Upgrade to Pro — share decks privately, control downloads, hide ads and more …

[ Cloud Girls - Ame Digital - 03/03/2020 ] - I...

[ Cloud Girls - Ame Digital - 03/03/2020 ] - IA com Java

More Decks by Kamila de fatima santos oliveira

Transcript

  1. 25 anos uma das linguagens mais utilizadas no mercado Comunidade

    (Devs Java Girl, Sou Java) POR QUE JAVA?
  2. Máquinas tentam imitar ou se basear no comportamento humano, aprendem

    e se adaptem a novas informações recebidas. INTELIGÊNCIA ARTIFICIAL
  3. Defense Advanced Research Projects Agency (DARPA) completou um projeto de

    mapeamento de ruas nos anos 1970 INTELIGÊNCIA ARTIFICIAL
  4. Deep learning é um ramo da Machine Learning , utilizado

    em problemas mais complexos, por exemplo, visão computacional DEEP LEARNING
  5. Se trata do aprendizado de máquina, um ramo da IA

    (inteligência Artificial) que se baseia na ideia de que sistemas são capazes de aprender com dados, identificar padrões e realizar tomadas de decisões com o mínimo de intervenção de um ser humano. O QUE É MACHINE LEARNING
  6. Presença de uma "professora" Os dados usados no treino do

    modelo devem ser “rotulados” Aplicado em 2 tipos de problemas: Classificação e Regressão APRENDIZADO SUPERVISIONADO
  7. Y = rótulos Y podem ser do tipo Numéricos Contínuos(datas,

    tamanhos e comprimentos)ou Categórico X = Atributos / Características APRENDIZADO SUPERVISIONADO
  8. Dado um conjunto de dados, com as labels alvos (Y),

    a classificação determina a classe de um caso de teste sem label. CLASSIFICAÇÃO
  9. O objetivo é usar os dados de informações (as outras

    colunas) para construir um classificador, passar um novo dado e em seguida rotulá-lo CLASSIFICAÇÃO
  10. Previsão de valor contínuo (número real). Regressão linear: refere-se quando

    temos somente uma variável independente para fazermos a predição REGRESSÃO
  11. Exige que o sistema desenvolva suas próprias conclusões a partir

    de um determinado conjunto de dados, onde podemos ter um agrupamento do conjunto, pois não há a presença de uma "professora" APRENDIZADO NÃO SUPERVISIONADO
  12. Pode ser usado para encontrar tendências. Os dados não precisam

    estar rotulados APRENDIZADO NÃO SUPERVISIONADO
  13. Na clusterização, o que é feito é agrupar esses casos

    em grupos que pareçam ser mais semelhantes (clusters), com base nas características que eles apresentam. CLUSTERIZAÇÃO
  14. O algoritmo realiza um feedback sobre os resultados obtidos, atribuindo

    pontuações positivas à resultados considerados corretos e penalizando os incorretos. APRENDIZADO POR REFORÇO
  15. APRENDIZADO POR REFORÇO Diante dessa pontuação, o Agente consegue ajustar

    seu comportamento de modo a buscar o melhor resultado.
  16. O QUE SÃO SISTEMAS DE RECOMENDAÇÃO São técnicas de software

    que fornecem sugestões de itens para ajudar usuários deste sistema nos diversos processos de tomada de decisão.
  17. Se baseia na similaridade entre pessoas na hora de escolher

    e atribuir notas para determinar os resultados de sua recomendação. PERSON CORRELATION SIMILARITY
  18. uma estrutura de álgebra linear para algoritmos de machine learning

    com desempenho escalonável, baseado no Apache Hadoop APACHE MAHOUT
  19. ADOBE AMP usa os algoritmos de agrupamento da Mahout para

    aumentar o consumo de vídeo, direcionando melhor o usuário
  20. DATAMINE LAB usa a recomendação de Mahout e os algoritmos

    de agrupamento para melhorar a segmentação de anúncios de nossos clientes
  21. TWITTER usa a implementação de LDA (Latent Dirichlet Allocation) da

    Mahout para modelagem de interesse do usuário
  22. APACHE HADOOP Apache Hadoop é uma estrutura que permite o

    processamento distribuído de grandes conjuntos de dados em clusters de computadores usando modelos de programação simples
  23. APACHE HADOOP Ele é projetado para escalar de servidores únicos

    para milhares de máquinas, cada uma oferecendo computação e armazenamento locais
  24. APACHE HADOOP Em vez de confiar no hardware para fornecer

    alta disponibilidade, a biblioteca em si é projetada para detectar e lidar com falhas na camada do aplicativo, entregando um serviço altamente disponível em um cluster de computadores, cada um dos quais pode ser propenso a falhas.