Luana da Silva, profile picture
Carregado porLuana da Silva
PDF, PPTX96 visualizações

Machine Learning: introdução e aplicações

O documento apresenta uma introdução sobre aprendizado de máquina, incluindo conceitos importantes, tipos de aprendizado e aplicações. É dividido em seções tratando de introdução, conceitos, tipos de aprendizado supervisionado, não-supervisionado e por reforço, avaliação de algoritmos e considerações finais.

Dados e análise◦
Tópicos relacionados:
Data Science Insights•

Incorporar apresentação

Transferir como PDF, PPTX
Machine Learning: introdução e aplicações Luana da Silva1 1Programa de Pós-Graduação em Ciência da Informação eca.luds@gmail.com 17 de Maio de 2019 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 1 / 49
Sumário 1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 2 / 49
1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 3 / 49
Introdução Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 4 / 49
Introdução Fonte: https://www.inrule.com/resources/blog/business-rules-and-machine-learning/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 5 / 49
Introdução Fonte: http://www.smdi.com/evolution-machine-learning Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 6 / 49
1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 7 / 49
Conceitos Importantes Machine Learning Machine Learning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
Conceitos Importantes Machine Learning Machine Learning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
Conceitos Importantes Machine Learning Machine Learning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. O modelo pode ser preditivo para fazer predições no futuro, ou descritvo para ganhar conhecimento a partir dos dados, ou ambos. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
Conceitos Importantes Machine Learning Machine Learning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. O modelo pode ser preditivo para fazer predições no futuro, ou descritvo para ganhar conhecimento a partir dos dados, ou ambos. Duas fontes: teoria estatística e computação. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
Conceitos Importantes Processo de Machine Learning Fonte: https://hackernoon.com/a-brief-overview-of-automatic-machine-learning-solutions- automl-2826c7807a2a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 9 / 49
Conceitos Importantes Erros de predição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
Conceitos Importantes Erros de predição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Queremos fazer um modelo ˆf (x) usando algum modelo. O erro esperado é: Err(x) = E[(y − ˆf (x))2 ] (2) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
Conceitos Importantes Erros de predição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Queremos fazer um modelo ˆf (x) usando algum modelo. O erro esperado é: Err(x) = E[(y − ˆf (x))2 ] (2) Esse erro pode ser decomposto em: Err(x) = Bias2 + Variance + IrreducibleError (3) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
Conceitos Importantes Erros de predição: Bias-Variance Tradeoff Fonte: https://towardsdatascience.com/understanding-the-bias-variance-tradeoff-165e6942b229 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 11 / 49
1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 12 / 49
Tipos de Aprendizado Podem ser classificados em: Supervisionados Não Supervisionados Aprendizado por reforço Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 13 / 49
Tipos de Aprendizado Fonte: Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 14 / 49
Aprendizado Supervisionado Classificação Fonte: Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 15 / 49
Aprendizado Supervisionado Classificação Fonte: https://dzone.com/articles/deep-learning-and-the-artificial-intelligence-revo-5 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 16 / 49
Aprendizado Supervisionado Classificação Reconhecimento de imagens Fonte: https://www.engadget.com/2014/09/08/google-details-object-recognition-tech/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 17 / 49
Aprendizado Supervisionado Classificação Análise de Sentimento baseado em texto Fonte: https://www.ubuntupit.com/top-20-best-machine-learning-applications-in-real-world/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 18 / 49
Aprendizado Supervisionado Regressão Fonte: Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 19 / 49
Aprendizado Supervisionado Regressão Fonte: https://dzone.com/articles/deep-learning-and-the-artificial-intelligence-revo-5 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 20 / 49
Aprendizado Supervisionado Regressão Previsão do preço de ações Fonte: https://towardsdatascience.com/stock-prediction-in-python-b66555171a2 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 21 / 49
Fonte: https://www.redbubble.com/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 22 / 49
Aprendizado Não-Supervisionado Agrupamento Fonte: Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 23 / 49
Aprendizado Não-Supervisionado Agrupamento Fonte: https://mubaris.com/posts/kmeans-clustering/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 24 / 49
Aprendizado Não-Supervisionado Agrupamento Fonte: https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to- know-a36d136ef68 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 25 / 49
Aprendizado Não-Supervisionado Agrupamento Categorização de notícias Fonte: https://www.ubuntupit.com/top-20-best-machine-learning-applications-in-real-world/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 26 / 49
Aprendizado Não-Supervisionado Agrupamento Categorização de pareceres do MPSC para melhoria do sistema de busca Fonte: http://networkscience.com.br/wp-content/uploads/2018/11/IISINS_EScience_DadosAberto Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 27 / 49
Aprendizado por Reforço Fonte: Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 28 / 49
Aprendizado por Reforço Fonte: https://medium.freecodecamp.org/a-brief-introduction-to-reinforcement-learning- 7799af5840db Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 29 / 49
Aprendizado por Reforço Fonte: https://towardsdatascience.com/introduction-to-machine-learning-for-beginners- eed6024fdb08 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 30 / 49
Aprendizado por Reforço Sistema multi-agentes para controle de tráfego Fonte: Arel et al., 2010 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 31 / 49
Outros Algoritmos de Aprendizado de Máquina Aprendizado Semi-supervisionado Fonte: https://www.slideshare.net/Hadoop_Summit/semisupervised-learning-in-an-adversarial- environment Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 32 / 49
Outros Algoritmos de Aprendizado de Máquina Weakly Supervised Learning Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 33 / 49
Outros Algoritmos de Aprendizado de Máquina Weakly Supervised Learning Fonte: Zhou, 2017 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 34 / 49
Outros Algoritmos de Aprendizado de Máquina Fonte: https://towardsdatascience.com/introduction-to-machine-learning-for-beginners- eed6024fdb08 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 35 / 49
1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 36 / 49
Avaliação de Classificadores Matriz de Confusão Acurácia Precisão e Revocação Medida F Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 37 / 49
Avaliação de Classificadores Matrix de Confusão Fonte: Rao e Gudivada, 2018 Precisão (P) = TP TP + FP Revocação (R) = TP TP + FN Medida F = 2PR P + R Acurácia = TP + TN TP + TN + FP + FN Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 38 / 49
Avaliação de Regressão RMSE (Root Mean Squared Error) MAPE (Mean Absolute Percentage Error) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 39 / 49
Avaliação de Regressão RMSE Fonte: https://www.hatarilabs.com/ih-en/how-to-calculate-the-root-mean-square-error-rmse-of- an-interpolated-ph-rasterLuana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 40 / 49
Avaliação de Regressão MAPE Mais robusto ao efeito dos outliers. Fonte: https://www.dataquest.io/blog/understanding-regression-error-metrics/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 41 / 49
Avaliação de Agrupamento Principal problema: número de clusters Método Elbow Método Silhouette Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 42 / 49
Avaliação de Agrupamento Método Elbow Calcula a soma dos quadrados das distâncias entre os pontos e o centróide do cluster. Fonte: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation- methods-and-drawbacks-aa03e644b48a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 43 / 49
Avaliação de Agrupamento Método Silhouette Calcula o grau de separação entre os clusters. Fonte: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation- methods-and-drawbacks-aa03e644b48a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 44 / 49
1 Introdução 2 Conceitos Importantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 45 / 49
Considerações Finais Vimos várias coisas.. Como o processo de Machine Learning funciona Alguns tipos de algoritmos de Machine Learning As métricas usadas para medir performance dos modelos E muuitas aplicações! Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 46 / 49
Considerações Finais Para aprofundar: A Tour on Machine Learning Algorithms Facebook AI Research Uber AI Google AI Research Towards Data Science Netflix TechBlog Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 47 / 49
Referências Alpaydin, Ethem (2009). Introduction to machine learning. MIT press. Arel, Itamar et al. (2010). “Reinforcement learning-based multi-agent system for network traffic signal control”. Em: IET Intelligent Transport Systems 4.2, pp. 128–135. Rao, CR e Venkat N Gudivada (2018). Computational Analysis and Understanding of Natural Languages: Principles, Methods and Applications. Vol. 38. Elsevier. Zhou, Zhi-Hua (2017). “A brief introduction to weakly supervised learning”. Em: National Science Review 5.1, pp. 44–53. Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 48 / 49
LinkedIn: linkedin.com/in/luanadasilva GitHub: github.com/silva-luana E-mail: eca.luds@gmail.com Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 49 / 49

Mais conteúdo relacionado

PDF
Introdução à aprendizado de máquina - ESX 2016
porCharles Mendes de Macedo
 
PDF
Apresentção sobre machine learning, IA, inteligencia artificial
porElberOliveira6
 
PDF
Estatística VS. Machine Learning
porSanta Catarina Federal University
 
PPTX
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
porLabs Alfacon
 
PDF
Semana 1 - Videoaula 1 - Aplicações em Aprendizado de Máquina - COM340.pdf
porDianaMendesPimenta
 
PDF
Machine learning - O que é isso?
porVinicius Mesel
 
PPTX
First Big Data Week
porHélio Silva
 
PPTX
Introdução a Machine learning (Aprendizado de Máquina)
porMateus Moraes Pinto
 
Introdução à aprendizado de máquina - ESX 2016
porCharles Mendes de Macedo
 
Apresentção sobre machine learning, IA, inteligencia artificial
porElberOliveira6
 
Estatística VS. Machine Learning
porSanta Catarina Federal University
 
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
porLabs Alfacon
 
Semana 1 - Videoaula 1 - Aplicações em Aprendizado de Máquina - COM340.pdf
porDianaMendesPimenta
 
Machine learning - O que é isso?
porVinicius Mesel
 
First Big Data Week
porHélio Silva
 
Introdução a Machine learning (Aprendizado de Máquina)
porMateus Moraes Pinto
 

Semelhante a Machine Learning: introdução e aplicações

PDF
[DTC21] Raphael Castilho - Começando com Inteligência Artificial e Machine Le...
porDeep Tech Brasil
 
PDF
Aprendizado_de_Maquina. maps mentais em pdf
porGustavoGarcia630484
 
PPTX
Definição e Conceitos sobre Machine Learning
porpedro381147
 
PDF
Inteligência Artificial
porLincolm Aguiar
 
PDF
Machine Learning com Python e Scikit-learn
porChristian Perone
 
PDF
Aprendizagem de máquina aplicada na neurociência
porWalter Hugo Lopez Pinaya
 
PPT
Introdução a Aprendizado de maquina (ML)
porApebNetherlands
 
PDF
“Ativando inteligência com Big Data”.
pordigitaltuesday
 
PDF
Machine learning
porJoão Paulo Marinho Martins
 
PPTX
Ativando Inteligência com Big Data
porHélio Silva
 
PDF
Ci171 intro
porProfDheiverSantos
 
PDF
Aula de machine-learning-slides2020-p4.pdf
porMuriloQuenzer
 
PDF
Aprendizado de máquina
porparasite
 
PDF
Data science no marketing - Estatistica e Computacao para entender o Consumidor
porLeonardo Naressi
 
PDF
Machine Learning É um ramo da inteligên
porSostenesDias2
 
PDF
Web Machine Learning: Aplicações Web Modernas e Inteligentes utilizando técni...
porJoão Gabriel Lima
 
PPTX
Machine Learning e Artificial Intelligence para desenvolvedores .NET
porRenato Haddad
 
PPTX
1º Meetup de Machine Learning BH
porPredictBox.io
 
PPTX
Aprendizado de Máquina
porbutest
 
PDF
Aula 01 - O Aprendizado de Máquina IA.pdf
porjsb24
 
[DTC21] Raphael Castilho - Começando com Inteligência Artificial e Machine Le...
porDeep Tech Brasil
 
Aprendizado_de_Maquina. maps mentais em pdf
porGustavoGarcia630484
 
Definição e Conceitos sobre Machine Learning
porpedro381147
 
Inteligência Artificial
porLincolm Aguiar
 
Machine Learning com Python e Scikit-learn
porChristian Perone
 
Aprendizagem de máquina aplicada na neurociência
porWalter Hugo Lopez Pinaya
 
Introdução a Aprendizado de maquina (ML)
porApebNetherlands
 
“Ativando inteligência com Big Data”.
pordigitaltuesday
 
Machine learning
porJoão Paulo Marinho Martins
 
Ativando Inteligência com Big Data
porHélio Silva
 
Ci171 intro
porProfDheiverSantos
 
Aula de machine-learning-slides2020-p4.pdf
porMuriloQuenzer
 
Aprendizado de máquina
porparasite
 
Data science no marketing - Estatistica e Computacao para entender o Consumidor
porLeonardo Naressi
 
Machine Learning É um ramo da inteligên
porSostenesDias2
 
Web Machine Learning: Aplicações Web Modernas e Inteligentes utilizando técni...
porJoão Gabriel Lima
 
Machine Learning e Artificial Intelligence para desenvolvedores .NET
porRenato Haddad
 
1º Meetup de Machine Learning BH
porPredictBox.io
 
Aprendizado de Máquina
porbutest
 
Aula 01 - O Aprendizado de Máquina IA.pdf
porjsb24
 

Machine Learning: introdução e aplicações

  • 1.
    Machine Learning: introduçãoe aplicações Luana da Silva1 1Programa de Pós-Graduação em Ciência da Informação eca.luds@gmail.com 17 de Maio de 2019 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 1 / 49
  • 2.
    Sumário 1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 2 / 49
  • 3.
    1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 3 / 49
  • 4.
    Introdução Luana da Silva(PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 4 / 49
  • 5.
    Introdução Fonte: https://www.inrule.com/resources/blog/business-rules-and-machine-learning/ Luana daSilva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 5 / 49
  • 6.
    Introdução Fonte: http://www.smdi.com/evolution-machine-learning Luana daSilva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 6 / 49
  • 7.
    1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 7 / 49
  • 8.
    Conceitos Importantes Machine Learning MachineLearning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
  • 9.
    Conceitos Importantes Machine Learning MachineLearning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
  • 10.
    Conceitos Importantes Machine Learning MachineLearning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. O modelo pode ser preditivo para fazer predições no futuro, ou descritvo para ganhar conhecimento a partir dos dados, ou ambos. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
  • 11.
    Conceitos Importantes Machine Learning MachineLearning é programar computadores para otimizar um critério de performance usando dados de exemplo ou experiência passada. Dado que temos um modelo definido para alguns parâmetros, o aprendizado é: a execução de um programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência passada. O modelo pode ser preditivo para fazer predições no futuro, ou descritvo para ganhar conhecimento a partir dos dados, ou ambos. Duas fontes: teoria estatística e computação. Fonte: Alpaydin, 2009 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 8 / 49
  • 12.
    Conceitos Importantes Processo deMachine Learning Fonte: https://hackernoon.com/a-brief-overview-of-automatic-machine-learning-solutions- automl-2826c7807a2a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 9 / 49
  • 13.
    Conceitos Importantes Erros depredição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
  • 14.
    Conceitos Importantes Erros depredição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Queremos fazer um modelo ˆf (x) usando algum modelo. O erro esperado é: Err(x) = E[(y − ˆf (x))2 ] (2) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
  • 15.
    Conceitos Importantes Erros depredição: Bias-Variance Tradeoff Matematicamente, queremos predizer y a partir de x. Assimimos o relacionamento entre as duas como: y = f (x) + e (1) onde e é o termo de erro. Queremos fazer um modelo ˆf (x) usando algum modelo. O erro esperado é: Err(x) = E[(y − ˆf (x))2 ] (2) Esse erro pode ser decomposto em: Err(x) = Bias2 + Variance + IrreducibleError (3) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 10 / 49
  • 16.
    Conceitos Importantes Erros depredição: Bias-Variance Tradeoff Fonte: https://towardsdatascience.com/understanding-the-bias-variance-tradeoff-165e6942b229 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 11 / 49
  • 17.
    1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 12 / 49
  • 18.
    Tipos de Aprendizado Podemser classificados em: Supervisionados Não Supervisionados Aprendizado por reforço Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 13 / 49
  • 19.
    Tipos de Aprendizado Fonte:Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 14 / 49
  • 20.
    Aprendizado Supervisionado Classificação Fonte: Raoe Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 15 / 49
  • 21.
  • 22.
    Aprendizado Supervisionado Classificação Reconhecimento deimagens Fonte: https://www.engadget.com/2014/09/08/google-details-object-recognition-tech/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 17 / 49
  • 23.
    Aprendizado Supervisionado Classificação Análise deSentimento baseado em texto Fonte: https://www.ubuntupit.com/top-20-best-machine-learning-applications-in-real-world/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 18 / 49
  • 24.
    Aprendizado Supervisionado Regressão Fonte: Raoe Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 19 / 49
  • 25.
  • 26.
    Aprendizado Supervisionado Regressão Previsão dopreço de ações Fonte: https://towardsdatascience.com/stock-prediction-in-python-b66555171a2 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 21 / 49
  • 27.
    Fonte: https://www.redbubble.com/ Luana daSilva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 22 / 49
  • 28.
    Aprendizado Não-Supervisionado Agrupamento Fonte: Raoe Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 23 / 49
  • 29.
    Aprendizado Não-Supervisionado Agrupamento Fonte: https://mubaris.com/posts/kmeans-clustering/ Luanada Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 24 / 49
  • 30.
  • 31.
    Aprendizado Não-Supervisionado Agrupamento Categorização denotícias Fonte: https://www.ubuntupit.com/top-20-best-machine-learning-applications-in-real-world/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 26 / 49
  • 32.
    Aprendizado Não-Supervisionado Agrupamento Categorização depareceres do MPSC para melhoria do sistema de busca Fonte: http://networkscience.com.br/wp-content/uploads/2018/11/IISINS_EScience_DadosAberto Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 27 / 49
  • 33.
    Aprendizado por Reforço Fonte:Rao e Gudivada, 2018 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 28 / 49
  • 34.
    Aprendizado por Reforço Fonte:https://medium.freecodecamp.org/a-brief-introduction-to-reinforcement-learning- 7799af5840db Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 29 / 49
  • 35.
    Aprendizado por Reforço Fonte:https://towardsdatascience.com/introduction-to-machine-learning-for-beginners- eed6024fdb08 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 30 / 49
  • 36.
    Aprendizado por Reforço Sistemamulti-agentes para controle de tráfego Fonte: Arel et al., 2010 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 31 / 49
  • 37.
    Outros Algoritmos deAprendizado de Máquina Aprendizado Semi-supervisionado Fonte: https://www.slideshare.net/Hadoop_Summit/semisupervised-learning-in-an-adversarial- environment Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 32 / 49
  • 38.
    Outros Algoritmos deAprendizado de Máquina Weakly Supervised Learning Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 33 / 49
  • 39.
    Outros Algoritmos deAprendizado de Máquina Weakly Supervised Learning Fonte: Zhou, 2017 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 34 / 49
  • 40.
    Outros Algoritmos deAprendizado de Máquina Fonte: https://towardsdatascience.com/introduction-to-machine-learning-for-beginners- eed6024fdb08 Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 35 / 49
  • 41.
    1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 36 / 49
  • 42.
    Avaliação de Classificadores Matrizde Confusão Acurácia Precisão e Revocação Medida F Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 37 / 49
  • 43.
    Avaliação de Classificadores Matrixde Confusão Fonte: Rao e Gudivada, 2018 Precisão (P) = TP TP + FP Revocação (R) = TP TP + FN Medida F = 2PR P + R Acurácia = TP + TN TP + TN + FP + FN Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 38 / 49
  • 44.
    Avaliação de Regressão RMSE(Root Mean Squared Error) MAPE (Mean Absolute Percentage Error) Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 39 / 49
  • 45.
    Avaliação de Regressão RMSE Fonte:https://www.hatarilabs.com/ih-en/how-to-calculate-the-root-mean-square-error-rmse-of- an-interpolated-ph-rasterLuana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 40 / 49
  • 46.
    Avaliação de Regressão MAPE Maisrobusto ao efeito dos outliers. Fonte: https://www.dataquest.io/blog/understanding-regression-error-metrics/ Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 41 / 49
  • 47.
    Avaliação de Agrupamento Principalproblema: número de clusters Método Elbow Método Silhouette Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 42 / 49
  • 48.
    Avaliação de Agrupamento MétodoElbow Calcula a soma dos quadrados das distâncias entre os pontos e o centróide do cluster. Fonte: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation- methods-and-drawbacks-aa03e644b48a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 43 / 49
  • 49.
    Avaliação de Agrupamento MétodoSilhouette Calcula o grau de separação entre os clusters. Fonte: https://towardsdatascience.com/k-means-clustering-algorithm-applications-evaluation- methods-and-drawbacks-aa03e644b48a Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 44 / 49
  • 50.
    1 Introdução 2 ConceitosImportantes 3 Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado por Reforço Outros Algoritmos de Aprendizado de Máquina 4 Avaliação dos algoritmos de Machine Learning Avaliação de Classificadores Avaliação de Regressão Avaliação de Agrupamento 5 Considerações Finais 6 Bibliografia Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 45 / 49
  • 51.
    Considerações Finais Vimos váriascoisas.. Como o processo de Machine Learning funciona Alguns tipos de algoritmos de Machine Learning As métricas usadas para medir performance dos modelos E muuitas aplicações! Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 46 / 49
  • 52.
    Considerações Finais Para aprofundar: ATour on Machine Learning Algorithms Facebook AI Research Uber AI Google AI Research Towards Data Science Netflix TechBlog Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 47 / 49
  • 53.
    Referências Alpaydin, Ethem (2009).Introduction to machine learning. MIT press. Arel, Itamar et al. (2010). “Reinforcement learning-based multi-agent system for network traffic signal control”. Em: IET Intelligent Transport Systems 4.2, pp. 128–135. Rao, CR e Venkat N Gudivada (2018). Computational Analysis and Understanding of Natural Languages: Principles, Methods and Applications. Vol. 38. Elsevier. Zhou, Zhi-Hua (2017). “A brief introduction to weakly supervised learning”. Em: National Science Review 5.1, pp. 44–53. Luana da Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 48 / 49
  • 54.
    LinkedIn: linkedin.com/in/luanadasilva GitHub: github.com/silva-luana E-mail: eca.luds@gmail.com Luanada Silva (PGCIN/UFSC) Big Data e Web Semântica 17 de Maio de 2019 49 / 49