Baixado 27 vezes
Mais conteúdo relacionado
Semelhante a Machine Learning: O que é, por onde começar e desafios
![[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)
Machine Learning: O que é, por onde começar e desafios
- 1. Machine Learning O queé, por onde começar e desafios Evento: Day Tech, 29/06/2019, 15h40 Elaine Cecília Gatto (Cissa) www.professoracissagatto.com.br
- 2. O que éMachine Learning? 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 2
- 3. O que éMachine Learning? • O que é Machine Learnig por Marcelo Tas: https://youtu.be/Z1YHbl0lh88 • Início na década de 40 (aproximadamente) • Técnica de Inteligência Artificial • Arthur Samuel, Engenheiro do MIT, em 1959, cria o termo Machine Learning • Existem várias definições 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto-MachineLearning 3
- 4. O que éMachine Learning? “Um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido programados para tal” (Arthur Samuel) “A capacidade de melhorar o desempenho na realização de alguma tarefa por meio da experiência” (Tom Mitchell) Reflita: 1. Como eu aprendo? 2. Como fazer uma máquina aprender, da mesma forma que um humano aprende? 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 4
- 5. Breve Timeline • Filosofia,Ciência e Matemática: Luger, George F. Inteligência Artificial. 6.ª ed. São Paulo: Pearson Prentice Hall, 2013. Capítulo 1. • 40 – 60: • Inicio formal da Inteligência Artificial • Filme: O Jogo da Imitação, 2014 • 70 – 80: Primeiro inverno • 80 – 90: Sistemas Especialistas • 90 – 2000: Segundo inverno • 2000 – 2019: Retomada da área. Torna-se predominante no mundo. 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 5
- 6. Breve Timeline 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 6 Big Data HardwareIoT Redes Neurais Google Mídias Sociais Watson IBM Amazon Deep Learning Microsoft Cloud Blochain e Bitcoin
- 7. Aplicações 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 7 Agronomia Farmácia, Medicina e Saúde Biologia e Ecologia Meio Ambiente Indústria4.0 e Automação em geral Meios de Transporte Varejo e Comércio Robótica Astronomia Energia Imagem, Áudio, Vídeo e Texto Redes de Computadores e Telecomunicações Finanças e Economia TUDO
- 8. A trindade doML! 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 8
- 9. A trindade doML 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 9 Matemática Estatística Programação P.s.: Alguns chamam ML de bruxaria, magia negra e também alquimia! Python R C/C++ Java Scala INGLÊS
- 10.
- 11.
- 12. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 12 Atributos Contínuos. Exemplos: peso, tamanho, etc. Atributos Discretos. Exemplo: sim ounão; V ou F Quantitativo Numérico: inteiro, real ou binário Qualitativo: Simbólico ou categórico Exemplos: - vermelho, azul, verde - pequeno, médio, grande • Quantas classes existem? • Existe alguma hierarquia? • Uma observação (ou instância ou exemplo) pode pertencer a mais de uma classe ao mesmo tempo?
- 13. Dados • Flags Dataset •Este conjunto de dados contém dados sobre as nações e suas bandeiras nacionais. Uma tarefa de classificação pode ser predizer as cores que aparecem nas bandeiras. Características: • Instâncias: 194 • Atributos: 19 (9 nominais e 10 numéricos) • Rótulos: 7 (red, green, blue, yellow, white, black, orange) • Domínio: imagens Fonte: http://archive.ics.uci.edu/ml/machine-learning- databases/flags/ 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 13
- 14.
- 15. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 15 LANDMASS: 1 = Americado Norte 2 = America do Sul 3 = Europa 4 = África 5 = Ásia 6 = Oceania
- 16. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 16 ZONE Quadrante da zona geográfica,baseado em Greenwich e no Equador. 1 = Nordeste 2 = Sudeste 3 = Sudoeste 4 = Noroeste
- 17. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 17 AREA: Área emmilhares de km quadrados.
- 18.
- 19. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 19 LÍNGUA: 1 = inglês 2= espanhol 3 = francês 4 = alemão 5 = eslavo 6 = outro indo-europeu 7 = chinês 8 = árabe 9 = japonês / turco / finlandês 10 = Outras
- 20. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 20 RELIGIÃO 0 = Católica 1= Outros Cristãos 2 = Muçulmanos 3 = Budistas 4 = Hindus 5 = Étnicos 6 = Marxistas 7 = Outros
- 21. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 21 BARS: número debarras verticais na bandeira
- 22. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 22 STRIPES: número delistras horizontais na bandeira
- 23. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 23 COLOURS: Número dediferentes cores na bandeira
- 24.
- 25. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 25 CROSSES: número decruzes verticais na bandeira
- 26. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 26 SALTIRES: número decruzes horizontais na bandeira
- 27. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 27 QUARTERS: número deseções divididas em quartos
- 28. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 28 SUNSTARS: número desímbolos de sol ou estrela.
- 29. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 29 CRESCENT: 1 = temum símbolo de lua crescente 0 = não tem
- 30. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 30 TRIANGLE: 1 = temsímbolos na forma de triângulo 0 = não tem
- 31. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 31 ICON: 1 = setem uma imagem inanimada presente (por exemplo, um barco) 0 = caso contrário
- 32. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 32 ANIMATE: 1 = setem uma imagem animada presente (por exemplo, uma águia, uma árvore, uma mão humana) 0 = caso contrário
- 33. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 33 TEXT: 1 = sehouver letras ou escrita na bandeira (por exemplo, um lema ou slogan) 0 = caso contrário
- 34. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 34 VERMELHO, VERDE, AZUL,AMARELO, BRANCO, PRETO e/ou LARANJA: 1= tem a cor 0 = não tem a cor
- 35. Dados • Outros exemplosnão perfeito de bases de dados: • exprindiv_ara_FUN.train • cellcycle_FUN.train • cellcycle_GO.train • https://www.kaggle.com • https://www.openml.org 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 35
- 36. Dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 36 Pré- processamento Limpeza Completude Consistência Redundância Ruído Transformação Simbólico Numérico Numérico Simbólico Normalização Dimensionalidade Agregar Selecionar
- 37.
- 38. Métodos Preditivos 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 38 Distância: k-NN Otimização: RNA’s eSVM Probabilístico: Naive Bayes “Procura”: Árvores de Decisão Mineração de Padrões Frequentes: Apriori Agrupamento: K-means Métodos Descritivos
- 39. Uma forma deaprender 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 39 Conjunto de dados de Treinamento Algoritmo de Machine Learning (Aprendizado) MODELO (Aprendeu) MODELO Conjunto de dados de Teste Novos dados Classificados, Agrupados. etc. Depende de 2. ENTRADA DE DADOS PROCESSAMENTO SAÍDA Fase 1 Fase 2 1 2 3 4 5 6
- 40. E os resultados? •Os resultados são bons? Se sim, por que são bons? • Meu algoritmo é melhor ou pior? Por que? • Como avaliar? • Comparar com outros algoritmos • Consultar um especialista da área • Inúmeras Medidas de Avaliação • Diferem conforme a natureza do problema • Ensembles e combinações de algoritmos diferentes • Etc. 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 40
- 41. Cursos Online eIniciativas • EDX: https://www.edx.org/course/subject/data-science • Data Science Academy: https://www.datascienceacademy.com.br/pages/todos-os-cursos-dsa • Coursera: https://www.coursera.org/specializations/machine-learning • Microsoft: https://www.microsoft.com/pt-br/academia • Linkedin: https://www.linkedin.com/learning/fundamentos-da- ciencia-de-dados 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 41
- 42. Cursos Online eIniciativas • Udemy: • https://www.udemy.com/curso-data-science-completo • https://www.udemy.com/visualizacao-de-dados-com-python • https://www.udemy.com/deep-learning-com-python-az-curso- completo • https://www.udemy.com/ingles-inteligencia-artificial-pronuncia- perfeita • https://www.udemy.com/machine-learning-e-data-science-com-r • https://www.udemy.com/machine-learning-e-data-science-com- python-y • https://www.udemy.com/python-para-data-science-e-machine- learning • https://www.udemy.com/tensorflow-machine-learning-deep- learning-python 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 42
- 43. Cursos Online eIniciativas • Amazon: https://www.aws.training/LearningLibrary • Caltech: https://work.caltech.edu/telecourse.html • Udacity: • https://www.udacity.com/school-of-data-science • https://classroom.udacity.com/courses/ud120 • OpenAI: https://openai.com/ • School of AI: https://www.theschool.ai/ • Não se esqueça dos livros e artigos científicos! 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 43
- 44. Cursos Presenciais • Graduaçãoem Ciência de Dados na UFSCar • Especialização em Ciência de Dados na UFSCar 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 44
- 45.
- 46. Desafios • Interpretabilidade: comotomou essa decisão? • Machine learning has become alchemy. Ali Rahimi (Google) https://youtu.be/x7psGHgatGM • https://universoracionalista.org/pesquisadores-de-i-a-alegam-que-machine- learning-se-tornou-alquimia/ • Ética: • Tay, da Microsoft, bot de mídia social que aprendeu a dizer coisas inadequadas e ofensivas. Preconceito, homofobia, etc. • http://agenciabrasil.ebc.com.br/internacional/noticia/2019-04/europa-lanca- diretrizes-eticas-para-o-uso-da-inteligencia-artificial • Empregabilidade: conflito de gerações! Resistência à evolução? Novas Profissões: Engenheiro de Dados, Cientista de Dados, etc. 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 46
- 47. Desafios • Segurança: restriçãoe acesso aos dados • Algoritmos e Técnicas: evolução do que já existe ou criação de novos. • Mindset: empresas de todos os tipos terão de mudar sua cultura organizacional • Captura e qualidade de dados: os dados que alimentam os algoritmos de ML precisam ser “melhores” de forma que resulte em boas previsões. • Hardware + Armazenamento + Rede = Mas ainda não tá bom? Não! • Inúmeros Problemas do mundo real 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 47
- 48. Desafios • Diretrizes Europeiaspara IA Ética • Intervenção e supervisão humana • Robustez e segurança • Privacidade e governança de dados • Transparência • Diversidade, equidade e não-discriminação • Bem-estar social e ambiental • Prestação de contas • Etc. 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 48
- 49. REFERÊNCIAS • Machine Learning.Disponível em: <https://en.wikipedia.org/wiki/Machine_learning>. Acessado em 20/06/2019, 20:00 • Aprendizado de Máquina. Disponível em: <https://pt.wikipedia.org/wiki/Aprendizado_de_m%C3%A1quina>. Acessado em 20/06/2019, 20:00 • 17 casos de uso de Machine Learning. Disponível em: <http://datascienceacademy.com.br/blog/17-casos-de-uso-de- machine-learning/>. Acessado em 21/06/2019, 10:00. • Machine Learning Studio (Microsoft). Disponível em> <https://azure.microsoft.com/pt-br/services/machine-learning- studio/>. Acessado em 22/06/2019, 15:00. • Google Machine Learning. Disponível em: <https://cloud.google.com/products/ai/> Acessado em 22/06/2019, 17:00 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 49
- 50. REFERÊNCIAS • Amazon MachineLearning. Disponível em: <https://aws.amazon.com/pt/machine-learning/>. Acessado em 24/06/2019, 14:00. • Inteligência Artificial: Questões Éticas a serem Enfrentadas. Disponível em <http://abciber.org.br/anaiseletronicos/wp- content/uploads/2016/trabalhos/inteligencia_artificial_questoes_eticas _a_serem_enfrentadas_dora_kaufman.pdf>. Acessado em 24/06/2019, 14:44. 29/06/2019 DayTech-SãoCarlos-29/06/19-ElaineCecíliaGatto 50
- 51.
Notas do Editor
- #2 Neste slide me apresentar, explicando cada um dos logotipos e contando um pouco da minha história
- #7 E o big data entra na história, já que, em sua essência, a tecnologia faz exatamente isso: armazena toneladas de dados obtidos por meio de redes sociais, mecanismos de buscas, e, até mesmo, por meio de microfones e câmeras de smartphones. Então, algoritmos cada vez mais inteligentes fazem uma verdadeira varredura dessa quantidade gigantesca de informações e, a partir do momento em que padrões são descobertos, os sistemas se tornam capazes de fazer previsões com base nesses padrões. CHAT BOTS! IBM: Deep Blue verdadeiro gênio do xadrez capaz de derrotar o campeão mundial Garry Kasparov. WATSON: Watson, um computador que interpreta a voz humana, pensa como os humanos e responde mais rápido que nós. Foi testado durante um jogo de perguntas e respostas televisivo, conhecido como Jeopardy , e ganhou. MACHINE LEARNING STUDIO MICROSOFT TENSOR FLOW – GOOGLE SERVIÇOS E PRODUTOS DA AMAZON – tipo alexa
- #8 AGRONOMIA = tratores e colheitadeiras autônomas, análise do solo, qual grão é melhor plantar neste solo em determinada época do ano, imagens de satélite, etc. MEIO AMBIENTE: a engenharia ambiental e sanitária e áreas a fins. Pode-se aplicar ML para o estudo de plantas, prevenção de rompimento de barragens, Identificar pássaros a partir de gravações de áudio, melhorar o processo de reciclagem do lixo, etc. INDÚSTRIA 4.0 E AUTOMAÇÃO EM GERAL: detecção de falhas e manutenção preventiva de máquinas elétricas; robôs, melhoria dos processos de qualidade, etc. VAREJO E COMÉRCIO: aumentar as vendas, atendimento personalizado ao cliente (sistema de recomendação de vendas), e-commerce, fornecer insights sobre quais itens são mais rentáveis e em quais novos produtos é possível investir com maior certeza de retorno, fraudes, etc. FARMÁCIA, MEDICINA, SAÚDE: ajuda a desenvolver novos medicamentos, ajuda a estudar os efeitos colaterais dos medicamentos, a partir do processamento de imagens e sinais, ajuda a diagnosticar câncer e outras doenças, etc. Até a psicologia já fez uso de ML para entender melhor o que leva uma pessoa a desenvolver depressão. Educação física, esportes, etc., tb podem usar o poder do ML para melhorar os resultados nas competições. Aplicativos de celular que ajudam as pessoas a sair do sedentarismo, como o samgung health. Dispositivos vestíveis para medir glicose, batimentos cardíacos, etc. BIOLOGIA E ECOLOGIA: predição de funções de genes, desmatamento da Amazônia, espécies em extinção, etc. MEIOS DE TRANSPORTE: rotas inteligentes, trens, carros e navios autônomos, VANTS, drones, etc. ROBÓTICA: robôs inteligentes como a SOFHIA. Aplicações não somente na indústria, mas tb no cotidiano, como substituindo cuidadores de idosos, etc. BOSTON DYNAMICS. Robô criança japonês IBUKI ENERGIA: Nos últimos anos, técnicas modernas de mineração de dados têm sido utilizadas para extrair conhecimento das bases de dados das distribuidoras, identificando possíveis padrões de consumo que possam estar relacionados a furtos ou fraudes de energia. A partir dos dados básicos de consumo dos smart grids, as empresas podem gerar informações mais detalhadas sobre o uso da energia. Nesse sentido, técnicas de aprendizado de máquina (ou machine learning) vêm sendo aplicadas para separar o consumo de cada equipamento de uma residência, permitindo os consumidores entender melhor seus hábitos e incentivando ações espontâneas de uso consciente de energia. ASTRONOMIA: descoberta de novos planetas, exoplanetas, sinais misteriosos, etc. AUDIO, VIDEO, TEXTO, IMAGEM: biometria, reconhecimento de faces, classificação de textos, identificação de sentimento em textos, classificação de músicas, filmes, vídeos de segurança, etc. VÍDEO GAMES, BLACKMIRROR, etc. REDES DE COMPUTADORES: atividades de hackers, detecção de pontos de redes com problemas, e da infraestrutura em geral, gargalos de transmissão de dados, padrões no fluxo da rede, etc. FINANÇAS E ECONOMIA: como conseguir lucrar mais, conhecer o cliente, otimizar processos organizacionais, etc.
- #10 Aqui falar do Weka, Meka, Mulan, CLUS, HDBScan, Microsoft, Scikit Learning, etc.
- #13 Exemplo multirrótulo: um artigo científico de aplicação de machine learning em psicologia, pode ser classificado como pertencente à área de ciência da computação ao mesmo tempo que psicologia e machine learning, entre outros recursos utilizados no estudo. Exemplo Hierárquico: funções exercidas por uma proteína no meio celular. Relações de superclasses e subclasses. Hierarquia de Esportes: praia, neve, quadra, coletivo ou individual, inverno ou verão, com bola ou sem bola, etc.
- #35 VERMELHO, VERDE, AZUL, AMARELO, BRANCO, PRETO e/ou LARANJA: 1= tem a cor, 0 = não tem a cor
- #37 Dados incompletos ou faltantes, como preencher essas lacunas? Dados inconsistentes: onde está a conformidade? CPF e data de nascimentos cadastrados errados. Dados redundantes, isto é, repetidos. Dados com ruídos: Ruído pode ser definido como um exemplo em um conjunto de dados que aparentemente é inconsistente com o restante dos dados existentes, pois não segue o mesmo padrão dos demais.
- #38 REGRESSÃO: domínio de um conjunto infinito e ordenado de valores. CLASSIFICAÇÃO: domínio de um conjunto de valores nominais. SUMARIZAÇÃO: encontra uma descrição simples e compacta os dados. AGRUPAMENTO: identifica grupos de acordo com similaridades entre os objetos. ASSOCIAÇÃO: associações entre os atributos. APRENDIZADO POR REFORÇO: Um programa de computador interage com um ambiente dinâmico, em que o programa deve desempenhar determinado objetivo (por exemplo, dirigir um veículo). É fornecido, ao programa, feedback quanto a premiações e punições, na medida em que é navegado o espaço do problema. Outro exemplo de aprendizado por reforço é aprender a jogar um determinado jogo apenas jogando contra um oponente.
- #40 Aqui falar também sobre o CROSS VALIDATION.
- #41 Falar sobre as árvores e sobre as florestas randômicas. Falar sobre usar agrupamento como uma fase inicial e depois usar os grupos encontrados como entrada em outro algoritmo completamente diferente.
- #44 OPEN AI = beneficiar a humanidade
- #47 Falar que a I.A/M.L. já está presente em nosso cotidiano, em pequenas coisas.
- #49 O grupo é formado por 52 membros e tem como seu presidente Pekka Ala-Pietilä, empreendedor de tecnologia e ex-presidente da Nokia. A maioria dos membros do AI HLEG é da academia e do mundo corporativo (IBM, Google, SAP, Santander, Bayer, etc). Há também representantes da sociedade civil, e de alguns outros segmentos.