Baixado 684 vezes
![>>> from scikits.learn import svm
>>> clf = svm.SVC()
>>> clf.fit(digits.data[:-1], digits.target[:-1])
SVC(kernel='rbf', C=1.0, probability=False, degree=3, coef0=0.0, eps=0.001,
cache_size=100.0, shrinking=True, gamma=0.000556792873051)
>>> clf.predict(digits.data[-1])
array([ 8.])
http://scikit-learn.sourceforge.net/
Scikits-learn
“Machine Learning in Python”](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-44-320.jpg)
![import numpy as np
import milk
features = np.random.rand(100,10)
labels = np.zeros(100)
features[50:] += .5
labels[50:] = 1
learner = milk.defaultclassifier()
model = learner.train(features, labels)
# Now you can use the model on new examples:
example = np.random.rand(10)
print model.apply(example)
example2 = np.random.rand(10)
example2 += .5
print model.apply(example2)
http://luispedro.org/software/milk
milk
“Machine Learning Toolkit for Python”](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-46-320.jpg)
![http://pybrain.org/
>>> from pybrain.tools.shortcuts import buildNetwork
>>> n = buildNetwork(2, 3, 1, fast=True)
>>> n.activate((2, 3))
array([-0.20781205])
PyBrain
“The Python Machine Learning Toolkit”](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-47-320.jpg)
![>>
from
libsvm
import
*
>>
prob
=
svm_problem([1,‐1],[[1,0,1],[‐1,0,‐1]])
>>
param
=
svm_parameter(kernel_type
=
LINEAR,
C
=
10)
##
training
the
model
>>
m
=
svm_model(prob,
param)
#testing
the
model
>>
m.predict([1,
1,
1])
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
Python-LibSvm](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-48-320.jpg)
![>>> text = nltk.word_tokenize("And now for something
completely different")
>>> nltk.pos_tag(text)
[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something',
'NN'),
('completely', 'RB'), ('different', 'JJ')]
http://www.nltk.org/
NLTK
Processamento de Textos](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-53-320.jpg)
![http://numpy.scipy.org/
http://www.scipy.org/
>>> from numpy import *
>>> multiply(array([3,6]), array([4,7]))
array([12, 42]) http://matplotlib.sourceforge.net/
Canivetes essenciais!](https://image.slidesharecdn.com/machinelearning-110530101024-phpapp02/85/Python-e-Aprendizagem-de-Maquina-Inteligencia-Artificial-57-320.jpg)
Carregado porMarcel Caraciolo
Python e Aprendizagem de Máquina (Inteligência Artificial)
O documento apresenta uma visão geral sobre aprendizagem de máquina, abordando sua definição, aplicações e métodos de implementação, especialmente em sistemas de recomendação. Marcel Caraciolo, autor do texto, compartilha sua experiência e interesses, além de mencionar ferramentas e algoritmos relevantes em Python para o desenvolvimento de modelos de machine learning. O texto também discute as limitações do processamento de dados e a importância da filtragem colaborativa na personalização de recomendações.
Mais conteúdo relacionado
![[slides] Gestão da TI (2015: 2º semestre)](https://cdn.slidesharecdn.com/ss_thumbnails/gestodati-2015-2osemestre-150813040219-lva1-app6891-thumbnail.jpg?width=640&height=640&fit=bounds)
Semelhante a Python e Aprendizagem de Máquina (Inteligência Artificial)
Python e Aprendizagem de Máquina (Inteligência Artificial)
- 1. Python e Aprendizagem de Máquina A cobra também é inteligente! Marcel P. Caraciolo @marcelcaraciolo
- 2. Quem é Marcel? Marcel Pinheiro Caraciolo - @marcelcaraciolo Sergipano, porém Recifense. Mestrando em Ciência da Computação no CIN/UFPE na área de mineração de dados Diretor de Pesquisa e Desenvolvimento na Orygens Membro e Moderador da Celúla de Usuários Python de Pernambuco (PUG-PE) Minhas áreas de interesse: Computação móvel e Computação inteligente Meus blogs: http://www.mobideia.com (sobre Mobilidade desde 2006) http://aimotion.blogspot.com (sobre I.A. desde 2009) Jovem Aprendiz ainda nas artes pythonicas.... (desde 2007)
- 3. Aprendizagem de máquinaé _______ Falem !
- 4. “Aprendizagem de Máquinaé um sub-campo da inteligência artificial dedicado ao desenvolvimento de técnicas que permitam o computador aprender baseado em dados empíricos.”
- 5. Dados de Saída Algoritmo Dados de Entrada Processamento Machine Learning e I.A na Academia e como geralmente é ensinado...
- 6. Dados de Saída Algoritmo Dados de Entrada Processamento Machine Learning e I.A no mundo real ou o que as tendências vem mostrando...
- 7. Dados de Saída Algoritmo Dados de Entrada Processamento Processamento Processamento Processamento Processamento Processamento é sempre uma limitação que muitas vezes na academia se abstraem.
- 8. Dados de Saída Algoritmo Dados de Entrada Dados de Entrada Dados de Entrada Dados de Entrada Dados de Entrada Processamento Processamento Processamento Processamento Processamento Dados, geralmente não são escarsos. Muitas fontes de dados espalhados por aí e poucos sabem...
- 9. ? Processamento Processamento Dados de Entrada Dados de Entrada Processamento Processamento Dados de Entrada Dados de Entrada Processamento Dados de Entrada Mais dados, mais problemas ... Requer mais processamento e como eliminar ?
- 10. Dados de Saída Algoritmo Dados de Entrada Dados de Entrada Dados de Entrada Dados de Entrada Dados de Entrada Processamento Processamento Processamento Processamento Processamento O Algoritmo ainda é muito importante!
- 11. Se conseguirmos identificaros padrões relevantes dentro de uma base de dados então podemos representar uma larga base com poucos bits Aprendizagem de Máquina Se nós podemos representar nossos dados com poucos bits (comprimir nossos dados) então realmente “detectamos” os conceitos mais relevantes! Aprendizado vs Compressão
- 12. Sem reforço Com reforço Aprendizado Supervisionado
- 13.
- 14. De onde vemos dados ?
- 15. http://archive.ics.uci.edu/ml/ Repositórios de Dados UCI, MovieLens, AWS, KDD, etc.
- 16.
- 17. 1.0 2.0 Fonte de Informação Fluxo Contínuo de Informação VI Encontro do PUG-PE VI Encontro do PUG-PE
- 18. Intelligence from Mining Data User User User User User Um usuário influencia outros por resenhas, notas, recomendações e blogs Um usuário é influenciado por outros por resenhas, notas, recomendações e blogs
- 19. reconhecimento de faces classificação identificação de escrita análise de sentimentos recomendações tradução Inteligência Coletiva otimização Sua aplicação busca previsão detecção de fraudes diagnósticos processamento de linguagem natural agrupamentos filtragem
- 20. Minha área depesquisa Sistemas de Recomendação
- 21. WEB SITES WEB APPLICATIONS WEB SERVICES 3.0 SEMANTIC WEB USERS antes... VI Encontro do PUG-PE VI Encontro do PUG-PE
- 22.
- 23. estamos sobrecarregados de informações
- 24.
- 25. às vezes procuramos isso...
- 26.
- 27.
- 28.
- 29. eeeeuuuu... google? midias sociais?
- 30. “A lot oftimes, people don’t know what they want until you show it to them.” Steve Jobs “We are leaving the Information age, and entering into the Recommendation age.” Chris Anderson, from book Long Tail
- 31.
- 32. Recomendações Sociais Família/Amigos Amigos/ Família O Que eu deveria ler ? Ref: Flickr-BlueAlgae “Eu acho que você deveria ler Ref: Flickr photostream: jefield estes livros.
- 33. Recomendações por Interação Entrada: Avalie alguns livros O Que eu deveria ler ? Saída: “Livros que você pode gostar são …”
- 34. Sistemas desenhados parasugerir algo para mim do meu interesse!
- 35.
- 36. Netflix - 2/3dos filmes alugados vêm de recomendação Google News - 38% das notícias mais clicadas vêm de recomendação Amazon - 38% das vendas vêm de recomendação Fonte: Celma & Lamere, ISMIR 2007
- 37. E como funcionaa recomendação ?
- 38. O que ossistemas de recomendação realmente fazem ? 1. Prediz o quanto você pode gostar de um certo produto ou serviço 2. Sugere um lista de N items ordenada de acordo com seu interese 3. Sugere uma lista de N usuários ordernada para um produto/serviço 4. Explica a você o porque esses items foram recomendados 5. Ajusta a predição e a recomendação baseado em seu feedback e de outros.
- 39. Filtragem baseada porConteúdo Similar Duro de O Vento Toy Armagedon Items Matar Levou Store recomenda gosta Marcel Usuários
- 40. Filtragem Colaborativa O Vento Toy Thor Armagedon Items Levou Store gosta recomenda Marcel Rafael Amanda Usuários Similar
- 41.
- 42. http://orange.biolab.si/ Orange “Data Mining Tool For Python”
- 43. Crab userID = 'MariaGabriela' recSys = UserRecommender(self.model,self.similarity,self.neighbor,False) recSys.recommend(userID,4) https://github.com/muricoca/crab Crab “Recommendation Engine For Python”
- 44. >>> from scikits.learnimport svm >>> clf = svm.SVC() >>> clf.fit(digits.data[:-1], digits.target[:-1]) SVC(kernel='rbf', C=1.0, probability=False, degree=3, coef0=0.0, eps=0.001, cache_size=100.0, shrinking=True, gamma=0.000556792873051) >>> clf.predict(digits.data[-1]) array([ 8.]) http://scikit-learn.sourceforge.net/ Scikits-learn “Machine Learning in Python”
- 45. PyML is focusedon kernel-methods for classification and regression, including Support Vector Machines (SVM). Muito Legal !!! -- > Feature selection >>> from PyML.classifiers.composite import FeatureSelect >>> featureSelector = FeatureSelect(svm.SVM(), featsel.RFE()) http://pyml.sourceforge.net/ PyML “Machine Learning in Python”
- 46. import numpy asnp import milk features = np.random.rand(100,10) labels = np.zeros(100) features[50:] += .5 labels[50:] = 1 learner = milk.defaultclassifier() model = learner.train(features, labels) # Now you can use the model on new examples: example = np.random.rand(10) print model.apply(example) example2 = np.random.rand(10) example2 += .5 print model.apply(example2) http://luispedro.org/software/milk milk “Machine Learning Toolkit for Python”
- 47. http://pybrain.org/ >>> from pybrain.tools.shortcutsimport buildNetwork >>> n = buildNetwork(2, 3, 1, fast=True) >>> n.activate((2, 3)) array([-0.20781205]) PyBrain “The Python Machine Learning Toolkit”
- 48.
- 49. Acha um hiperplanoque divide o espaço dos documentos em dois ? language Support Vector Machines Python-LibSvm gemstone
- 50. http://pyevolve.sourceforge.net Criado por um brasileiro! from pyevolve import G1DList from pyevolve import GSimpleGA def eval_func(chromosome): score = 0.0 # iterate over the chromosome for value in chromosome: if value==0: score += 1 return score genome = G1DList.G1DList(20) genome.evaluator.set(eval_func) ga = GSimpleGA.GSimpleGA(genome) ga.evolve(freq_stats=10) print ga.bestIndividual() PyEvolve Algoritmos Genéticos com Python
- 51. Processo Evolutivo “As espéciesevoluem pelo principio da seleção natural e sobrevivência do mais apto.”
- 52. https://github.com/Yelp/mrjob Computação Distribuída
- 53. >>> text =nltk.word_tokenize("And now for something completely different") >>> nltk.pos_tag(text) [('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')] http://www.nltk.org/ NLTK Processamento de Textos
- 54. Concept Tagging Name Entity Extraction Language Detection http://www.alchemyapi.com/ REST API’s Asynchoronous training Data on the fly http://code.google.com/apis/predict/ Support on App Engine http://recdaynow.appspot.com API’s prontas!
- 55. Ubigraph 3D http://networkx.lanl.gov/ Visualização
- 56. Mapa dos concurseirosno Brasil (Atepassar) http://aimotion.blogspot.com/2011/03/atepassar-social-network-friendship.html
- 57. http://numpy.scipy.org/ http://www.scipy.org/ >>> from numpy import * >>> multiply(array([3,6]), array([4,7])) array([12, 42]) http://matplotlib.sourceforge.net/ Canivetes essenciais!
- 58.
- 59. Analisar um classificador somentepor sua acurácia é errado
- 60. Classe real p n Verdadeiro Falso p Classe Positivo Positivo predita Falso Verdadeiro n Negativo Negativo
- 61. Acurácia = (VP+ VN) / (VP + VN + FP + FN)
- 62. A acurácia escondepotenciais falso positivos ou falso negativos
- 63. Use precision erecall
- 64.
- 65.
- 66. http://aimotion.blogspot.com/ Livros e Referências
- 67. http://conference.scipy.org/scipy2011/ Conferência de Python em Computação Científica
- 68. Python e Aprendizagem de Máquina A cobra também é inteligente! Marcel P. Caraciolo marcel@orygens.com marcel@recday.com