O documento discute sistemas de recomendação, incluindo seu objetivo de gerar recomendações válidas para usuários, os tipos principais (baseados em conteúdo e filtragem colaborativa), e exemplos como o Netflix.
[Jose Ahirton Lopes] Algoritmos de RecomendacaoAhirton Lopes
O documento discute sistemas de recomendação, incluindo conceitos básicos, tipos como recomendação baseada em conteúdo e filtragem colaborativa, e exemplos como o sistema de recomendação da Netflix. Ele também aborda desafios como escassez de dados e cold start para novos usuários.
Sistemas Cooperativos Aula 14 - Técnicas (Sistemas de recomendação)Leinylson Fontinele
Este documento discute sistemas de recomendação em três frases ou menos:
1) Sistemas de recomendação são filtros de informação que recomendam itens como páginas web, filmes e livros para usuários baseados em perfis e preferências de outros usuários.
2) Existem vários métodos de recomendação como filtragem colaborativa, que faz previsões baseadas em avaliações de outros usuários similares, e descoberta de conhecimento, que identifica padrões de associação entre itens.
3
Apresentação com o título "IA e Algoritmos de Recomendação - Chatbots além das respostas prontas" feita no evento "Conferência Bots Brasil", maior evento sobre chatbots do Brasil realizado dia 17/11/2018 (http://conf.botsbrasil.com.br/).
O documento discute os principais componentes e técnicas de sistemas de recomendação, incluindo filtragem baseada em conteúdo, filtragem colaborativa e híbrida. Ele explica como esses sistemas podem automatizar recomendações pessoais com base no perfil e preferências do usuário.
1) O documento discute sistemas de recomendação, incluindo os componentes básicos e etapas de sistemas de recomendação, como filtragem de informação baseada em conteúdo, filtragem colaborativa e híbrida.
2) Métodos como cosseno e vizinhos mais próximos são usados para medir similaridade entre usuários e itens. Isso permite prever avaliações e fornecer recomendações personalizadas.
3) Métricas como precisão e revocação são usadas para avaliar o qu
O documento discute sistemas de busca e recomendação. Sistemas de busca ajudam os usuários a encontrar informações relevantes, mas têm limitações. Sistemas de recomendação filtram informações e sugerem itens de interesse para os usuários baseados em seus perfis e preferências. Várias técnicas de recomendação são discutidas, incluindo filtragem baseada em conteúdo, colaborativa e híbrida.
O documento discute sistemas de recomendação, definindo-os como sistemas projetados para sugerir itens de interesse aos usuários de forma personalizada. Apresenta as principais estratégias de recomendação, incluindo recomendações colaborativas baseadas no comportamento de usuários similares, e recomendações baseadas em conteúdo que analisam descrições de itens. Também discute técnicas como cálculo de similaridade entre usuários e predição de notas para recomendações.
O documento discute sistemas de recomendação, definindo-os como algoritmos para recomendar itens relevantes aos usuários. Explica que sistemas de recomendação se baseiam na premissa de que usuários com preferências similares tendem a gostar de itens semelhantes. Também descreve alguns métodos de recomendação como filtragem colaborativa e descoberta de conhecimento.
[Jose Ahirton Lopes] Algoritmos de RecomendacaoAhirton Lopes
O documento discute sistemas de recomendação, incluindo conceitos básicos, tipos como recomendação baseada em conteúdo e filtragem colaborativa, e exemplos como o sistema de recomendação da Netflix. Ele também aborda desafios como escassez de dados e cold start para novos usuários.
Sistemas Cooperativos Aula 14 - Técnicas (Sistemas de recomendação)Leinylson Fontinele
Este documento discute sistemas de recomendação em três frases ou menos:
1) Sistemas de recomendação são filtros de informação que recomendam itens como páginas web, filmes e livros para usuários baseados em perfis e preferências de outros usuários.
2) Existem vários métodos de recomendação como filtragem colaborativa, que faz previsões baseadas em avaliações de outros usuários similares, e descoberta de conhecimento, que identifica padrões de associação entre itens.
3
Apresentação com o título "IA e Algoritmos de Recomendação - Chatbots além das respostas prontas" feita no evento "Conferência Bots Brasil", maior evento sobre chatbots do Brasil realizado dia 17/11/2018 (http://conf.botsbrasil.com.br/).
O documento discute os principais componentes e técnicas de sistemas de recomendação, incluindo filtragem baseada em conteúdo, filtragem colaborativa e híbrida. Ele explica como esses sistemas podem automatizar recomendações pessoais com base no perfil e preferências do usuário.
1) O documento discute sistemas de recomendação, incluindo os componentes básicos e etapas de sistemas de recomendação, como filtragem de informação baseada em conteúdo, filtragem colaborativa e híbrida.
2) Métodos como cosseno e vizinhos mais próximos são usados para medir similaridade entre usuários e itens. Isso permite prever avaliações e fornecer recomendações personalizadas.
3) Métricas como precisão e revocação são usadas para avaliar o qu
O documento discute sistemas de busca e recomendação. Sistemas de busca ajudam os usuários a encontrar informações relevantes, mas têm limitações. Sistemas de recomendação filtram informações e sugerem itens de interesse para os usuários baseados em seus perfis e preferências. Várias técnicas de recomendação são discutidas, incluindo filtragem baseada em conteúdo, colaborativa e híbrida.
O documento discute sistemas de recomendação, definindo-os como sistemas projetados para sugerir itens de interesse aos usuários de forma personalizada. Apresenta as principais estratégias de recomendação, incluindo recomendações colaborativas baseadas no comportamento de usuários similares, e recomendações baseadas em conteúdo que analisam descrições de itens. Também discute técnicas como cálculo de similaridade entre usuários e predição de notas para recomendações.
O documento discute sistemas de recomendação, definindo-os como algoritmos para recomendar itens relevantes aos usuários. Explica que sistemas de recomendação se baseiam na premissa de que usuários com preferências similares tendem a gostar de itens semelhantes. Também descreve alguns métodos de recomendação como filtragem colaborativa e descoberta de conhecimento.
03 - Inteligencia Artificial e Aprendizado de Maquina.pptxIvairLima3
O documento discute sistemas de recomendação, incluindo:
1) Sistemas de recomendação usam algoritmos e análise de dados para fazer recomendações personalizadas aos usuários com base em seus perfis e preferências.
2) A filtragem colaborativa recomenda itens com base nas preferências de usuários similares, enquanto a filtragem baseada em conteúdo analisa os atributos dos itens já consumidos pelo usuário.
3) Sistemas híbridos combinam diferentes abordagens para obter melhores resultados,
O documento discute técnicas de filtragem colaborativa, começando com os desafios do método, como dispersão de dados e escalabilidade. Em seguida, aborda duas abordagens: model-based, que gera modelos dos dados; e memory-based, que usa os dados brutos. Estuda casos como o Tapestry e compara algoritmos, concluindo que o item-to-item collaboration filtering da Amazon tem melhor desempenho em grandes conjuntos de dados.
1) O documento discute sistemas de recomendação, comparando filtragem colaborativa e baseada em conteúdo.
2) A filtragem colaborativa usa dados de outros usuários para fazer recomendações, enquanto a baseada em conteúdo analisa características dos itens.
3) Sistemas híbridos combinam essas abordagens para superar limitações individuais.
Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadore...Leandro Ciuffo
O documento descreve um estudo de caso que investigou se incentivos financeiros poderiam motivar usuários a fornecer avaliações mais honestas em um sistema de recomendação de filmes. O estudo comparou o número e a qualidade das avaliações fornecidas por usuários em diferentes condições: sem incentivo, com incentivo aberto e usando o modelo HYRIWYG, que oferece incentivos proporcionais à qualidade da avaliação. Os resultados sugerem que o HYRIWYG aumentou a quantidade de avaliações, mas o incentivo oferecido não foi suficiente para
Sistemas de Recomendação e Inteligência ColetivaMarcel Caraciolo
Marcel Pinheiro Caraciolo discute sistemas de recomendação, incluindo como eles funcionam para personalizar a experiência de compra do usuário, como filtragem colaborativa, de conteúdo e híbrida, e como as recomendações são avaliadas e apresentadas aos usuários.
O documento apresenta uma palestra sobre sistemas de recomendação na web. A palestra discute o que são sistemas de recomendação, como eles funcionam, exemplos de sistemas de recomendação, e desafios e tendências na área.
O documento discute o uso de sistemas de recomendação para aumentar os lucros de uma videolocadora. O sistema recomenda itens para os usuários com base nas correlações entre o conteúdo dos itens e as preferências do usuário, como filmes do mesmo gênero ou CDs de artistas semelhantes. O sistema compara os novos itens com os modelos de usuário para recomendar aqueles com maior similaridade.
Oferecendo soluções mais assertivas para os usuários de um serviço combinan...belaamaral
O documento discute como combinar pesquisa de experiência do usuário (UX Research) e aprendizado de máquina (Machine Learning) para fornecer soluções mais assertivas para usuários de serviços. O documento explica o papel do pesquisador de UX, como criar experimentos usando técnicas como K-Nearest Neighbors para validar hipóteses, e os próximos passos após a conclusão dos experimentos.
O documento discute sistemas de recomendação, que surgiram para auxiliar no processo de indicar e receber indicações de acordo com os interesses de cada usuário. Vários modelos de recomendação são descritos, incluindo recomendações colaborativas baseadas na similaridade entre perfis de usuários, recomendações baseadas em conteúdo que analisam descrições de itens, e modelos híbridos. Técnicas como k-vizinhos mais próximos e coeficiente de correlação de Pearson são usadas para gerar recomendações
Este documento apresenta uma revisão bibliográfica sobre sistemas de recomendação, discutindo: 1) A importância dos sistemas de recomendação para personalizar sistemas e aumentar vendas; 2) Como os sistemas de recomendação usam perfis de usuários para fornecer itens relevantes; 3) Os aspectos necessários para criar perfis de usuários, incluindo identidade, reputação e coleta de informações.
O documento discute as três dimensões da busca (o que, como e quem), os três canais de tráfego (buscas tradicionais, feeds e buscas em redes sociais), e os elementos sociais que devem ser considerados para otimização. Fatores atuais como landing page optimization, enquetes no site, e dominação em SERPs também são abordados, assim como novos sinais de relevância como autoridade da marca e associação de entidades.
As comunidades do Orkut como ferramentas de e-CRMPatrícia Moura
1) O documento discute o uso das comunidades do Orkut como ferramentas de relacionamento com clientes (e-CRM) no Brasil.
2) A autora analisa como as comunidades virtuais podem ser usadas para identificar hábitos de consumidores, melhorar produtos e serviços e satisfazer demandas dos clientes.
3) Um caso específico da empresa Ntime é apresentado para ilustrar como as comunidades do Orkut podem ser usadas para pesquisas de mercado e recebimento de feedback de clientes.
Sistemas de Recomendação Aplicados a WebComo converter visitantes em comprado...Arthur Fortes
O documento discute sistemas de recomendação aplicados à web para converter visitantes em compradores. Apresenta os autores e suas formações, define web 1.0, 2.0 e 3.0, explica o que são sistemas de recomendação e como funcionam, e discute como esses sistemas podem ser aplicados no e-commerce para aumentar conversões, vendas e fidelização de clientes.
O documento discute vários tópicos relacionados à pesquisa de marketing, incluindo questões que podem ser respondidas por pesquisas de marketing, tipos de pesquisas, conceitos importantes como amostragem, e escalas de medição usadas em pesquisas.
Este white paper discute sistemas de recomendação, apresentando seus benefícios, tipos possíveis e a importância da inteligência para fazer recomendações eficazes. Ele também apresenta o TUILUX, um serviço de recomendação inteligente brasileiro, destacando suas principais funcionalidades, processo de integração e modelo de negócios.
O que e Neo4j? Surprise? Nessa talk comento um pouco sobre o que são cada uma dessas ferramentas e pq a escolha do uso dela em um sistema de recomendação.
Palestra realizada por Marcel Ayres (sócio da PaperCliQ e SOMMAR) na 3ª Imersão em Mídias Sociais - Vitória / ES (2013) - http://www.eventodemidiassociais.com.br/
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu siteEmanuel Santos Lima
Tema: Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site.
Palestra Apresentada no 1º WordCamp Fortaleza ocorrido nos dias 13 e 14 de Agosto. https://fortaleza.wordcamp.org/2016/
Davi Silva e Izabela Amaral - Oferecendo soluções de negócio mais assertivas ...DevCamp Campinas
Palestra DevCamp 2018 - Davi Silva e Izabela Amaral: Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
O documento discute os conceitos e aplicações da inteligência artificial e aprendizagem profunda, incluindo redes neurais convolucionais, recorrentes e autoencoders. Também aborda tópicos como deep learning, hardware para IA, conclusões e desafios futuros.
[Jose Ahirton Lopes] ML na Sala de AulaAhirton Lopes
O documento discute como a ciência de dados e a inteligência artificial estão mudando a educação no Brasil. Ele explica como a IA pode permitir aprendizagem diferenciada e acessibilidade, além de auxiliar professores e administradores. O autor também descreve um sistema de detecção precoce de risco de evasão escolar desenvolvido para redes públicas de São Paulo usando aprendizagem de máquina.
Mais conteúdo relacionado
Semelhante a [Jose Ahirton Lopes] Algoritmos de Recomendacao II
03 - Inteligencia Artificial e Aprendizado de Maquina.pptxIvairLima3
O documento discute sistemas de recomendação, incluindo:
1) Sistemas de recomendação usam algoritmos e análise de dados para fazer recomendações personalizadas aos usuários com base em seus perfis e preferências.
2) A filtragem colaborativa recomenda itens com base nas preferências de usuários similares, enquanto a filtragem baseada em conteúdo analisa os atributos dos itens já consumidos pelo usuário.
3) Sistemas híbridos combinam diferentes abordagens para obter melhores resultados,
O documento discute técnicas de filtragem colaborativa, começando com os desafios do método, como dispersão de dados e escalabilidade. Em seguida, aborda duas abordagens: model-based, que gera modelos dos dados; e memory-based, que usa os dados brutos. Estuda casos como o Tapestry e compara algoritmos, concluindo que o item-to-item collaboration filtering da Amazon tem melhor desempenho em grandes conjuntos de dados.
1) O documento discute sistemas de recomendação, comparando filtragem colaborativa e baseada em conteúdo.
2) A filtragem colaborativa usa dados de outros usuários para fazer recomendações, enquanto a baseada em conteúdo analisa características dos itens.
3) Sistemas híbridos combinam essas abordagens para superar limitações individuais.
Um Estudo de Caso para verificar a suscetibilidade a incentivos de avaliadore...Leandro Ciuffo
O documento descreve um estudo de caso que investigou se incentivos financeiros poderiam motivar usuários a fornecer avaliações mais honestas em um sistema de recomendação de filmes. O estudo comparou o número e a qualidade das avaliações fornecidas por usuários em diferentes condições: sem incentivo, com incentivo aberto e usando o modelo HYRIWYG, que oferece incentivos proporcionais à qualidade da avaliação. Os resultados sugerem que o HYRIWYG aumentou a quantidade de avaliações, mas o incentivo oferecido não foi suficiente para
Sistemas de Recomendação e Inteligência ColetivaMarcel Caraciolo
Marcel Pinheiro Caraciolo discute sistemas de recomendação, incluindo como eles funcionam para personalizar a experiência de compra do usuário, como filtragem colaborativa, de conteúdo e híbrida, e como as recomendações são avaliadas e apresentadas aos usuários.
O documento apresenta uma palestra sobre sistemas de recomendação na web. A palestra discute o que são sistemas de recomendação, como eles funcionam, exemplos de sistemas de recomendação, e desafios e tendências na área.
O documento discute o uso de sistemas de recomendação para aumentar os lucros de uma videolocadora. O sistema recomenda itens para os usuários com base nas correlações entre o conteúdo dos itens e as preferências do usuário, como filmes do mesmo gênero ou CDs de artistas semelhantes. O sistema compara os novos itens com os modelos de usuário para recomendar aqueles com maior similaridade.
Oferecendo soluções mais assertivas para os usuários de um serviço combinan...belaamaral
O documento discute como combinar pesquisa de experiência do usuário (UX Research) e aprendizado de máquina (Machine Learning) para fornecer soluções mais assertivas para usuários de serviços. O documento explica o papel do pesquisador de UX, como criar experimentos usando técnicas como K-Nearest Neighbors para validar hipóteses, e os próximos passos após a conclusão dos experimentos.
O documento discute sistemas de recomendação, que surgiram para auxiliar no processo de indicar e receber indicações de acordo com os interesses de cada usuário. Vários modelos de recomendação são descritos, incluindo recomendações colaborativas baseadas na similaridade entre perfis de usuários, recomendações baseadas em conteúdo que analisam descrições de itens, e modelos híbridos. Técnicas como k-vizinhos mais próximos e coeficiente de correlação de Pearson são usadas para gerar recomendações
Este documento apresenta uma revisão bibliográfica sobre sistemas de recomendação, discutindo: 1) A importância dos sistemas de recomendação para personalizar sistemas e aumentar vendas; 2) Como os sistemas de recomendação usam perfis de usuários para fornecer itens relevantes; 3) Os aspectos necessários para criar perfis de usuários, incluindo identidade, reputação e coleta de informações.
O documento discute as três dimensões da busca (o que, como e quem), os três canais de tráfego (buscas tradicionais, feeds e buscas em redes sociais), e os elementos sociais que devem ser considerados para otimização. Fatores atuais como landing page optimization, enquetes no site, e dominação em SERPs também são abordados, assim como novos sinais de relevância como autoridade da marca e associação de entidades.
As comunidades do Orkut como ferramentas de e-CRMPatrícia Moura
1) O documento discute o uso das comunidades do Orkut como ferramentas de relacionamento com clientes (e-CRM) no Brasil.
2) A autora analisa como as comunidades virtuais podem ser usadas para identificar hábitos de consumidores, melhorar produtos e serviços e satisfazer demandas dos clientes.
3) Um caso específico da empresa Ntime é apresentado para ilustrar como as comunidades do Orkut podem ser usadas para pesquisas de mercado e recebimento de feedback de clientes.
Sistemas de Recomendação Aplicados a WebComo converter visitantes em comprado...Arthur Fortes
O documento discute sistemas de recomendação aplicados à web para converter visitantes em compradores. Apresenta os autores e suas formações, define web 1.0, 2.0 e 3.0, explica o que são sistemas de recomendação e como funcionam, e discute como esses sistemas podem ser aplicados no e-commerce para aumentar conversões, vendas e fidelização de clientes.
O documento discute vários tópicos relacionados à pesquisa de marketing, incluindo questões que podem ser respondidas por pesquisas de marketing, tipos de pesquisas, conceitos importantes como amostragem, e escalas de medição usadas em pesquisas.
Este white paper discute sistemas de recomendação, apresentando seus benefícios, tipos possíveis e a importância da inteligência para fazer recomendações eficazes. Ele também apresenta o TUILUX, um serviço de recomendação inteligente brasileiro, destacando suas principais funcionalidades, processo de integração e modelo de negócios.
O que e Neo4j? Surprise? Nessa talk comento um pouco sobre o que são cada uma dessas ferramentas e pq a escolha do uso dela em um sistema de recomendação.
Palestra realizada por Marcel Ayres (sócio da PaperCliQ e SOMMAR) na 3ª Imersão em Mídias Sociais - Vitória / ES (2013) - http://www.eventodemidiassociais.com.br/
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu siteEmanuel Santos Lima
Tema: Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site.
Palestra Apresentada no 1º WordCamp Fortaleza ocorrido nos dias 13 e 14 de Agosto. https://fortaleza.wordcamp.org/2016/
Davi Silva e Izabela Amaral - Oferecendo soluções de negócio mais assertivas ...DevCamp Campinas
Palestra DevCamp 2018 - Davi Silva e Izabela Amaral: Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning
Semelhante a [Jose Ahirton Lopes] Algoritmos de Recomendacao II (20)
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
O documento discute os conceitos e aplicações da inteligência artificial e aprendizagem profunda, incluindo redes neurais convolucionais, recorrentes e autoencoders. Também aborda tópicos como deep learning, hardware para IA, conclusões e desafios futuros.
[Jose Ahirton Lopes] ML na Sala de AulaAhirton Lopes
O documento discute como a ciência de dados e a inteligência artificial estão mudando a educação no Brasil. Ele explica como a IA pode permitir aprendizagem diferenciada e acessibilidade, além de auxiliar professores e administradores. O autor também descreve um sistema de detecção precoce de risco de evasão escolar desenvolvido para redes públicas de São Paulo usando aprendizagem de máquina.
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
A inteligência artificial (IA) é um campo multidisciplinar da ciência cujo objetivo é criar máquinas inteligentes; mais especificamente, IA é um multiplicador de forças no progresso tecnológico, tendo em vista nosso mundo cada vez mais digital e orientado a dados. A verdade é que tudo ao nosso redor hoje, desde a cultura até os produtos de consumo, são produtos da inteligência. Nesta apresentação pretende-se demonstrar um pouco do progresso exponencial em IA atual, com foco nos desenvolvimentos mais recentes.
[Jose Ahirton Lopes] ML na sala de aulaAhirton Lopes
Data generated through daily monitoring of students and teachers in both traditional learning and e-learning environments can be used to design education-related improvements such as better recommendation of teaching materials, creation of personalized study plans and even generate predictions about student performance, for example, avoiding student dropout. All of these tasks were attacked by state-of-the-art Machine Learning algorithms. In this presentation, we will have an immersive experience with some of these designs and algorithms, so we can see what comes next.
O documento discute como vieses cognitivos e fatores sócio-culturais afetam nossos algoritmos de IA e como a tecnologia pode ser usada de forma positiva ou negativa dependendo de como é projetada. Ele também apresenta exemplos de aplicações de IA em diferentes setores e discute a importância de se entender o funcionamento de sistemas de aprendizagem para que a tecnologia beneficie a todos.
[Jose Ahirton Lopes] O que se espera da tal equipe de dadosAhirton Lopes
Gave the talk "What to expect from the so called Data Squad?" about tendencies and technologies being used in the latest data science projects as well as explaining abou the different roles in a data squad such as Data Scientists, Data Engineers, Data Analysts and Machine Learning Engineers. Auditório João Calvino - Universidade Presbiteriana Mackenzie.
[Jose Ahirton Lopes] Detecção Precoce de Estudantes em Risco de Evasão Usan...Ahirton Lopes
Este documento descreve um projeto de detecção precoce de estudantes em risco de evasão escolar na rede pública estadual de São Paulo usando dados administrativos e aprendizagem de máquina. A metodologia envolveu análise de dados do site da Secretaria de Educação para identificar atributos relevantes e modelagem do problema como classificação binária. Os resultados preliminares mostraram taxa de acurácia de até 91,9% na identificação de estudantes em risco.
[Jose Ahirton Lopes] Transfer Learning e GANS 101Ahirton Lopes
O documento discute transfer learning, redes adversárias gerativas (GANs) e deep fakes. Explica que o transfer learning permite reutilizar modelos de classificação treinados anteriormente em novos domínios ou tarefas relacionadas. Também descreve GANs, que treinam redes geradoras e discriminadoras simultaneamente para gerar novos dados realistas, e como isso pode ser usado para criar deep fakes.
The document discusses Generative Adversarial Networks (GANs) and how they work with representations to build new knowledge. It introduces GANs and explains them over the course of multiple slides. The presentation aims to provide an introduction to GANs and how they can systematically provoke confusion to promote creativity.
1. O documento descreve os conceitos de redes neurais artificiais, incluindo neurônios biológicos, perceptrons, redes perceptron multicamadas e o algoritmo backpropagation.
2. Perceptrons podem aprender funções linearmente separáveis, mas não a função XOR. Redes perceptron multicamadas podem aprender conceitos mais complexos usando múltiplas camadas ocultas.
3. O algoritmo backpropagation usa retropropagação do erro para ajustar os pesos de uma rede multicamada, minimizando o erro entre as saídas da rede
[Jose Ahirton Lopes] Transfer Learning e GANs 101Ahirton Lopes
O documento discute transfer learning e GANs. Ele explica como o conhecimento prévio pode ser reutilizado em novos modelos de aprendizado de máquina através de transfer learning ou redes adversárias generativas. Transfer learning pode ajudar a aplicar classificadores existentes a novos problemas ou domínios, enquanto GANs geram novos dados sintéticos que imitam os dados reais.
[Jose Ahirton Lopes] ML na Sala de AulaAhirton Lopes
No dia 24/06 palestrei num dos maiores meetups fomentados por empresa na área de IA e Data Science, o da comunidade NuBank Data Science & Machine Learning que acontece no auditório da empresa.
Nesta palestra mostro um pouco do que tem sido feito em IA em prol de melhorias para a Educação a nível global.
[Jose Ahirton Lopes] ML na sala de aulaAhirton Lopes
Slides apresentados durante a palestra "ML na sala de aula: como a IA está mudando a educação em todo o mundo". Nesta apresentação, tivemos uma experiência imersiva com alguns dos projetos mais estado da arte em educação e IA/ML, assim como a demonstração de alguns algoritmos, de modo que pudemos visualizar o que vem a seguir.
[Jose Ahirton Lopes] O que se espera do tal Cientista de DadosAhirton Lopes
O documento discute o que é esperado de um Cientista de Dados. Ele define o que a Ciência de Dados não é e o que ela é, incluindo que ela abrange técnicas de Business Intelligence, Data Mining e Machine Learning. O documento também discute os desafios da área, como a falta de profissionais qualificados e a necessidade de reestruturação de currículos universitários.
[Jose Ahirton lopes] Do Big ao Better DataAhirton Lopes
Dia 09/04/2019 conseguimos lotar a IBM com muito conhecimento sobre Inteligência Artificial, Big Data e Tensorflow e eu estava mais que bem acompanhado pelos excelentes Sergio Gama, Fabio Gandour e Romeo Kienzler.
Nesta apresentação mostro o básico do desenvolvimento em Deep Learning, novas técnicas, aplicações atuais e futuras e faço algumas discussões a respeito do que vem por aí num futuro cada vez mais próximo.
[Ahirton Lopes e Rafael Arevalo] Deep Learning - Uma Abordagem VisualAhirton Lopes
O documento discute deep learning, incluindo conceitos como redes neurais profundas, aprendizagem profunda, aprendizagem por reforço profundo e aprendizagem não supervisionada. Também aborda ferramentas como computação quântica e chips cognitivos, além de aplicações atuais e futuras de deep learning.
[José Ahirton Lopes e Rafael Arevalo] Aula 01 - Robótica e IOTAhirton Lopes
O documento fornece uma introdução sobre robótica e Internet das Coisas (IoT). Apresenta definições e histórico dessas tecnologias, áreas relacionadas como inteligência artificial, e como IoT e robótica podem impulsionar novos negócios. Inclui também detalhes sobre plataformas cognitivas e uma atividade prática proposta.
[Aula 01] School of AI SP - Back to BasicsAhirton Lopes
O documento discute conceitos de ciência de dados, incluindo o que é e não é ciência de dados, desafios da área, e o conteúdo de um curso de introdução à ciência de dados.
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem VisualAhirton Lopes
O documento resume os principais conceitos e aplicações de deep learning. Ele explica como as redes neurais profundas aprendem representações abstratas de dados através de múltiplas camadas e como são treinadas usando gradiente descendente. Também discute redes convolucionais, recorrentes e autoencoders, e como o deep learning está sendo aplicado em áreas como geração de legendas, processamento de linguagem natural e visão computacional.
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem VisualAhirton Lopes
Nesta palestra são apresentados os principais conceitos em Aprendizagem Profunda (do inglês, Deep Learning), ou seja, a utilização de topologias de Redes Neurais as quais envolvem várias camadas escondidas, tais como explanações quanto a estrutura de neurônios artificiais, funções de ativação, como se dá o fluxo de treinamento, regra do gradiente descendente bem como demonstração das principais aplicações tais como Deep Autoencoders (compressão e descompressão de arquivos de áudio, vídeo etc.), CNNs (redes neurais convolucionais), RNNs (redes neurais recorrentes) dentre outros se utilizando de Keras, TensorFlow etc.
4. Roteiro
Histórico da área;
Conceitos básicos em sistemas de recomendação;
Recomendação baseada em conteúdo vs. filtragem colaborativa;
Casos de uso;
Demo e novas possibilidades.
5. Sistemas de Recomendação
O objetivo dos sistemas de recomendação é gerar recomendações
válidas para um conjunto de usuários de itens que possam
interessá-los (MELVILLE; SINDHWANI, 2010);
Personalizados vs. não personalizados;
“Obter recomendações de fontes confiáveis é um componente
importante do processo natural de tomada de decisões”
(MELVILLE; SINDHWANI, 2010);
Estímulo ao consumo.
6. Sistemas de Recomendação
Problema com sobrecarga de informações;
Mais opções nem sempre é melhor.
As pessoas geralmente apoiam-se em recomendações de outras
pessoas para suas decisões diárias;
Área de pesquisa independente surgiu nos anos 90;
Interesse crescente:
Papel importante em sites altamente conceituados;
Conferências e workshops dedicados ao tema;
Sessões em conferências de outras áreas;
Cursos dedicados à área;
Edições especiais em revistas acadêmicas.
7.
8.
9. Sistemas de Recomendação
Músicas (ex. Spotify), Livros (ex. Amazon) e Filmes (ex. Netflix);
Recomendação de itens em eCommerce;
Recomendações de conteúdos em ambientes de eLearning;
Recomendação de links em ambientes de busca e navegação;
Ajudar pessoas (clientes, usuários) a tomar decisões;
Recomendação baseada em preferências:
De um indivíduo;
De um grupo ou comunidade.
10. Tipos de Sistemas de Recomendação
Baseados em conteúdo (Content Based) - usando as preferências pessoais
para corresponder e filtrar itens;
Por exemplo. Que tipo de livros eu gosto?
Filtragem Colaborativa (Collaborative Filtering) – combinam-se pessoas com
a mesma opinião;
Por exemplo. Se duas pessoas tiverem "gosto" semelhante, pode-se
recomendar itens consumidos por um para o outro.
Software social - o processo de recomendação é suportado mas não
automatizado;
Por exemplo. Weblogs fornecem um meio para recomendação.
Mineração de Dados Sociais - Registra dados de atividade social para
aprender as preferências do grupo ;
Por exemplo. Mineração de dados com base no de uso da web.
Nós nos concentraremos em CB e CF.
11. Recomendação Baseada em
Conteúdo
“Encontre-me coisas das quais eu gostei no passado”;
A máquina aprende as preferências por meio do feedback do
usuário, criando assim um perfil;
Feedback explícito – usuários avaliam itens;
Feedback implícito - o sistema registra as atividades do usuário;
Dados de clickstream classificados de acordo com a categoria e atividade
da página, por ex. navegando em uma página de produto;
Tempo gasto em uma atividade, tal como navegar em uma página.
A recomendação é visualizada como um processo de pesquisa,
com o perfil do usuário atuando como a consulta e o conjunto
de itens atuando como os documentos a serem correspondidos.
12. Filtragem Colaborativa
São combinadas pessoas com interesses semelhantes como
base para a recomendação:
Muitas pessoas devem participar para se tornar provável que
uma pessoa com interesses semelhantes seja, de fato,
encontrada;
Deve haver uma maneira simples de as pessoas expressarem
seus interesses;
Deve haver um algoritmo eficiente para corresponder pessoas
com interesses semelhantes.
13. Como funciona?
Usuários votam nos itens - interesses do usuário são
registrados. Classificações podem ser:
Explicitas: por ex. comprando ou classificando um item;
Implícitas: por ex. tempo de navegação, no. de cliques do
mouse.
Correspondência de vizinho mais próximo usado para
encontrar pessoas com interesses semelhantes;
Itens que os vizinhos classificaram positivamente, mas
que você não avaliou são recomendados a você;
O usuário pode avaliar os itens recomendados.
14. Exemplo de matriz de filtragem colaborativa CF MxN (M
usuários x N itens)
Items /
Usuários
Data
Mining
Engines
de
Busca
Bases
de
Dados
XML
John 1 5 4
George 2 3 4
Paul 4 5 2
Ringo 4 5
15. Observações
Pode-se construir um vetor para cada usuário (onde 0 implica
que um item não tenha classificação);
Por exemplo. para André: <1,0,5,4>
Por exemplo. para Menotti: <0,0,4,5>
Em média, os vetores do usuário são escassos, já que os
usuários classificam (ou compram) apenas alguns itens;
A similaridade ou correlação vetorial pode ser usada para
encontrar o vizinho mais próximo (Algoritmo KNN etc.);
Por exemplo. Maria mais próxima de Joana e depois de
Reinaldo.
16. Exemplo - Netflix
Importância da Recomendação no Netflix:
Em 2006, criou uma competição que premiaria em 1
milhão de dólares quem conseguisse melhorar seu
algoritmo (Netflix Prize);
Em 2012, 75% do conteúdo visualizado do Netflix foi
proveniente de algum tipo de recomendação;
Maior importância: personalização das recomendações ao
usuário ativo, a ordenação dos itens recomendados é o
parâmetro principal.
17. Exemplo - Netflix
Netflix Prize:
$1 milhão ao vencedor;
Critério de vitória: superar o RMSE (Raiz quadrada do erro-
médio) do algoritmo existente da Netflix (0,9525) em pelo
menos 10%;
Prêmio melhor progresso anual: $50 mil;
Início em 2006 e término em 2009;
Vencedor do primeiro Prêmio de Progresso:
Equipe da Korbell
8,43% de melhoria;
Conjunto de 107 algoritmos. Dois algoritmos aproveitados:
Matrix Factorization e Restricted Boltzmann Machines.
18. Exemplo - Netflix
Melhor Resultado: BellKor’s Pragmatic Chaos
Melhoria de 10,06%.
19. Exemplo - Netflix
Sistema de Recomendação Netflix
Recomendações arranjadas em grupos colocados em linhas, e cada
coluna é um item do grupo.
20. Exemplo - Netflix
Principais Parâmetros de Recomendação:
Semelhança (ou Similaridade);
Amigos (social);
Popularidade;
Gênero (ou Categoria);
Outros parâmetros podem incluir localização geográfica do
usuário ou dados retirados de seu perfil ou outros acessos.
Algoritmos observam estes parâmetros em conjunto, não
separados.
24. Netflix – Parâmetros Analisados
Popularidade:
Por meio da avaliação dos usuários para os itens assistidos;
Por meio do número de visualizações dos itens, tanto
parciais quanto totais (peso maior dado a visualizações
totais);
Netflix possui um mecanismo para medir a popularidade
de itens no Facebook e em outras mídias, não apenas em
seu sistema.
25. Netflix – Parâmetros Analisados
Gêneros:
Trata-se da organização dos filmes em linhas determinadas por gêneros.
Os gêneros de alto nível, mais comuns, são os que geralmente se
enquadram os filmes: comédias, dramas, suspense, terror, ação, etc.
Filmes também podem ser enquadrados em subgêneros diversos.
Ordenação:
Encontrar a melhor ordem para exibição de itens de cada arranjo;
Analisa e atribui ordem de acordo com um ou mais critérios de
preferência do usuário ou popularidade do item;
É considerada muito importante ao Netflix, pois é fator principal da
personalização usuário – serviço.
27. Dificuldades da Filtragem Colaborativa
Problema de escassez - quando muitos dos itens não foram
avaliados por muitas pessoas, pode ser difícil encontrar pessoas
"que tenham a mesma opinião”;
Primeiro problema do avaliador - o que acontece se um item
não tiver sido classificado por ninguém;
Cold start – o que acontece com usuários novos?
Problemas de privacidade;
28. Dificuldades da Filtragem Colaborativa
Pode-se combinar recomendações CF com os recomendados pela
recomendação CB;
Usar a abordagem CB para pontuar alguns itens não
classificados.
Em seguida, usar CF para recomendações;
Serendipity - recomendo para mim algo que eu não conheço.
Dicionário de Oxford: a ocorrência e desenvolvimento de eventos
ao acaso de uma forma feliz ou benéfica.
29.
30. “É preciso provocar sistematicamente
confusão. Isso promove a criatividade.
Tudo aquilo que é contraditório gera
vida ”
Salvador Dalí