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

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

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

Transcript

  1. IA COM JAVA? Sistema de recomendação com Apache Mahout

  2. DEV BACKEND KAMILA SANTOS kamilah_code Kamila Santos Oliveira kamilahsantos kamilah_santos

    kamilahsantos Olar, eu sou a
  3. POR QUE JAVA? O QUE É INTELIGÊNCIA ARTIFICIAL 01 02

  4. O QUE É MACHINE LEARNING O QUE SÃO SISTEMAS DE

    RECOMENDAÇÃO 03 04
  5. APACHE MAHOUT APACHE HADOOP 05 06

  6. BORA CODAR? REFERÊNCIAS 07 08

  7. 25 anos uma das linguagens mais utilizadas no mercado Comunidade

    (Devs Java Girl, Sou Java) POR QUE JAVA?
  8. Airbnb Uber Netflix Spotify Instagram Slack EMPRESAS

  9. Máquinas tentam imitar ou se basear no comportamento humano, aprendem

    e se adaptem a novas informações recebidas. INTELIGÊNCIA ARTIFICIAL
  10. Primeiros estudos surgiram em 1950 para resolução de problemas. INTELIGÊNCIA

    ARTIFICIAL
  11. Defense Advanced Research Projects Agency (DARPA) completou um projeto de

    mapeamento de ruas nos anos 1970 INTELIGÊNCIA ARTIFICIAL
  12. Primeiros trabalhos com redes neurais criam curiosidade por "máquinas pensantes".

    1950 – 1970 REDES NEURAIS
  13. Machine learning se populariza. 1980 – 2010 MACHINE LEARNING

  14. Deep learning é um ramo da Machine Learning , utilizado

    em problemas mais complexos, por exemplo, visão computacional DEEP LEARNING
  15. 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
  16. Estatística Ciência da computação Engenharia QUAL A SUA BASE?

  17. Supervisionado Não Supervisionado Reforço TIPOS DE APRENDIZADO

  18. 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
  19. Y = rótulos Y podem ser do tipo Numéricos Contínuos(datas,

    tamanhos e comprimentos)ou Categórico X = Atributos / Características APRENDIZADO SUPERVISIONADO
  20. APRENDIZADO SUPERVISIONADO

  21. Dado um conjunto de dados, com as labels alvos (Y),

    a classificação determina a classe de um caso de teste sem label. CLASSIFICAÇÃO
  22. 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
  23. CLASSIFICAÇÃO

  24. Previsão de valor contínuo (número real). Regressão linear: refere-se quando

    temos somente uma variável independente para fazermos a predição REGRESSÃO
  25. Regressão linear múltipla: refere-se a várias variáveis independentes usadas para

    fazer a predição. REGRESSÃO
  26. 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
  27. Pode ser usado para encontrar tendências. Os dados não precisam

    estar rotulados APRENDIZADO NÃO SUPERVISIONADO
  28. Agrupamento é chamado de Clustering APRENDIZADO NÃO SUPERVISIONADO

  29. 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
  30. CLUSTERIZAÇÃO

  31. O algoritmo realiza um feedback sobre os resultados obtidos, atribuindo

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

    seu comportamento de modo a buscar o melhor resultado.
  33. ONDE APLICAR? Detecção de fraude Sistemas de recomendação Mecanismos de

    busca Prevenção de demanda
  34. ONDE APLICAR? Análise de streaming de dados Manutenção preditiva Robôs

    Diagnóstico na área da saúde
  35. 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.
  36. QUE FILME EU VOU ASSISTIR?

  37. QUE FILME EU VOU ASSISTIR?

  38. EU JÁ ASSISTI ESSES AQUI:

  39. EU JÁ ASSISTI ESSES AQUI:

  40. PERSON CORRELATION SIMILARITY

  41. Se baseia na similaridade entre pessoas na hora de escolher

    e atribuir notas para determinar os resultados de sua recomendação. PERSON CORRELATION SIMILARITY
  42. APACHE MAHOUT

  43. None
  44. uma estrutura de álgebra linear para algoritmos de machine learning

    com desempenho escalonável, baseado no Apache Hadoop APACHE MAHOUT
  45. APACHE MAHOUT PREPROCESSORS REGRESSION CLUSTERING RECOMMENDERS

  46. ADOBE AMP usa os algoritmos de agrupamento da Mahout para

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

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

    Mahout para modelagem de interesse do usuário
  49. APACHE HADOOP

  50. None
  51. 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
  52. APACHE HADOOP Ele é projetado para escalar de servidores únicos

    para milhares de máquinas, cada uma oferecendo computação e armazenamento locais
  53. 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.
  54. Adobe Alibaba Datagraph eBay Facebook Google Linkedin Yahoo

  55. BORA CODAR?

  56. CONFIGURAÇÃO POM.XML

  57. None
  58. CONTEÚDO DOS CSV

  59. None
  60. RECOMENDADOR.JAVA GUARDA OS MODELOS DE DADOS QUE SERÃO ANALISADOS

  61. None
  62. RECOMENDADORBUILDER .JAVA CONSTRÓI A LÓGICA PARA O NOSSO RECOMENDADOR

  63. None
  64. RECOMENDAFILMES.JAVA

  65. None
  66. None
  67. RECOMENDALIVROS.JAVA

  68. None
  69. None
  70. None
  71. AVALIADOR.JAVA

  72. None
  73. None
  74. None
  75. REFERÊNCIAS https://github.com/Kamilahsantos/sistema-de-recomendacao-java-mahout https://cursos.alura.com.br/course/machine-learning-introducao-aos-sistemas- de-recomendacoes https://github.com/apache/mahout https://www.linkedin.com/in/laura-damaceno/ (me ajudou com conteúdo

    de IA <3 )
  76. REFERÊNCIAS hhttps://www.infoq.com/br/presentations/machine-learning-em-java-com- apache-mahout https://www.tutorialspoint.com/mahout/mahout_machine_learning.htm https://mahout.apache.org/ https://www.sas.com/pt_br/insights/analytics/machine-learning.html https://king.host/blog/2018/09/o-que-sao-sistemas-de-recomendacao/ https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-client

  77. OBRIGADA <3