Inteligência Artificial na Prática
- 1. Inteligência Artificial na Prática Claudio Filipi Gonçalves dos Santos 1
- 2. Nesta apresentação: - O que é Machine Learning ? - Análise de Dados - Exemplo 1: Análise de Dados - Deep Learning - Exemplo 2: Reconhecedor de Caracteres - Exemplo 3: Reconhecedor de Faces 2
- 3. O que é Machine Learning? - Sub-área da Inteligência Artificial - Fornece habilidade do computador aprender - Sem programação explicita! 3
- 4. Solução de Problemas - Otimização - Classificação - Análise de padrões - Clusterização 4
- 5. Definição 5 "Machine Learning ou Aprendizado de Máquina é um método de análise de dados que automatiza o desenvolvimento de modelos analíticos. Usando algoritmos que aprendem interativamente a partir de dados, o aprendizado de máquinas permite que os computadores encontrem insights ocultos sem serem explicitamente programados para procurar algo específico." SAS - https://www.sas.com/pt_br/insights/analytics/machine-learning.html
- 7. Algoritmo Genético Um dos primeiros criados e muito usado até hoje ● Baseado no modelo evolutivo de Darwin ● Versão de John Henry Holland de 1975 é a mais popular ● Otimizador muito usado no meio acadêmico 7
- 8. Ant Colony Optimization (ACO) Solução alternativa ao Problema do Caixeiro Viajante ● Sistema baseado na natureza(colônia de formigas) ● Criado em 1992 ● Google Maps usa uma versão do ACO combinada com outros algoritmos para gerar rota 8
- 9. Redes Neurais Artificiais Base para Deep Learning ● Familia de algoritmos baseados no cérebro de diversos animais ● Interesse no modelo de volta em 1986 com Backpropagation ● Capacidade de separação não linear 9
- 10. Como fazer uma primeira análise? 10
- 11. Exemplo 1: Análise de Dados Classificação/Regressão - Categorizar uma entrada/Definir valor de uma entrada - Baseadas nas características 11
- 12. Exemplo 1: Análise de Dados Análise dos Dados - Quais características mais influenciam? - Quais menos influenciam? - É possível determinar o valor/classificar usando menos características? - É possível determinar o valor/classificar combinando características? 12
- 13. Gradient Boosting - Classificador - Regressor - Determina importância das características 13
- 14. Gradient Boosting “Um algoritmo eficiente para transformar hipóteses ruins em hipóteses boas” Thoughts on Hypothesis Boosting, Michael Kearns (1998) - Funcionamento - Método supervisionado - Usa Árvore de Decisão - “Hipótese ruim” 14
- 16. Exemplo: Iris Dataset Banco com características de flores - 4 características - 3 classes - 150 entradas, 50 para cada tipo de flor 16
- 17. Código 17
- 18. Resultado 18
- 19. Modelo Bom? Poucas características Dataset pequeno Flores possuem mais características: - Cor - Estrutura - Altura - Formato das folhas - E muito mais! 19
- 20. Mundo Real 20
- 21. Competição Kaggle-Santander - Determinar quais clientes estão satisfeitos e insatisfeitos - 369 características - 76020 entradas 21
- 22. Código 22
- 23. Resultado 23
- 24. 24
- 25. Fácil e sair usando? Ler documentação vale a pena Usado com os parâmetros default 25 http://xgboost.readthedocs.io/en/latest/python/python_api.html - Documentação
- 26. Leve alteração, outros resultados 26 Versão 1 Versão 2
- 27. 27 Versão 1
- 28. 28 Versão 2
- 29. Deep Learning 29
- 30. Deep Learning Funcionamento - 1a fase: extração de características - 2a fase: modelo generativo 30
- 31. Exemplo 2: Classificador de Dígitos (0-9) Rede Neural Convolucional 31
- 32. Convolutional Neural Network (CNN) Leva em conta a localização dos dados ● Tratamento de imagens ● 1998: Yan LeCun alcança mais de 99% de acerto na classificação de dígitos escritos à mão (MNIST) ● Técnica de processamento de sinais (convolução) 32
- 33. Exemplo 2: Classificador de Dígitos (0-9) - Classificação de dígitos (0-9) escritos à mão - Dataset MNIST 33
- 34. Exemplo 2: Classificador de Dígitos (0-9) 34
- 35. Exemplo 2: Classificador de Dígitos (0-9) 35
- 36. Exemplo 2 (treinamento e resultados) 36
- 37. O que se passa na rede? 37
- 38. Exemplo 3: Reconhecimento Facial Quem é? Claudio! Faces Conhecidas 38
- 39. Fases Para Reconhecimento Facial 1a Fase: - Detectar face 2a Fase: - Detectar e codificar características da face 3a Fase: - Comparar os dados 39
- 40. Código 40
- 42. 1a Fase: Detecção de Face - Primeiro detectar se há uma face - Uma imagem pode conter mais de uma face - Importante isolar para facilitar o trabalho posterior 42
- 43. 2a Fase: Características da Face Quais características? - Tamanho do rosto - Distância dos olhos - Posição da boca - Entre outras 43
- 44. 3a Fase: Encoding das Faces - Com a detecção dos pontos principais, é necessário tansformar em algo comparável (um número, um array, uma matriz...) - shape_predictor faz essa transformação 44
- 45. 1a/2a/3a Fases em um Bloco 45
- 46. O que está acontecendo? Os pontos de interesse das faces foram detectados, em forma de pontos 46
- 47. 4a Fase: Comparar Faces - Com os valores de encoding prontos, resta fazer a comparação - O valor comparado deve ser menor que TOLERANCE Quem é? Claudio! Faces Conhecidas 47
- 49. 5a Fase: Comparar Faces - A função anterior retorna um vetor de Booleanos dizendo com qual face o dado de entrada se parece - Sinta-se a vontade para criar uma interface! 49
- 52. Resultados? 52
- 55. Resultado 55
- 57. Limitações do exemplo - Limitado à 1(uma) face por imagem - A face deve estar de frente para pegar todos os pontos de destaque - Não foi feito teste com muitas imagens 57
- 58. Conclusão 58
- 59. Conclusão Se trabalha com dados: - Estudar Gradient Boosting Se trabalha com mídia - Estudar Deep Learning - Convolutional Neural Network 59
- 60. Recomendação PCA (Principal Component Analysis) Combinar Gradient Boosting com PCA Deep Learning: Keras Técnicas de Deep Learning - Convolutional Neural Network - Recurrent Neural Network - Long Short-Term Memory(LSTM) - Gated Recurrent Unit (GRU) 60
- 61. Links 61 Competições Kaggle: https://www.kaggle.com/competitions Gradient Boosting: - Introdução:http://machinelearningmastery.com/gentle-introduction-gradient-boosting-algorithm-machine- learning/ - Seleção de Características: http://machinelearningmastery.com/gentle-introduction-gradient-boosting-algorithm-machine-learning/ - Diferença: Gradient Boosting x Randon Forest: http://fastml.com/what-is-better-gradient-boosted-trees-or-random-forest/ Deep Learning: Blog sobre Deep Learning: http://machinelearningmastery.com/blog/ Tutoriais com implementações mais baixo nível das arquiteturas Deep Learning- http://deeplearning.net/tutorial/logreg.html Livro sobre deep learning: http://neuralnetworksanddeeplearning.com/
- 62. Links 62 Código dos Exemplos: - Iris: https://github.com/cfsantos/xgboost-iris - Competição Kaggle-Santander: https://github.com/cfsantos/xgboost-santander - CNN - MNIST: https://github.com/cfsantos/CNNExample - Face Recognition: https://github.com/cfsantos/face-recognition.git Artigos Relacionados ao Detector de Faces: - Características da face: One Millisecond Face Alignment with an Ensemble of Regression Trees - Reconhecedor de Faces: Deep Face Recognition - ResNET: Deep Residual Learning for Image Recognition
- 64. Perguntas? 64