Slides machine learning festival path pdf
-
Upload
fabio-bottura -
Category
Technology
-
view
94 -
download
1
Transcript of Slides machine learning festival path pdf
1
Machine Learning:o combustivel da inteliGENCIA ARTIFICIAL
FABIO [email protected]
http://facebook.com/casavaticano
´ ˆ
Objetivo da apresentacao
NUNCA OUVI FALAR
SEI DO QUE SE TRATA
SEI COMO SE FAZ SEI FAZER
Fundamentos Matemáticos
Tecnologia
Regras de Negócio
Machine Learning
Pesquisa Tradicional
Zona de Perigo Data
Science
• oportunidades • aplicacoes • avaliar o impacto
2
O QUE E MACHINE LEARNING?
COMO RECONHECEMOS UMA PESSOA?
If (x=y) { faça isso } else { faça aquilo }
SOFTWARE TRADICIONAL
95%10%
60%
4
COMO E POSSIVEL?
Inventadas por Newton e Leibiniz no século XVII.
DERIVADASInventadas na década de 40, tiveram grande desenvolvimento na década de 80.
REDES NEURAIS
7
COMO ENSINAR UMA MAQUINA A PENSAR?
APRENDIZADO NÃO-SUPERVISIONADO
• AGRUPAMENTO
APRENDIZADO SUPERVISIONADO
• REGRESSÃO LINEAR • REGRESSÃO LOGÍSTICA
9
IDADE, SEXO, RENDA, SITES VISITADOS, BUSCAS REALIZADAS, COMPRAS ANTERIORES.
CÂMBIO, JUROS, BALANÇOS, COTAÇÕES ANTERIORES, OUTRAS EMPRESAS, ORDENS PENDENTES.
BID DE MÍDIA PROGRAMÁTICA
DOSAGEM DE MEDICAMENTOS
VALOR DE UMA AÇÃO
REGRESSAO LINEAR
OCORRÊNCIA DE PALAVRAS, NÚMEROS, VALORES MONETÁRIOS.
VALOR, LOCAL, ESTABELECIMENTO E HORÁRIO DE UMA TRANSAÇÃO.
CONTEÚDO DE TEXTOS E IMAGENS, AUTOR DO POST, INTERAÇÕES ANTERIORES, DATA, HORA.
SPAM
DETECÇÃO DE FRAUDE
TIMELINE DE REDES SOCIAIS
REGRESSAO LOGISTICA
PESO, IDADE, SEXO, EXAMES CLÍNICOS.
VALORES ESCALARES
VALORES BINÁRIOS (CLASSIFICAÇÃO)
10
CJTO TREINO
CONJUNTO DE TREINO
CONJUNTO DE TESTE
PREVISÃO APÓS ALGORITMO TREINADO
Regressao linear: Previsao ou geracao de valores escalares
12
Achando a formula: MINIMIZANDO O ERRO
1. Aplicar valores aleatórios para os pesos dos parâmetros.
2. Calcular as hipóteses (h) de valor com os pesos aleatórios.
3. Calcular o erro médio para todo o conjunto de exemplos de treino.
SE A DERIVADA FOR NEGATIVA, AUMENTAR O PESO DE X
SE A DERIVADA FOR POSITIVA, DIMINUIR O PESO DE X.
CURVA DO ERRO
15
Achando a formula: Gradient descent
1. Aplicar valores aleatórios para os pesos dos parâmetros.
2. Calcular as hipóteses (h) de valor com os pesos aleatórios.
3. Calcular o erro médio para todo o conjunto de exemplos de treino.
4. Calcular a derivada para cada parâmetro e ajustar os pesos de acordo.
5. Voilá! Temos um algoritmo treinado.
ESTE CICLO SE REPETE ATÉ ALCANÇAR O ERRO MÍNIMO
CURVA DO ERRO
16
PERMITINDO O USO DA DERIVADA E DO GRADIENT DESCENT PARA TREINAR O ALGORITMO.
Regressao logistica: classificacao
OS VALORES DA HIPÓTESE SÃO PASSADOS PELA FUNÇÃO SIGMÓIDE PARA RESTRINGIR OS RESULTADOS A 0 E 1.
NA REGRESSAO LOGÍSTICA, OS VALORES DO CONJUNTO DE TREINAMENTO SÃO NA FORMA 0 E 1.
18
REGRESSOES X REDES NEURAIS
REGRESSÃO LINEAR E REGRESSÃO LOGÍSTICA CONVENCIONAIS
CONEXÕES ENTRE NEURÔNIOS NO CÉREBRO HUMANO
19
20
Redes NEURAIS e deep learning
FORWARD PROPAGATION
BACK PROPAGATION
REDES NEURAIS E DEEP LEARNING
NUM SEI, SÓ SEI QUE FOI
ASSIM
TUDO DEPENDE DOS DADOS ROTULADOS para treinamento
REGRESSÃO LINEAR
tristeza susto raiva repulsa surpresa alegria
leve
int
ensa
26
VIDEO 1 - DIGITS RECOGNITION
29Vídeo de Yann LeCun: http://yann.lecun.com/
VIDEO 1 - DIGITS RECOGNITION
29Vídeo de Yann LeCun: http://yann.lecun.com/
Processamento de linguagem natural
• ANÁLISE DE SENTIMENTO. • RESUMO E EXTRAÇÃO DE IDÉIA CHAVE. • PERGUNTAS E RESPOSTAS. • TRADUÇÃO. • DETECÇÃO DE PLÁGIO.
31
Processamento de linguagem natural
• ANÁLISE DE SENTIMENTO. • RESUMO E EXTRAÇÃO DE IDÉIA CHAVE. • PERGUNTAS E RESPOSTAS. • TRADUÇÃO. • DETECÇÃO DE PLÁGIO.
1. Detecção das palavras: substantivos, adjetivos e verbos.
mulher
câmera gato
multidão
lilás
segurando
2. Formação de frases: • câmera segurando mulher lilás. • lilás segurando mulher na multidão.
3. Ranking de frases: #1 = mulher segurando câmera na multidão.WORDNET
32
Video 3 - imaginando digitos
34
Vídeo de Geoffrey Hinton: http://www.cs.toronto.edu/~hinton/adi/index.htm
Video 3 - imaginando digitos
34
Vídeo de Geoffrey Hinton: http://www.cs.toronto.edu/~hinton/adi/index.htm
IMAGENS GERADAS POR REDES NEURAIS
35
Leon A. Gatys, Alexander S. Ecker e Matthias BethgeUniversidade de Tubingen - Alemanha.
37
ALGORITMOS GENETICOS E APRENDIZADO por comportamento
Vídeo de University of Wyoming: http://www.evolvingai.org/videos
37
ALGORITMOS GENETICOS E APRENDIZADO por comportamento
Vídeo de University of Wyoming: http://www.evolvingai.org/videos
HTM: hierarquical temporal memory
ESTRUTURA TRIDIMENSIONAL EM CAMADAS QUE SIMULAM A ESTRUTURA DO NEOCORTEX HUMANO.
LEVA EM CONSIDERAÇÃO A ORDEM DE CHEGADA DOS DADOS, ADICIONANDO A NOÇÃO DE TEMPO AO APRENDIZADO.
38
RESUMINDO: O CEU E O LIMITE
• PRATICAMENTE TUDO ONDE EXISTA UMA REGRA OBJETIVA OU SUBJETIVA, TEM POTENCIAL PARA SER APRENDIDO PELAS MÁQUINAS.
• IMPACTOS E OPORTUNIDADES NAS ÁREAS DE SAÚDE, SERVIÇOS, ENGENHARIAS, ENTRE MUITAS OUTRAS.
• A LONGO PRAZO, ATÉ MESMO O PRÓPRIO DESENVOLVIMENTO DE SOFTWARE PODE SER AFETADO. EX.: PBE PROGRAMMING BY EXAMPLE.
39
41
OBRIGADO!
http://facebook.com/casavaticano
FABIO BOTTURA!