Machine learning.pptx

Aprendizagem de máquina
MACHINE
LEARNING
COPPIN,2010
13 DE JUNHO DE 2023 8H

MARIA GABRIELLA VILACA
MARIA BIANCA
DOUGLAS A DANTAS
Equipe seminário 09

I.A
Simbólica
SBC
Busca
Agentes
Lógica
Prolong
Lógica Lógica
Conexioista
Redes neurais
Bio-inspirada
Computação evolutiva
Algorítimos Genéticos
Inteligencia de
enxames

“Aprendizado sempre tem a ver
com o auto aprimoramento do
comportamento futuro ,baseado
em experiências passadas”
Autor desconhecido

Problemática
• Máquinas são capazes de aprender no sentido humano?
• Maquinas são capazes de generalizara partir de dados previamente
aprendidos?
• É possível criar programas que aprendam padrões ou comportamentos a
partir de exemplos previamente estabelecidos ?
O QUE VAMOS APRENDER:

Aprendizagem de máquina : Definição
Subárea da inteligência artificial (também conhecida
como machinelearning ) que estuda se (e como ) é
possível que maquinas consigam aprender e classificar
entrada de dados, muitas vezes baseados em outras
classificações pré estabelecidas [COPPIN,2010,p.234]
Formalmente falando
Onde x1,x2,….xn são dados de entrada (potencialmente
de diferentes tipos) e y é uma possível classificação.

Porque estudar aprendizado de máquina ?
• Grande quantidade de dados disponíveis
• imensa dificuldade para tratar os dados
manualmente
• desenvolver sistemas que possam extrair
padrões dos dados de forma automática,
porém,não perdendo a individualidade do
usuário.
• análise de credito/risco , reconhecimento
face/voz/carácteres,diagnósticos médicos,…
Abordagem técnica
• Estudar o aprendizado de
seres humanos de forma mais
controlada
Abordagem biológica

Método de Aprendizagem Indutiva
• De acordo com [MITCHELL, 1997]: “Um programa aprende a
partir da experiência E em relação a uma classe de tarefas T,
com medida de desempenho P, se seu desempenho em T,
medido por P, melhora com E.”
• Exemplo extraído de [COELHO, 2008]
▫ Tarefa T: analisar se uma paciente responderá positivamente ao
tratamento quimioterápico pré-cirúrgico;
▫ Medida de Desempenho P: número de casos descobertos onde a
quimioterapia não surtiria efeito;
▫ Experiência: base de dados médicas com informações genéticas
das pacientes e dos tumores.

Sistema de Aprendizado
1 – Observa Ambiente
2 – Processa Percepção
3 – Avalia Solução
4 – Relaciona solução com Experiências
passadas

Sistema de Aprendizado
5 – Aplica Solução
6 – Monitora resultados para Aprendizado

Tipos de
Aprendizagem
de Máquina

APRENDIZADO SUPERVISIONADO
Dados e Rótulos

Aprendizado Supervisionado
• AGENDA
▫ Aprendizagem por Hábito
▫ Árvores de Decisão Indutivas
▫ O Problema da Superadaptação
▫ KNN – K Nearest Neighbors

Aprendizado por Hábito
• Apenas classifica se houver uma estreita correlação com os dados de treinamento.
▫ Ineficiente: Não tenta aproximar a função de mapeamento.
• Se dia está Ensolarado, com temperatura quente, umidade normal e Vento Forte, irás
nadar?▫ SIM
• Se dia está Ensolarado, com temperatura quente, umidade Alta e Vento Fraco, irás
nadar?▫ FAIL

ÁRVORES DE DECISÃO INDUTIVA
Do inglês, Induction of Decision Tree.

Árvores de Decisão Indutivas
• Mecanismos de aprendizagem estruturado em forma de um árvore criada a partir de
dados de treinamento.
▫ Suas folhas são nós booleanos.
• Se o aprendizado tiver funcionado, a árvore criada pode ser aplicada a outros dados.

Como Construir?
• Indutive Decision Tree (ID3), Ross Quinlan no ano de 1986;
• Algoritmo ID3 garante o desenvolvimento da menor árvore de
decisão que classifica corretamente os dados de entrada.
• Utiliza a Hipótese “Ganho de Informação”;
▫ Dentre os atributos considerados, para cada nível da árvore, deve-se
escolher aquele que garanta o maior ganho de informação, ou seja, o atributo
que separa melhor o conjunto atual dos exemplos em termos dos seus
valores.

O Problema da Superadaptação (Viés x Variância)
• Ou Overfitting, é o Ato de decorar os padrões de treinamento (potencialmente com ruídos) não
conseguindo generalizar dados novos;

ALGORITMO DO VIZINHO MAIS PROXIMO
Do inglês, K-Nearest Neighbors (KNN)

K-Nearest Neighbors
• Aprendizado baseado em Instâncias;
• Os dados de treinamento são utilizados para classificar os novos dados, mas não
se gera uma hipótese;
• Em um espaço dimensional, calcula-se a distância euclidiana para os K-dadosda
vizinhança. A classificação da maioria dos K-dados definirá a classificação da
entrada.
• Imaginem que o círculo verde é a nova
entrada para ser classificada como
quadrado azul ou triângulo vermelho. Se
k=3, sua classificação será como
triângulo vermelho.Mas se k=5, então
será quadrado azul.

• Neurônio é uma estrutura de processamento, relativamente
simples;
• Mas imaginem 10 bilhões deles! E 60 trilhões de conexões entre
eles (Sinapses)!!!
• Corpo Celular é o motor: recebe entradas, as processa e se o
resultado ultrapassar um limiar impulso é encaminhado pelo
axônio até os demais neurônios.
Como funciona o Neurônio?

• “Plasticidade neuronal é o nome dado a essa capacidade que os neurônios
têm de formar novas conexões a cada momento.” Dr. Drauzio Varela.
• Neurônios que se adaptam Aprendizagem!
• “Aprendizagem é um processo no qual os parâmetros livres de uma rede neural
são adaptados através de um processo de estimulação do meio-ambiente no
qual a rede está inserida. O tipo de aprendizagem é determinado pela maneira
que ocorrem as mudanças nos parâmetros.” [HAYKIN, 1999].
Neurônio - Plasticidade
Brotamento Colateral

APRENDIZADO NÃO SUPERVISIONADO
Diferentemente do Aprendizado Supervisionado, neste não existe dados pré-
classificados (desconhecidos). A aprendizagem se dá por critérios de similaridade entre
os grupos de dados.

Aprendizado Não Supervisionado
• AGENDA
▫ Algoritmo de Hebb
▫ K-Means

• Inspiração Biológica;
• Lei Hebbiana (contexto computacional)
▫ Se dois neurônios em cada lado de uma conexão são ativados simultaneamente
(sincronamente), então o peso daquela sinapse é seletivamente aumentado.
▫ Se dois neurônios em cada lado de uma conexão são ativados assincronamente,
então o peso daquela conexão é seletivamente diminuída ou eliminado.
Aprendizado de Hebb

1. Selecione K-Centróides iniciais;
2. Formule K Clusters associando ao centróide
mais próximo.
3. Recalcule a posição dos centróides com base
no centro de gravidade;
4. Repita (2) e (3) até que os centróides não se
movimentem mais.
Algoritmo K-Means

1. Selecione K-Centróides iniciais;
2. Formule K Clusters associando ao centróide
mais próximo.
3. Recalcule a posição dos Centróides com base
no centro de gravidade;
4. Repita (2) e (3) até que os Centróides não se
movimentem mais.
Algoritmo K-Means

Introdução
Veículo Autônomo
• Veículo que pode dirigir sozinho de um ponto a outro
sem a necessidade de um motorista;
• Veículo capaz de sentir o seu ambiente e navegar sem
intervenção humana;
• Possuem sistema de assistência eletrônica que
permitem estacionar, manter distância e direcionar na
linha.

1920 – Experimentos inicias ;
1950 - Surgimento dos veículos verdadeiramente
autônomos;
2010 – Google desenvolveu seu veículo autônomo;
2013 - A vislab demonstrou o BRAIVE;
- O governo do Reino Unido autorizou a realização
de testes em carros autônomos em vias públicas;
2014 – A tesla Motors instalou um piloto automático,
que é um assistente de condução semi autônoma;
2015- Permissão do governo da França para testes de
veículos autônomos em vias públicas;
-Nevada, Florida, Califórnia, Virgínia e Michigan, permitiu
testes de carros totalmente autônomos em vias
públicas
História

1Em 2016 a SAE International (Society of
Automotive Engineers), atualizou a norma
classificação para os níveis de automatização da
condução.
• Nivel 0 – Sem automação;
• Nivel 1 – Assistência ao condutor;
• Nivel 2 – Assistência Parcial;
• Nivel 3 – O carro monitora os arredores. Mas o
motorista deve estar pronto para intervir se o carro
solicitar;
• Nível 4 – Alta automação;
• Nível 5 – Automação total.
Classificação

REFERENCIAS
• Haykin, S. (1999). Neural Networks:
AComprehensive Foundation. IEEE Press
• O
• COELHO, Frederico Gualberto Ferreira. Modelosemi-
supervisionado aplicado à previsão daeficiência da
Quimioterapia Neoadjuvante notratamento de Câncer
de Mama.2008. 82 f.Dissertação (Mestre) - UFMG,
Belo Horizonte, 2008.

Machine learning.pptx

Mais conteúdo relacionado

Semelhante a Machine learning.pptx (20)

Machine learning.pptx