aprendizado de máquina (machine learning) - unisulpaginas.unisul.br/max.pereira/ml_aula01.pdf ·...

Ciência da Computação

Aprendizado de Máquina(Machine Learning)

Aula 01 Motivação, áreas de aplicação e fundamentos

Max Pereira

Nem todo conhecimento tem o mesmo valor.

Aprendizado de Máquina

O que torna determinado conhecimento mais importante que outro?

O que exatamente fornece ao conhecimento, ou a informação o seu valor?

Aprendizado de Máquina

Resumindo...

O conhecimento que utilizamos tem mais valor do que o conhecimento que não utilizamos.

Aprendizado de Máquina

• Para que os humanos usam o conhecimento?

• Por que sempre queremos mais?

• O que planejamos fazercom tal conhecimento?

Aprendizado de Máquina

Humanos usam o conhecimento para tomar decisões!

Estamos constantemente tentando prever as consequências das escolhas que fazemos.

Por que?

Aprendizado de Máquina

Se podemos prever as consequênciasdas escolhas, então podemos escolher as consequências que queremos.

Aprendizado de Máquina

O valor do conhecimento é a sua utilidade em influenciar as decisões.

Em outras palavras, seu valor é determinado pela sua utilidade em fazer previsões precisas.

Isso pode ser quantificado?

Aprendizado de Máquina

Apesar de ser impraticável a tentativa de quantificar o valor de um determinado conhecimento, torna-se muito mais fácil quando ele é combinado com uma tarefa de previsão.

Aprendizado de Máquina

Ter ou não ter um algoritmo, eis a questão!

Aprendizado de Máquina

Problema: ordenar números

Entrada: uma sequência de números

Saída: uma lista ordenada dos números

Aprendizado de Máquina

Existem vários algoritmos!

Problema: Identificar spam e-mails

Entrada: um e-mail (arquivo de caracteres)

Saída: sim/não

Aprendizado de Máquina

Não sabemos como transformar a entrada para a

saída!

Aprendizado de Máquina

A falta de conhecimento é compensada pelos dados.

Queremos “aprender” o que diferencia os spams de e-mails que não são spams.

Queremos que o computador (máquina) extraia automaticamente o algoritmo.

Os dados armazenados se tornam úteis quando analisados e são transformados em informação que, podemos utilizar para, por exemplo, fazer previsões.

Aprendizado de Máquina

Há um processo que explica os dados que observamos. Os dados não são completamente

randômicos. Há certos padrões nos dados.

Aprendizado de Máquina

Talvez não possamos identificar completamente o processo, mas podemos construir uma boa aproximação. Assim, podemos detectar certos padrões e regularidades.

Esse é o foco do aprendizado de máquina!

Aprendizado de Máquina

Áreas de aplicação

• Aplicações de crédito

• Detecção de fraudes

• Mercado de ações

• Controle e otimização de manufatura

• Diagnóstico médico

• Otimização de redes de telecomunicação

• Análise de dados biológicos e físicos

• Análise de dados na Web

Aprendizado de Máquina

A aplicação de métodos de aprendizado de máquina em grandes bases de dados é chamada de Mineração de Dados (data mining).

Aprendizado de Máquina

Aprendizado de máquina não é apenas um método para problemas de banco de dados; é também uma parte da Inteligência Artificial.

Aprendizado de Máquina

Aprendizado de máquina nos ajuda a resolver problemas nas áreas de:

• Visão computacional;

• Reconhecimento de voz;

• Robótica

• Reconhecimento de padrões.

Aprendizado de Máquina

Aprendizado de máquina é a programação de computadores para otimizar a execução de critériosusando dados de exemplos ou experiências passadas.

Aprendizado de Máquina

Os modelos definidos podem ser preditivos para realizar previsões, ou descritivos para adquirir conhecimento a partir dos dados, ou mesmo ambos.

Aprendizado de Máquina

O aprendizado de máquina usa a teoria estatística para construir modelos matemáticos, porque a tarefa principal é a realização de inferência a partir de uma amostra.

Aprendizado de Máquina

Resumindo...

Basicamente, o aprendizado de máquina trata de prever o futuro com base no passado.

Aprendizado de Máquina

Desafios

Escalabilidade

Alta dimensionalidade

Dados complexos e heterogêneos

Propriedade e Distribuição de Dados

Análises não Tradicionais

Exemplo:

Prever quanto uma determinada pessoa irá gostar de um filme que ela ainda não viu, com base nas notas dos filmes que ela já viu.

Aprendizado de Máquina

E quanto aos dados?

Podem ser palavras em um documento ou pixels em uma imagem.

Pode ser necessário convertê-los em um formato padrão.

Aprendizado de Máquina

Representação dos Dados

Muitos datasets podem ser representados por matrizes, com valores binários, reais, discretos, etc.

Outros podem ser documentos ou imagens com tamanhos diversos.

É importante pensar na representação (estrutura) e transformar os dados caso seja necessário, antes de aplicar os algoritmos.

Aprendizado de Máquina

O que significa aprender?

Uma forma comum de verificar se uma pessoa aprendeu sobre determinado assunto é aplicar uma “prova”.

Aprendizado de Máquina

Espera-se que a pessoa estude (aprenda) exemplos específicos sobre o assunto, e depois possa responder questões novas, porém relacionadas ao assunto.

Dessa forma, pode-se testara habilidade de generalização da pessoa.

Aprendizado de Máquina

A generalização é um dos conceitos mais importantes em aprendizado de máquina.

Overfitting, underfitting....???

Aprendizado de Máquina

Principais tarefas

Classificação

Na classificação, nosso objetivo é prever qual classeuma determinada instância de dados pertence.

Regressão

Na regressão, procuramos prever um valor numérico.

Aprendizado de Máquina

Classificação e regressão são exemplos de aprendizado supervisionado.

Supervisionado porque estamos dizendo ao algoritmo o que ele deve prever.

Aprendizado de Máquina

Em contrapartida, há um conjunto de tarefas conhecido como aprendizado não-supervisionado.

Nesse tipo de aprendizado não há rótulosou valor alvo contidos nos dados.

A tarefa de agrupar dados similares é conhecida como agrupamento(clustering).

Aprendizado de Máquina

No aprendizado não-supervisionado podemos também procurar valores estatísticos que descrevam os dados.

Aprendizado de Máquina

Estimativa de densidade

Aprendizado de Máquina

Aprendizado supervisionado Aprendizado não-

supervisionado

k-Nearest Neighbors k-Means

Naive Bayes DBSCAN

Support vector machines (SVM)

Decision trees

Algoritmos

Como escolher o algoritmo correto?

Primeiro:

Definir qual o seu objetivo.

O que você quer? A probabilidade de chuva amanhã ou encontrar grupos de eleitores com interesses similares?

Aprendizado de Máquina

Segundo:

Quais dados você tem ou pode conseguir?

Aprendizado de Máquina

Desenvolvimento de aplicações de aprendizado de máquina

1. Coletar os dados

2. Preparar os dados de entrada

3. Analisar os dados de entrada

4. Treinar o algoritmo

5. Testar o algoritmo

Aprendizado de Máquina