Machine Learning with javascript

Transcript

1. JAVASCRIPT EXPLORANDO O FANTÁSTICO MUNDO DE MACHINE LEARNING COM JSDAY RIO •
2. - ARTHUR SAMUEL
3. CLÓVIS NETO FRONT END ENGINEER
4. 2 ANOS ATRÁS... Machine Learning has been come so popular in the last three years and web giants is using already, like: facebook, google and apple.
9. "OUR GOAL WITH GUESS.JS IS TO MINIMIZE YOUR BUNDLE LAYOUT CONFIGURATION, MAKE IT DATA-DRIVEN, AND MUCH MORE ACCURATE! IN THE END, YOU SHOULD LAZY LOAD ALL YOUR ROUTES AND GUESS.JS WILL FIGURE OUT WHICH BUNDLES TO BE COMBINED TOGETHER AND WHAT PRE-FETCHING MECHANISM TO BE USED! ALL THIS IN LESS THAN 5 MINUTES SETUP TIME." - GUESS.JS TEAM
10. PROBLEMAS SOCIAIS
12. 1 DIA DEPOIS
13. 2 DIAS DEPOIS
14. 4 DIAS DEPOIS
15. ANTES DA GREVE
16. DEPOIS DA GREVE
17. O QUE É MACHINE LEARNING?
20. @clovissneto github.com/clovisdasilvaneto fb.com/ClovisDaSilvaNeto OBRIGADO
23. "A FIELD OF STUDY THAT GIVES COMPUTERS THE ABILITY TO LEARN WITHOUT BEING EXPLICITLY PROGRAMMED" - Arthur Samuel
24. Wikipedia "Machine learning is a field of computer science that often uses statistical techniques to give computers the ability to "learn" (i.e., progressively improve performance on a specific task) with data, without being explicitly programmed."
25. MAS COMO FUNCIONA ESSE PROCESSO DE APRENDIZAGEM?
26. ML SEMI-SUPERVISING LEARNING REINFORCEMENT LEARNING UNSUPERVISED LEARNING SUPERVISED LEARNING
27. ML SEMI-SUPERVISING LEARNING REINFORCEMENT LEARNING UNSUPERVISED LEARNING SUPERVISED LEARNING
28. CLASSIFICATION REGRESSION
29. SUPERVISED LEARNING CLASSIFICATION REGRESSION
30. SUPERVISED LEARNING CLASSIFICATION REGRESSION
31. TRATAMENTO E NORMALIZAÇÃO DOS DADOS
32. ID ATTACK DEFENSE WEAKNESS_WIND KIND 1 22 18 2 FIRE 2 220 23 0.5 WATER 3 20 50 1 WATER ...(n) ... ... ... WATER / FIRE
33. ID ATTACK DEFENSE WEAKNESS_ WIND KIND 1 22 18 2 FIRE 2 220 23 0.5 WATER 3 20 50 1 WATER ...(n) ... ... ... WATER / FIRE LABEL
34. ATTACK DEFENSE WEAKNESS_WIND ATTACK DEFENSE 22 18 2 22 18 220 23 0.5 220 23 20 50 1 20 50 ... ... ... ... ... INPUTS
35. KIND 1 0 0 0 / 1 NORMALIZE DATA
36. DATASET TRAINING DATA 70% - 80% TEST DATA 20% - 30% SEPARAÇÃO DOS DADOS
37. ESCOLHA DO ALGORITMO
38. CLASSIFICATION SVM KNN DECISION TREE NAIVE BAYES NEURAL NETWORKS
39. K-NEAREST NEIGHBOURS
40. K = 3
41. K = 5
42. É IMPORTANTE ESCOLHER UM NÚMERO IMPAR PARA O VALOR DE 'K', PARA QUE SEJA EVITADO EMPATE AO ESCOLHER OS VIZINHOS MAIS PRÓXIMOS
43. CASO DE EMPATE
44. 2 DISTÂNCIA EUCLIDIANA
45. HORA DO CÓDIGO WARNING: Este código feito extremamente para fins didáticos
46. DANDO UMA OLHADA NO DATASET 30,64,1, 1 30,62,3, 1 30,65,0, 1 31,59,2, 1 31,65,4, 1 33,58,10, 1 33,60,0, 1 34,59,0, 0 34,66,9, 0 1 = fogo 0 = agua Label
47. DEFINIÇÃO DA CLASSE KNN
48. COMO UTILIZAREMOS A CLASSE
49. PREPARAÇÃO / FORMATAÇÃO DO CONJUNTO DE DADOS
50. VISUALIZANDO OS DADOS DEPOIS DE FORMATADOS
51. CRIANDO O MÉTODO DE PREDIÇÃO DO KNN
52. CRIANDO O MÉTODO DE PREDIÇÃO DO KNN
53. 2 OLHA EU AQUI DE NOVO!
54. TIRANDO A DISTANCIA EUCLIDIANA
55. ORDENANDO PARA SABER QUEM ESTÁ MAIS PRÓXIMO
56. VERIFICANDO QUAL É O LABEL DO VIZINHO MAIS PRÓXIMO 0
57. E FINALMENTE... A PREDIÇÃO
58. DESCOBRINDO O TIPO DE UM POKÉMON DESCONHECIDO
59. TESTANDO A ACURÁCIA DO CLASSIFICADOR
60. E RODAMOS PARA VER O QUANTO NOSSO KNN É ARRETADO DE BOM!
61. SÓ ISSO MESMO?
62. MORCEGO
63. GATO
64. ARCO-ÍRIS
67. http://tiny.cc/e0ueuy
68. http://tiny.cc/40ueuy
69. ALGUNS FRAMEWORKS CONHECIDOS SYNAPTIC.JS
70. MACHINE LEARNING ESTÁ AO NOSSO ALCANCE, É APENAS QUESTÃO DE ESCOLHA
71. @clovissneto github.com/clovisdasilvaneto fb.com/ClovisDaSilvaNeto OBRIGADO