Clustering Prof. Francisco de A. T. de Carvalho [email protected].
Aprendizagem de M aquina Primeiro semestre de 2020 ...fatc/AM/AM-Introducao-2020-1.pdfe apresentao I...
Transcript of Aprendizagem de M aquina Primeiro semestre de 2020 ...fatc/AM/AM-Introducao-2020-1.pdfe apresentao I...
-
Aprendizagem de Máquina
I Aprendizagem de Máquina
I Primeiro semestre de 2020
I Francisco Carvalho (fatc) e Leandro Almeida (lma3)
I Universidade Federal de Pernambuco - UFPE
I Centro de Informtica - CIn
-
Objetivos da disciplina
I Estudo de técnicas computacionais que apresentemcaracteŕısticas de aprendizagem automática
I Fornecer uma visão geral da área de aprendizagem de máquinaI Estudar métodos e técnicas de aprendizagem de máquina
estat́ıstca, simbólica, conexionista e evolucionistaI Estudar aspectos teóricos e práticos da aprendizagem de
máquina
-
Bibliografia
I Mitchell, T. Machine Learning. McGraw Hill, 1997
I Bishop, C. M. Pattern recognition and Machine Learning.Springer, 2006
I Duda, R. O., Hart, P.E. e Stork, D.G. Pattern Classification, 2nd Ed. Wiley-Interscience,2000
I Braga, A., Carvalho, A.C.P.L.F. e Ludermir, T. Redes NeuraisArtificiais: Teoria e Aplicaes. LTC
I Facelli, K., Lorena, A.C., Gama, J., Carvalho, A.C.P.L.F.Inteligência Artificial. Uma abordagem de Aprendizado deMáquina
-
Método de avaliação
I Conceito baseado em duas provas + 2 trabalhos com relatórioe apresentao
I Prova Francisco: terça 16/06/2020
I Prova Leandro: quinta 25/06/2020
I Entrega e apresentação do trabalho (Prof. Francisco): terça30/06/2020
I Entrega e apresentação do trabalho (Prof. Leandro): quinta02/07/2020
-
Programa da primeira parte
I Teoriada Decisão Bayesiana
I Estimao Paramétrica
I Misturas
I Combinação de Modelos
I Avaliação de Modelos
I Aprendizagem não Supervisionada e Clustering
I http://www.cin.ufpe.br/˜ fatc/AM/
-
Programa da segunda parte
I Árvoresde Decisão
I Aprendizado Baseado em Instâncias
I Sistemas Conexionistas
I Computação Evolutiva
I Planejamento e Avaliação de Experimentos
-
Bons cursos na web
I Learning from DataI Yaser S. Abu-MostafaI CaltechI itunesU, Youtube
I Machine LearningI Andrew NgI StanfordI Coursera, Youtube
-
O problema do aprendizado
I Exemplo: Prever como um usuário avalia um filme
I 10% melhora = Prêmio de 1 milho de dólares (Netflix)I A essência do aprendizado de máquina:
I Existe um padrãoI Não é posśıvel construir uma equaçãoo matemáticaI Existem dados dispońıveis
-
Componentes do aprendizado
I Metafora: Aprovação de crédito
I Aprovar crédito?
-
Componentes do aprendizado
-
Componentes do aprendizado
-
Componentes do aprendizado
-
Aprendizado de Máquina
-
Aprendizado de Máquina (Exemplos)
-
Inferncia Indutiva (1/2)
-
Inferncia Indutiva (2/2)
-
Aprendizado de Máquina
-
Aprendizado de Máquina - Exemplo (1/2)
-
Aprendizado de Máquina - Exemplo (2/2)
-
Aprendizado de Máquina
-
Paradigmas de AM
-
Paradigma Simbólico
-
Paradigma Baseado em Instâncias
-
Paradigma Estat́ıstico
-
Paradigma Evolucionário
-
Paradigma Conexionista
-
Tipos de Aprendizado de Máquina (1/3)
-
Exemplo: Reconhecimento de moedas
-
Exemplo: Reconhecimento de moedas
-
Tipos de Aprendizado de Máquina (2/3)
-
Tipos de Aprendizado de Máquina (2/3)
-
Tipos de Aprendizado de Máquina (2/3)
-
Tipos de Aprendizado de Máquina (3/3)
-
Tipos de Aprendizado de Máquina (3/3)
-
Learning approaches
I Supervised approachesI Technique centered: Feature selection methods, Probabilistic
methods, Decision trees, Rule-based methods, Instance-basedlearning, SVM classifiers, Neural networks
I Data-Type centered: Large scale data (big data, datastreams), Text classification, Multimedia classification, Timeseries and sequence data classification, Network dataclassification, Uncertainty data classification
I Variations: Rare class learning, Distance function learning,Ensemble learning, semi-supervised learning, transfer learning,active learning, visual learning
-
Learning approaches
I Unsupervised approachesI Technique centered: Feature selection methods, Probabilistic
models, Distance-based algorithms, Density- and grid-basedmethods, Dimensionality reduction methods (generativemodels, matrix factorization, co-clustering, spectral methods),Scalable techniques (streaming algorithms, big dataframework)
I Data-Type centered: Categorical data, Text data, Multimediadata, time-seires data, Discrete sequences, Network data,Uncertainty data
I Variations: Visual clustering, Supervised insights, Multi-viewand ensemble-based clustering
-
Conceitos e Definições
-
Escala Nominal ou Categórica
-
Escala Ordinal
-
Escala Intervalar
-
Escala de Razão
-
Para que tipos espećıficos de atributos?
-
Conceitos e Definições
-
Conceitos e Definições
-
Conceitos e Definições
-
Conceitos e Definições
-
Conceitos e Definições
-
Conceitos e Definições
-
Resources: Datasets