SlideShare uma empresa Scribd logo
1 de 47
Baixar para ler offline
Redes Neurais de Aprendizado
Profundo (Deep Learning)
aplicadas a imagens.
Alexssandro Ferreira Cordeiro
Inteligência Artificial - IA
Inteligência Artificial é a área de ciência da computação
concentrada em criar programas e máquinas que podem
exibir comportamentos considerados inteligentes. Ou, de
forma mais informal, IA é o conceito segundo o qual
"máquinas pensam como humanos."
IA
● Fundada a disciplina de IA em 1956.
● Jogar damas, xadrez e resolver problemas de lógicas.
● Otimização caminho mínimo (Teoria dos Grafos) Dijkstra.
O caminho mínimo entre D e E não é D-E,
mas sim D-F-E, com uma distância de 14.
IA
2016 - O jogo — chamado de Go, Weiqi ou Baduk — consiste em um tabuleiro de 19×19 quadros com
bolinhas brancas e pretas; o objetivo é cercar as peças do oponente. Existem mais de 10171 posições
possíveis, contra 1050 no xadrez.
O AlphaGo (Google) usou um conjunto de dados de mais
de 100 mil partidas entre dois humanos para aprender
as melhores táticas.
Fonte: https://tecnoblog.net/229517/alphazero-xadrez-ia-google/
Movimentos possíveis em cada jogada.
Formas de Aprendizado
Classificação
Regressão - Não Linear
Underfitting - Fit - Overfitting
Machine Learn - ML
Machine learning, ou aprendizado de máquina, é o uso de algoritmos para organizar dados, reconhecer
padrões e fazer com que computadores possam aprender com esses modelos e gerar insights inteligentes
sem necessidade de pré-programação.
Neurônio biológico simplificado
Simulação Cérebro Humano - Blue Gene IBM
● Versão do supercomputador IBM Blue Gene L possui 131.000 processadores organizados em
1024 nós (2007).
● 2011: 4.5% do cérebro humano simulado e 100% do cérebro felino simulado.
● Um neurônio biológico é 20 milhões de vezes mais lento que um processador de
aproximadamente 2.2GHZ.
● Lentidão compensada pelo grande número de neurônios biológicos maciçamente conectados.
Neurônio artificial - Perceptron
● Classificações binárias.
● Separação linear.
● Curso Stanford CS231n:
A forma mais simples e
comum de inicializar
Bias(viés) é ajustá-los a
zero - já que a quebra de
assimetria é fornecida
pelos pequenos números
aleatórios inicializados
nos pesos.
Bias
Máximos e Mínimos (Locais - Globais)
Função de ativação
● Função de ativação: indica como vai ser feito o disparo
● Idealmente não-linear: grande maioria dos problemas práticos
● Exemplo a seguir: função passo (degrau, limiar,threshold), Softmax, RELU, leaky RELU, Sigmóide,
Linear, TanH...
Função de ativação
● SOFTMAX útil quando tentamos lidar com problemas de classificação.
● Funções Sigmóide e suas combinações geralmente funcionam melhor no caso de classificadores.
● Funções Sigmóide e Tanh às vezes são evitadas devido ao problema de Vanishing Gradient .
● A função ReLU é uma função de ativação geral e é usada na maioria dos casos atualmente.
● Se encontrarmos um caso de neurônios deficientes em nossas redes, a função Leaky ReLU é a
melhor escolha.
● Tenha sempre em mente que a função ReLU deve ser usada apenas nas camadas ocultas.
DL X ML
Deep Learn - DP
É parte do aprendizado de máquina e são algoritmos complexos construídos a partir de um
empilhamento de diversas camadas de “neurônios”, alimentados por quantidades imensas de dados, que
são capazes de reconhecer imagens e fala, processar a linguagem natural e aprender a realizar tarefas
extremamente avançadas sem interferência humana. A principal aplicação dos algoritmos de Deep
Learning são as tarefas de classificação, em especial, reconhecimento de imagens.
MultiLayer Perceptron - MLP
Feed Foward - Fully Connected
● Feed Foward (Alimentação para frente): o
sinal viaja da camada de entrada para a
camada de saída.
● Fully Connected (Totalmente
Conectada): um neurônio de uma dada
camada envia informação a todos os
neurônios da camada seguinte .
Back-Propagation
● É a essência do treinamento da rede neural. É a prática de afinar os pesos de uma rede neural com
base na taxa de erro (isto é, perda) obtida na época anterior (isto é, iteração). O ajuste adequado
dos pesos garante menores taxas de erro, tornando o modelo confiável, aumentando sua
generalização.
● Otimizar o caminho, escolher o caminho de menor erro!
Convolutional Neural Network - CNN
CNN
Redes neurais convolucionais - CNN
Stride
Stride
Padding
Pooling
MNIST
Rede CNN - MNIST
Curiosidades: MLP
https://www.youtube.com/watch?v=qv6UVOQ0F44
Até que ponto uma caixa preta é confiável?
https://www.youtube.com/watch?v=izZofvgaIig
Deep fake
inteligência artificial é usado em
famosos e políticos, substituindo
rostos e vozes em videos
realistas.
Gerou debates sobre a ética
desses procedimentos.
Rio de Janeiro - Primeira prisão utilizando
reconhecimento facial.
https://www.techtudo.com.br/noticias/2019/07/policia-militar-do-rj-faz-primeira-prisao-usando-reconhecimento-facial.ghtml
Contagem de pessoas por meio de imagens -
PTI
Speech to Text - PTI
● Automatização de ata de reuniões.
Busca analitica de objetos
Dúvidas?
Obrigados a todos pela Atenção!
Referências:
● Notas de aula do Prof. André de Carvalho (USP).
● Notas de aula do Prof. Arnaldo Candido Junior (UTFPR).
● https://www.salesforce.com/br/blog/2018/4/Machine-Learning-e-Deep-Learning-aprenda-as-diferencas.
html
● https://www.salesforce.com/br/blog/2016/10/o-que-e-inteligencia-artificial.html
● https://tecnoblog.net/192604/computador-google-vence-campeao-go/
● https://towardsdatascience.com/weight-initialization-techniques-in-neural-networks-26c649eb3b78
● https://towardsdatascience.com/neural-network-optimization-7ca72d4db3e0
● https://medium.com/@b.terryjack/introduction-to-deep-learning-feed-forward-neural-networks-ffnns-a-
k-a-c688d83a309d

Mais conteúdo relacionado

Mais procurados

[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem VisualAhirton Lopes
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogRaquel Machado
 
Redes Neurais Aplicacoes
Redes Neurais AplicacoesRedes Neurais Aplicacoes
Redes Neurais Aplicacoessemanact2007
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem VisualAhirton Lopes
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neuraisLeo Laurett
 
Capitulo 3 redes neurais artificiais
Capitulo 3   redes neurais artificiaisCapitulo 3   redes neurais artificiais
Capitulo 3 redes neurais artificiaisVânia Moura
 
Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoJackson Daner
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Bruno Catão
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep LearningCristian Muñoz
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Bruno Catão
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiaisRobson Gomes
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Inteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoInteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoCristiane Zimmermann
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRenato Ximenes
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 

Mais procurados (20)

[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encog
 
Redes Neurais Aplicacoes
Redes Neurais AplicacoesRedes Neurais Aplicacoes
Redes Neurais Aplicacoes
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial -  Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual
 
Aula introducao-redes-neurais
Aula introducao-redes-neuraisAula introducao-redes-neurais
Aula introducao-redes-neurais
 
Capitulo 3 redes neurais artificiais
Capitulo 3   redes neurais artificiaisCapitulo 3   redes neurais artificiais
Capitulo 3 redes neurais artificiais
 
Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de Aprendizado
 
Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2Introdução às Redes Neurais - Parte 2/2
Introdução às Redes Neurais - Parte 2/2
 
Introdução a Deep Learning
Introdução a Deep LearningIntrodução a Deep Learning
Introdução a Deep Learning
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2
 
Deep Learning
Deep LearningDeep Learning
Deep Learning
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Palestra simulação3
Palestra simulação3Palestra simulação3
Palestra simulação3
 
Introdução à redes neurais artificiais
Introdução à redes neurais artificiaisIntrodução à redes neurais artificiais
Introdução à redes neurais artificiais
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Inteligência artificial por Marina Fouto
Inteligência artificial por Marina FoutoInteligência artificial por Marina Fouto
Inteligência artificial por Marina Fouto
 
Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzy
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 

Semelhante a Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens

Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisLeonardo Goliatt
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]ronaldo ramos
 
Aprendizado Profundo & CNNs
Aprendizado Profundo & CNNsAprendizado Profundo & CNNs
Aprendizado Profundo & CNNsFabio Spanhol
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosDiego Negretto
 
Inteligencia artificial 2
Inteligencia artificial 2Inteligencia artificial 2
Inteligencia artificial 2Nauber Gois
 
[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better DataAhirton Lopes
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldLucas Sabadini
 
Quando robôs encontram ursos polares
Quando robôs encontram ursos polaresQuando robôs encontram ursos polares
Quando robôs encontram ursos polaresHuge
 
Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasFamília Schmidt
 
Inteligencia Artificial e Aprendizado de Máquina
Inteligencia Artificial e Aprendizado de MáquinaInteligencia Artificial e Aprendizado de Máquina
Inteligencia Artificial e Aprendizado de MáquinaGefferson Figueiredo Marcos
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#POANETMeetup
 
Computação Manycore: Uma Arquitetura muito além do Multicore!
Computação Manycore: Uma Arquitetura muito além do Multicore!Computação Manycore: Uma Arquitetura muito além do Multicore!
Computação Manycore: Uma Arquitetura muito além do Multicore!Intel Software Brasil
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasFabio Spanhol
 

Semelhante a Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens (20)

Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais ArtificiaisInteligência Computacional Unidade 02 – Redes Neuronais Artificiais
Inteligência Computacional Unidade 02 – Redes Neuronais Artificiais
 
Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]Inteligência Artificial Parte 6 [IA]
Inteligência Artificial Parte 6 [IA]
 
Scipy meetup-2020-02
Scipy meetup-2020-02Scipy meetup-2020-02
Scipy meetup-2020-02
 
Apresentacao
ApresentacaoApresentacao
Apresentacao
 
rn_1_int.pdf
rn_1_int.pdfrn_1_int.pdf
rn_1_int.pdf
 
Aprendizado Profundo & CNNs
Aprendizado Profundo & CNNsAprendizado Profundo & CNNs
Aprendizado Profundo & CNNs
 
Aprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de DadosAprendizado de Máquina para Classificação de Dados
Aprendizado de Máquina para Classificação de Dados
 
Inteligencia artificial 2
Inteligencia artificial 2Inteligencia artificial 2
Inteligencia artificial 2
 
[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data[Jose Ahirton lopes] Do Big ao Better Data
[Jose Ahirton lopes] Do Big ao Better Data
 
Redes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e HopfieldRedes Neurais Perceptron e Hopfield
Redes Neurais Perceptron e Hopfield
 
Quando robôs encontram ursos polares
Quando robôs encontram ursos polaresQuando robôs encontram ursos polares
Quando robôs encontram ursos polares
 
Modelos de previsão de Ocorrências
Modelos de previsão de OcorrênciasModelos de previsão de Ocorrências
Modelos de previsão de Ocorrências
 
Aplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturasAplicação de redes neurais artificiais à engenharia de estruturas
Aplicação de redes neurais artificiais à engenharia de estruturas
 
Inteligencia Artificial e Aprendizado de Máquina
Inteligencia Artificial e Aprendizado de MáquinaInteligencia Artificial e Aprendizado de Máquina
Inteligencia Artificial e Aprendizado de Máquina
 
Big data
Big dataBig data
Big data
 
Redes Neurais com C#
Redes Neurais com C#Redes Neurais com C#
Redes Neurais com C#
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
Dismistificando deep learning
Dismistificando deep learningDismistificando deep learning
Dismistificando deep learning
 
Computação Manycore: Uma Arquitetura muito além do Multicore!
Computação Manycore: Uma Arquitetura muito além do Multicore!Computação Manycore: Uma Arquitetura muito além do Multicore!
Computação Manycore: Uma Arquitetura muito além do Multicore!
 
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens HistopatológicasClassificação Automatizada de Câncer de Mama - Imagens Histopatológicas
Classificação Automatizada de Câncer de Mama - Imagens Histopatológicas
 

Mais de GDGFoz

Apresentação GDG Foz 2023
Apresentação GDG Foz  2023Apresentação GDG Foz  2023
Apresentação GDG Foz 2023GDGFoz
 
Desenvolvimento de um Comedouro para cães com Acionamento Automático e Remoto
Desenvolvimento de um Comedouro para cães com Acionamento Automático e RemotoDesenvolvimento de um Comedouro para cães com Acionamento Automático e Remoto
Desenvolvimento de um Comedouro para cães com Acionamento Automático e RemotoGDGFoz
 
Introdução do DEVSECOPS
Introdução do DEVSECOPSIntrodução do DEVSECOPS
Introdução do DEVSECOPSGDGFoz
 
Aquisição de dados IoT com Event Sourcing e Microservices
Aquisição de dados IoT com Event Sourcing e MicroservicesAquisição de dados IoT com Event Sourcing e Microservices
Aquisição de dados IoT com Event Sourcing e MicroservicesGDGFoz
 
Robótica Sucational
Robótica SucationalRobótica Sucational
Robótica SucationalGDGFoz
 
A nova era do desenvolvimento mobile
A nova era do desenvolvimento mobile A nova era do desenvolvimento mobile
A nova era do desenvolvimento mobile GDGFoz
 
Qualidade em Testes de Software
Qualidade em Testes de SoftwareQualidade em Testes de Software
Qualidade em Testes de SoftwareGDGFoz
 
WebAssembly além da Web - Casos de Uso em IoT
WebAssembly além da Web - Casos de Uso em IoTWebAssembly além da Web - Casos de Uso em IoT
WebAssembly além da Web - Casos de Uso em IoTGDGFoz
 
Dart e Flutter do Server ao Client Side
Dart e Flutter do Server ao Client SideDart e Flutter do Server ao Client Side
Dart e Flutter do Server ao Client SideGDGFoz
 
UX: O que é e como pode influenciar a vida do desenvolvedor?
UX: O que é e como pode influenciar a vida do desenvolvedor?UX: O que é e como pode influenciar a vida do desenvolvedor?
UX: O que é e como pode influenciar a vida do desenvolvedor?GDGFoz
 
Dicas de como entrar no mundo do DevSecOps
Dicas de como entrar no mundo do DevSecOpsDicas de como entrar no mundo do DevSecOps
Dicas de como entrar no mundo do DevSecOpsGDGFoz
 
Angular >= 2 - One Framework Mobile & Desktop
Angular >= 2 - One Framework Mobile & DesktopAngular >= 2 - One Framework Mobile & Desktop
Angular >= 2 - One Framework Mobile & DesktopGDGFoz
 
Automação Residencial Extrema com Opensource
Automação Residencial Extrema com OpensourceAutomação Residencial Extrema com Opensource
Automação Residencial Extrema com OpensourceGDGFoz
 
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?GDGFoz
 
Desmistificando a programação funcional
Desmistificando a programação funcionalDesmistificando a programação funcional
Desmistificando a programação funcionalGDGFoz
 
Microsserviços com Kotlin
Microsserviços com KotlinMicrosserviços com Kotlin
Microsserviços com KotlinGDGFoz
 
Autenticação de dois fatores
Autenticação de dois fatores Autenticação de dois fatores
Autenticação de dois fatores GDGFoz
 
Fique em casa seguro (ou tente)!
Fique em casa seguro (ou tente)!Fique em casa seguro (ou tente)!
Fique em casa seguro (ou tente)!GDGFoz
 
Hooks em React: o novo jeito de fazer componentes funcionais
Hooks em React: o novo jeito de fazer componentes funcionaisHooks em React: o novo jeito de fazer componentes funcionais
Hooks em React: o novo jeito de fazer componentes funcionaisGDGFoz
 
Angular, React ou Vue? Comparando os favoritos do JS reativo
Angular, React ou Vue? Comparando os favoritos do JS reativoAngular, React ou Vue? Comparando os favoritos do JS reativo
Angular, React ou Vue? Comparando os favoritos do JS reativoGDGFoz
 

Mais de GDGFoz (20)

Apresentação GDG Foz 2023
Apresentação GDG Foz  2023Apresentação GDG Foz  2023
Apresentação GDG Foz 2023
 
Desenvolvimento de um Comedouro para cães com Acionamento Automático e Remoto
Desenvolvimento de um Comedouro para cães com Acionamento Automático e RemotoDesenvolvimento de um Comedouro para cães com Acionamento Automático e Remoto
Desenvolvimento de um Comedouro para cães com Acionamento Automático e Remoto
 
Introdução do DEVSECOPS
Introdução do DEVSECOPSIntrodução do DEVSECOPS
Introdução do DEVSECOPS
 
Aquisição de dados IoT com Event Sourcing e Microservices
Aquisição de dados IoT com Event Sourcing e MicroservicesAquisição de dados IoT com Event Sourcing e Microservices
Aquisição de dados IoT com Event Sourcing e Microservices
 
Robótica Sucational
Robótica SucationalRobótica Sucational
Robótica Sucational
 
A nova era do desenvolvimento mobile
A nova era do desenvolvimento mobile A nova era do desenvolvimento mobile
A nova era do desenvolvimento mobile
 
Qualidade em Testes de Software
Qualidade em Testes de SoftwareQualidade em Testes de Software
Qualidade em Testes de Software
 
WebAssembly além da Web - Casos de Uso em IoT
WebAssembly além da Web - Casos de Uso em IoTWebAssembly além da Web - Casos de Uso em IoT
WebAssembly além da Web - Casos de Uso em IoT
 
Dart e Flutter do Server ao Client Side
Dart e Flutter do Server ao Client SideDart e Flutter do Server ao Client Side
Dart e Flutter do Server ao Client Side
 
UX: O que é e como pode influenciar a vida do desenvolvedor?
UX: O que é e como pode influenciar a vida do desenvolvedor?UX: O que é e como pode influenciar a vida do desenvolvedor?
UX: O que é e como pode influenciar a vida do desenvolvedor?
 
Dicas de como entrar no mundo do DevSecOps
Dicas de como entrar no mundo do DevSecOpsDicas de como entrar no mundo do DevSecOps
Dicas de como entrar no mundo do DevSecOps
 
Angular >= 2 - One Framework Mobile & Desktop
Angular >= 2 - One Framework Mobile & DesktopAngular >= 2 - One Framework Mobile & Desktop
Angular >= 2 - One Framework Mobile & Desktop
 
Automação Residencial Extrema com Opensource
Automação Residencial Extrema com OpensourceAutomação Residencial Extrema com Opensource
Automação Residencial Extrema com Opensource
 
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?
Brasil.IO COVID-19: Dados por Municípios. Quais os Desafios?
 
Desmistificando a programação funcional
Desmistificando a programação funcionalDesmistificando a programação funcional
Desmistificando a programação funcional
 
Microsserviços com Kotlin
Microsserviços com KotlinMicrosserviços com Kotlin
Microsserviços com Kotlin
 
Autenticação de dois fatores
Autenticação de dois fatores Autenticação de dois fatores
Autenticação de dois fatores
 
Fique em casa seguro (ou tente)!
Fique em casa seguro (ou tente)!Fique em casa seguro (ou tente)!
Fique em casa seguro (ou tente)!
 
Hooks em React: o novo jeito de fazer componentes funcionais
Hooks em React: o novo jeito de fazer componentes funcionaisHooks em React: o novo jeito de fazer componentes funcionais
Hooks em React: o novo jeito de fazer componentes funcionais
 
Angular, React ou Vue? Comparando os favoritos do JS reativo
Angular, React ou Vue? Comparando os favoritos do JS reativoAngular, React ou Vue? Comparando os favoritos do JS reativo
Angular, React ou Vue? Comparando os favoritos do JS reativo
 

Redes Neurais de Aprendizado Profundo (DeepLearning) aplicadas a imagens

  • 1. Redes Neurais de Aprendizado Profundo (Deep Learning) aplicadas a imagens. Alexssandro Ferreira Cordeiro
  • 2.
  • 3. Inteligência Artificial - IA Inteligência Artificial é a área de ciência da computação concentrada em criar programas e máquinas que podem exibir comportamentos considerados inteligentes. Ou, de forma mais informal, IA é o conceito segundo o qual "máquinas pensam como humanos."
  • 4. IA ● Fundada a disciplina de IA em 1956. ● Jogar damas, xadrez e resolver problemas de lógicas. ● Otimização caminho mínimo (Teoria dos Grafos) Dijkstra. O caminho mínimo entre D e E não é D-E, mas sim D-F-E, com uma distância de 14.
  • 5. IA 2016 - O jogo — chamado de Go, Weiqi ou Baduk — consiste em um tabuleiro de 19×19 quadros com bolinhas brancas e pretas; o objetivo é cercar as peças do oponente. Existem mais de 10171 posições possíveis, contra 1050 no xadrez. O AlphaGo (Google) usou um conjunto de dados de mais de 100 mil partidas entre dois humanos para aprender as melhores táticas. Fonte: https://tecnoblog.net/229517/alphazero-xadrez-ia-google/
  • 10.
  • 11. Underfitting - Fit - Overfitting
  • 12. Machine Learn - ML Machine learning, ou aprendizado de máquina, é o uso de algoritmos para organizar dados, reconhecer padrões e fazer com que computadores possam aprender com esses modelos e gerar insights inteligentes sem necessidade de pré-programação.
  • 14. Simulação Cérebro Humano - Blue Gene IBM ● Versão do supercomputador IBM Blue Gene L possui 131.000 processadores organizados em 1024 nós (2007). ● 2011: 4.5% do cérebro humano simulado e 100% do cérebro felino simulado. ● Um neurônio biológico é 20 milhões de vezes mais lento que um processador de aproximadamente 2.2GHZ. ● Lentidão compensada pelo grande número de neurônios biológicos maciçamente conectados.
  • 15. Neurônio artificial - Perceptron ● Classificações binárias. ● Separação linear. ● Curso Stanford CS231n: A forma mais simples e comum de inicializar Bias(viés) é ajustá-los a zero - já que a quebra de assimetria é fornecida pelos pequenos números aleatórios inicializados nos pesos.
  • 16.
  • 17.
  • 18. Bias
  • 19. Máximos e Mínimos (Locais - Globais)
  • 20. Função de ativação ● Função de ativação: indica como vai ser feito o disparo ● Idealmente não-linear: grande maioria dos problemas práticos ● Exemplo a seguir: função passo (degrau, limiar,threshold), Softmax, RELU, leaky RELU, Sigmóide, Linear, TanH...
  • 21. Função de ativação ● SOFTMAX útil quando tentamos lidar com problemas de classificação. ● Funções Sigmóide e suas combinações geralmente funcionam melhor no caso de classificadores. ● Funções Sigmóide e Tanh às vezes são evitadas devido ao problema de Vanishing Gradient . ● A função ReLU é uma função de ativação geral e é usada na maioria dos casos atualmente. ● Se encontrarmos um caso de neurônios deficientes em nossas redes, a função Leaky ReLU é a melhor escolha. ● Tenha sempre em mente que a função ReLU deve ser usada apenas nas camadas ocultas.
  • 23. Deep Learn - DP É parte do aprendizado de máquina e são algoritmos complexos construídos a partir de um empilhamento de diversas camadas de “neurônios”, alimentados por quantidades imensas de dados, que são capazes de reconhecer imagens e fala, processar a linguagem natural e aprender a realizar tarefas extremamente avançadas sem interferência humana. A principal aplicação dos algoritmos de Deep Learning são as tarefas de classificação, em especial, reconhecimento de imagens.
  • 25. Feed Foward - Fully Connected ● Feed Foward (Alimentação para frente): o sinal viaja da camada de entrada para a camada de saída. ● Fully Connected (Totalmente Conectada): um neurônio de uma dada camada envia informação a todos os neurônios da camada seguinte .
  • 26. Back-Propagation ● É a essência do treinamento da rede neural. É a prática de afinar os pesos de uma rede neural com base na taxa de erro (isto é, perda) obtida na época anterior (isto é, iteração). O ajuste adequado dos pesos garante menores taxas de erro, tornando o modelo confiável, aumentando sua generalização. ● Otimizar o caminho, escolher o caminho de menor erro!
  • 27.
  • 29. CNN
  • 35. MNIST
  • 36. Rede CNN - MNIST
  • 37.
  • 39. Até que ponto uma caixa preta é confiável? https://www.youtube.com/watch?v=izZofvgaIig
  • 40. Deep fake inteligência artificial é usado em famosos e políticos, substituindo rostos e vozes em videos realistas. Gerou debates sobre a ética desses procedimentos.
  • 41. Rio de Janeiro - Primeira prisão utilizando reconhecimento facial. https://www.techtudo.com.br/noticias/2019/07/policia-militar-do-rj-faz-primeira-prisao-usando-reconhecimento-facial.ghtml
  • 42. Contagem de pessoas por meio de imagens - PTI
  • 43. Speech to Text - PTI ● Automatização de ata de reuniões.
  • 46. Obrigados a todos pela Atenção!
  • 47. Referências: ● Notas de aula do Prof. André de Carvalho (USP). ● Notas de aula do Prof. Arnaldo Candido Junior (UTFPR). ● https://www.salesforce.com/br/blog/2018/4/Machine-Learning-e-Deep-Learning-aprenda-as-diferencas. html ● https://www.salesforce.com/br/blog/2016/10/o-que-e-inteligencia-artificial.html ● https://tecnoblog.net/192604/computador-google-vence-campeao-go/ ● https://towardsdatascience.com/weight-initialization-techniques-in-neural-networks-26c649eb3b78 ● https://towardsdatascience.com/neural-network-optimization-7ca72d4db3e0 ● https://medium.com/@b.terryjack/introduction-to-deep-learning-feed-forward-neural-networks-ffnns-a- k-a-c688d83a309d