas (Texto marcado como bom)(se, fora, amanhã, depois, ...)
- 27. Treinando o modelo (se,fora, amanhã, depois, ...) páia -3 ruim -2 1 estrelas (Texto marcado como ruim)
- 28. Testando o modelo páia -3 bom +1 incrível +5 Essecarro é bom. É incrível como o consumo dele é baixo! Só a direção que achei páia. Pontuação total: +1 +5 -3 = +3 (Positivo) ? estrelas
- 29. Testando o modelo páia -3 bom +1 incrível +5 Essecarro é bom. É incrível como o consumo dele é baixo! Só a direção que achei páia. Pontuação total: +1 +5 -3 = +3 (Positivo) 4 estrelas ACERTO
- 30. Testando o modelo(erro) ruim -2 Eu com esse carro? Pense em uma vida ruim... Pontuação total: -2 (Negativo) 5 estrelas ERRO Corrige o modelo (Recalculo da pontuação das palavras)
- 31. Testando o modelo(erro) páia -2 Eu com esse carro? Pense em uma vida ruim... Pontuação total: -2 (Negativo) 5 estrelas ERRO
- 32. Outras técnicas declassificação ● Decision Trees ● Clustering ● Deep learning
- 33.
- 34.