Uma introdução prática ao aprendizado de máquina com o Weka

Transcript

1. Uma introdução prática ao aprendizado de máquina com o Weka
2. Parte I: introdução
3. • Lucas Santos • Desenvolvedor há 3 anos • Experiência em desenvolvimento web com Ruby, Java e Angular • Pesquisa em inteligência artificial
4. Projetos • Pedophiles Analysis System • Processamento e análise de textos
5. Parte II: teoria
6. Aprendizagem de Máquina É uma área da IA cujo objetivo é a construção de técnicas computacionais, visando o aprendizado de forma automática.
7. Terminologia • Inteligência Artificial • Área da computação cujo objetivo é estudar e desenvolver sistemas que simulem a capacidade humana de resolver problemas • Aprendizagem de Máquina • Visa o desenvolvimento de algoritmos que são “treinados”, baseando-se em modelos matemáticos • Data mining • Extração de conhecimento de bases de dados, usando técnicas de aprendizagem de máquina
8. Métodos de aprendizagem de máquina
9. Métodos preditivos Usa modelos estatísticos e técnicas de predição para entender o futuro e responder: “O que poderia acontecer?”
10. Classificação • Marketing direcionado • Filtros de Spams • Risco de crédito • Separação de notícias • Previsão de doenças
11. Regressão É encontrar a melhor equação que determina o valor de y, baseando-se em um conjunto de variáveis x
12. • Atributos de um imóvel -> valor de venda; • Gastos com o cartão de crédito -> limite. Regressão
13. Métodos descritivos Usa uma agregação e mineração de dados para prover insights sobre o passado e responder: “O que aconteceu?”
14. Associação Define regras de associação, ou seja, define com que frequência dois ou mais eventos ocorrem juntos
15. Associação
16. Agrupamento É uma técnica que visa agrupar objetos semelhantes entre si, de tal forma que forme grupos segmentados de acordo com as características encontradas.
17. • Segmentação de Mercado • Marketing direcionado • Mala direta • Perfil de clientes Agrupamento
18. Detecção de desvios Técnica que tenta identificar objetos ou eventos que não estão de acordo com um padrão determinado.
19. Detecção de desvios • Fraudes em cartões de crédito • Motores em automóveis • Fábricas automatizadas
20. Padrões sequenciais Técnica que tenta identificar a ordem em que objetos ou tarefas são executados.
21. Padrões sequenciais • Sugestões de produtos • Marketing direcionado • Sugetões de sites
22. Sumarização Técnica que tenta extrair as principais informações em um conjunto de dados
23. Sumarização • “Estão presentes nessa sala pessoas com idade entre 18 e 35 anos, que estudam tecnologia da informação” • Perfis de clientes
24. Tipos de aprendizagem de máquina
25. Aprendizagem supervisionada Extração de características Algoritmo de aprendizagem Modelo aprendido Supervisor Extração de características Modelo aprendido Bart Simpson Exemplo de Jones Granatyr
26. Aprendizagem não-supervisionada A análise ocorre de forma automática, sem a interferência de um supervisor. Os algoritmos são responsáveis por determinar a relação entre os dados observados.
27. Aprendizagem por reforço • A aprendizagem ocorre por meio das interações com o ambiente. • Aprendizagem ocorre por experiência própria
28. WEKA
29. WEKA • Biblioteca de mineração de dados e aprendizagem de máquina escrita em Java • Desenvolvido pelo grupo de Machine Learning da Universidade de Waikato, Nova Zelândia • Open source
30. WEKA • Utiliza arquivos no formato ARFF para obter dados • Permite conexão direta com bases de dados via JDBC
31. Parte III: na prática
32. Naïve Bayes • É uma abordagem probabilística • Indica a probabilidade de um dado analisado pertencer a alguma classe pré-definida
34. • Tendo uma base de dados histórica, o algoritmo gerará uma tabela de probabilidades Naïve Bayes
36. Naïve Bayes • Para se obter a classificação de um exemplo ainda não analisado, os atributos informados devem ser submetidos a tabela de probabilidades.
38. Redes Neurais Artificiais
39. Redes Neurais Artificiais • São usadas para solucionar problemas complexos, onde não há um modelo matemático pré-definido. • Demandam um tempo de aprendizagem maior.
40. Redes Neurais Artificiais • Neurônios: o cérebro usa para processar as informações • Axônio: transmite um sinal de um neurônio para outro (sinapses) e conecta os neurônios • Substâncias químicas são lançadas das sinapses e entram pelos dendritos, aumentando ou baixando o potêncial elétrico do corpo da célula. • O neurônio dispara se a entrada é maior que um número definido.
41. Redes Neurais Artificiais 1943 - McCulloch e Pitts 1958 – Frank Rosenblatt (perceptron)
42. Redes Neurais Artificiais • Pesos são as sinapses •Pesos positivos: sinapses excitadoras •Pesos negativos: sinapses inibidoras •A aprendizagem é dada pelos valores dos pesos
43. Redes Neurais Artificiais
44. Redes Neurais Artificiais • Para calcular os pesos, algumas formas simples são as seguintes equações: peso(n+1) = peson(n) + (taxaAprendizagem * entrada * error) erro = respostaCorreta - respostaCalculada
45. Redes Neurais Artificiais
46. Redes Neurais Artificiais
47. Parte IV: próximos passos
48. Onde aprender Machine Learning? • Deep Learning Specialization (Coursera) • Machine Learning e Data Science com Java e Weka (Udemy) • Machine Learning e Data Science com Python (Udemy) • Machine Learning e Data Science com R (Udemy)
49. Dúvidas?