Post on 11-Nov-2018
7/15/2013
1
1
Julho e Agosto de 2013
A2 – Aprendizagem Automática ML – Machine Learning
José Valente de Oliveirahttp://w3.ualg.pt/~jvo
jvo@ualg.pt
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil
From: http://pt.wikipedia.org/wiki/Algarve 2
Algarve
7/15/2013
2
From: http://pt.wikipedia.org/wiki/Algarve 3
Algarve, Faro
From: http://www..ualg.pt 4
Ualg, Universidade do Algarve
7/15/2013
3
About UAlg
7/15/2013 http://www.ualg.pt 5
Established in 1979Student population around 10 000829 faculty members; 452 technical and administrative staffThree faculties:Faculty of Economics;Faculty of Human and Social Sciences;Faculty of Sciences and Technology.
four schools:School of Education and Communication;School of Management, Hospitality and Tourism;Engineering Institute;Faro School of Health
and one Dept. of Biomedical Sciences and Medicine
143 degree programs
w3.ualg.pt/~jvo/ml
Todos os detalhes na tutoria electrónica.
7/15/2013
4
O que é a Aprendizagem Automática?
http://w3.ualg.pt/~jvo/ml
SPAM
7/15/2013
5
15-Jul-13 http://w3.ualg.pt/~jvo/ml 12 – 9
À procura de uma definiçãoAprendizagem é o processo em que o sistema melhora o seu desempenho com base na sua experiência (Herbert Simon).
Aprender significa realizar mudanças úteis no modo de funcionar da nossa mente (Minsky)
15-Jul-13 http://w3.ualg.pt/~jvo/ml 12 – 10
À procura de uma definição
Aprendizagem Máquina é o campo de estudo que permite aos computadores aprenderem sem terem de ser explicitamente programados (A. Samuel, 1959).
7/15/2013
6
15-Jul-13 http://w3.ualg.pt/~jvo/ml 12 – 11
À procura de uma definição
Um programa aprende a partir da experiencia E relativamente a alguma classe de tarefas Te medida de desempenho P, se o seu desempenho na tarefa T, medido por P, melhora com a experiência E. (Mitchell, 1997)
15-Jul-13 12 – 12
Exemplo 1
T: Jogar damas
P: Percentagem de jogos ganhos contra adversários
E: Praticar jogando consigo próprio
7/15/2013
7
15-Jul-13 12 – 13
Exemplo 2
T: Reconhecer dígitos manuscritosP: Percentagem de dígitos corretamente
classificadosE: Base de dados com imagens rotuladas de dígitos
manuscritos.
15-Jul-13 12 – 14
Exemplo 3
T: Classificação de mensagens de email como spam (ou legítimas)
P: Percentagem de emails classificados corretamente.
E: Base de dados de emails, alguns previamente classificados como spam.
SPAM
7/15/2013
8
15-Jul-13 12 – 15
Exemplo 4T: Conduzir em autoestradausando câmaras de video
P: Distância média percorridaantes de ser assinalado um erro
E: Uma sequência de imagens e comandos de direçãoobservados de um condutorhumano.
O ambiente varia no tempo.
Novo conhecimento está sendo constantemente descoberto tornando difícil o redesenho de sistemas “à mão”.
A quantidade de conhecimento disponível sobre certas tarefas é demasiado para ser explicitamente codificado (e.g., diagnóstico médico)
Por que é importante a Aprendizagem?
7/15/2013
9
Por que é importante a Aprendizagem?
Algumas tarefas não podem ser bem especificadas a não ser por exemplos (e.g., reconhecimento de pessoas).
Os relacionamentos e correlações podem estar escondidos em grandes volumes de dados e a aprendizagem poderá ser capaz de descobrir essas relações.
15-Jul-13 12 – 18
EntradasPares Atributo/valor: numéricos, texto, etc
SaídaNumérico, simbólico, gráfico
Tipo de aprendizagemDeductivo, inductivo
TarefaClassificação, regressão
Tipo de feedbackSupervisionado, por reforço, não supervisionado
Variantes
7/15/2013
10
Regressão: Previsão de valores contínuos (preço)
Variantes: aprendizagem supervionsada
0
100
200
300
400
500
0 1000 2000 30000
100
200
300
400
500
0 1000 2000 3000
Preço($$)
Cilindrada (cc)
Classificação: Saída de valores discretos (0 ou 1)
Maligno?
1(Sim)
0(Não)
Tamanho do tumor
Variantes: aprendizagem supervionsada
7/15/2013
11
x1
x2
Variantes: aprendizagem não supervisionada
Análise de redes sociais
Análise de dados astronómicos
Segmentação do mercado
Variantes: aprendizagem não supervisionada
7/15/2013
12
Variantes: representaçãoFunções numéricas
Regressão linear,Redes neuronaisMáquinas de vectores de suporte
Funções simbólicasRegras em lógica proposicionalRegras em lógica de primeira-ordem
Modelos gráficos probabilisticos
Redes BayesianasModelos de Markvoc
15-Jul-13 12 – 24
Metaphors
Computacional Conexionist Biological
Metáforas
7/15/2013
13
Animal learning(Cognitive science,
Psychology, Neuroscience)Machine learning
Statistics
Computer science
Adaptive Control Theory
and
Robotics
Evolution
Economics
Aprendizagem Automática e a Computação
ML já é a abordagem preferida em:Reconhecimento de fala e processamento de linguagem naturalVisão por computadorAnálise de dados médicosControlo robótico…
O nicho ML tem vindo a crescer devidoAlgoritmos cada vez melhoresAumento da disponibilidade de dadosSoftware demasiado complexo para ser escrito manualmenteExigência do usário por customização
Todo o software
ML apps.
26
7/15/2013
14
http://w3.ualg.pt/~jvo/ml
Objetivos gerais da disciplina
Em traços gerais, a Aprendizagem Automática visa dotar programascom a capacidade de melhorar o seu desempenho usando suaexperiência (e.g., pilotos autónomos, reconhecedores de fala ouescrita, vídeo games, filtros de spam). Esta disciplina cobrealgoritmos e alguns aspetos teóricos e práticos para implementaçãode Aprendizado Automático. A disciplina é claramenteinterdisciplinar e inclui tópicos como técnicas Bayesianas, redesneurais, máquinas de vetores de suporte, métodos deaprendizagem estatística e aprendizagem não supervisionada.
No fim desta disciplina os estudantes deverão ser capazes deaplicar técnicas adequadas de Aprendizado Automático nodesenvolvimento de programas que encontram soluções para
instâncias de problemas reais.
http://w3.ualg.pt/~jvo/ml
Tópicos programáticos
IntroduçãoAprendizagem indutiva, regressão linear e logísticaRegularizaçãoAbordagem conexionista: Redes NeuraisMáquinas de Vetores de Suporte (SVM)Combinação de classificadoresTécnicas BayesianasModelos gráficosDeteção de AnomaliasSistemas de recomendaçãoAbordagem biológica: Algoritmos genéticos e evolutivos
7/15/2013
15
http://w3.ualg.pt/~jvo/ml
Bibliografia recomendada
http://w3.ualg.pt/~jvo/iml
Recommended bibliography[Referência principal]
Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006
[Referência complementar]Ethem Alpaydin, Introduction to Machine Learning. MIT Press, 2010
Recursos adicionais disponíves em http://w3.ualg.pt/~jvo/ml/
7/15/2013
16
http://w3.ualg.pt/~jvo/ml
AvaliaçãoNota final corresponde à média ponderada da nota de um conjunto de problemas que serão realizados ao longo da disciplina.
Arredondamentos só na nota final.
Os problemas incluem a realização de trabalhos práticos, opcionais.
Os trabalhos práticos são realizados em grupo de, no máximo, 3 (três) estudantes
http://w3.ualg.pt/~jvo/ml
SumárioIntrodução à Aprendizagem Automática : aplicações, definições, variantes, breve referência ao Estado da ArteObjetivos pedagógicos da disciplinaConteúdos programáticosBibliografia recomendadaAvaliaçãoRecursos online