Your SlideShare is downloading. ×
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
AlfaCon LABs - Meetup Machine Learning (03/07/2014)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

AlfaCon LABs - Meetup Machine Learning (03/07/2014)

140

Published on

Machine Learning / Data Mining / Support Vector Machines (SVM)

Machine Learning / Data Mining / Support Vector Machines (SVM)

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
140
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
5
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • No modo Apresentação de Slides, clique na seta para entrar no PowerPoint Getting Started Center.
  • Transcript

    • 1. Machine Learning Conceitos sobre aprendizagem de Máquina
    • 2. A ideia Problema Solução Perguntas Respostas
    • 3. Concept Machine Learning (Aprendizado de Máquina) é uma área de IA cujo objetivo é o desenvolvimento de técnicas computacionais sobre o aprendizado bem como a construção de sistemas capazes de adquirir conhecimento de forma automática. Um sistema de aprendizado é um programa de computador que toma decisões baseado em experiências acumuladas através da solução bem sucedida de problemas anteriores.
    • 4. Definição É a área de estudo que dá aos computadores a capacidade de aprender sem serem explicitamente programados. Diz-se que é um problema de Machine Learning quando: Um programa de computador (P) aprende a partir da experiência (E) na realização de uma determinada tarefa (T) e com uma determinada medida de performance (Pe). Se sua Pe aumenta na realização de T, aumenta E.
    • 5. A inferência indutiva A indução é a forma de inferência lógica que permite obter conclusões genéricas sobre um conjunto particular de exemplos. Na indução, um conceito é aprendido efetuando-se inferência indutiva sobre os exemplos apresentados. Portanto, as hipóteses geradas através da inferência indutiva podem ou não preservar a verdade. Arquimedes KeplerDarwin
    • 6. Formas de Aprendizado Indutivo • SUPERVISIONADO No aprendizado supervisionado é fornecido ao algoritmo de aprendizado, ou indutor, um conjunto de exemplos de treinamento para os quais o rótulo da classe associada é conhecido. • NÃO SUPERVISIONADO No aprendizado não-supervisionado, o indutor analisa os exemplos fornecidos e tenta determinar se alguns deles podem ser agrupados de alguma maneira, formando agrupamentos ou clusters
    • 7. Fluxograma Aprendizado Indutivo Aprendizado Supervisionado Classificação Regressão Aprendizado Não Supervisionado
    • 8. SUPERVISIONADO Requisitos: Deve haver dados de treino. Todos os algoritmos supervisionados devem ser “treinados” com dados previamente separados para esse fim. • Regressão Logística: Faz previsão de dados contínuos (Preços, quantidades, temperaturas, etc) • Classificação: Faz previsão de dados discretos. (Verificar spam, operações fraudulentas online, tipo de imagem, etc)
    • 9. Não Supervisionado Deixamos o computador aprender por si. Através de um conjuntos de dados, o algoritmo deve ser capaz de identificar clusters (grupos distintos) Ex. Agrupar notícias sobre o mesmo assunto
    • 10. Modelos
    • 11. Exemplos Regressão Logística Prever o valor de venda de casas, sabendo o tamanho em m², o número de quartos e a respectiva idade. Classificação Detecção de SPAM. Analisa-se e-mails e classifica-os como sendo spam ou não Detecção de Anomalias/Fraudes: Analisa os indicadores de um equipamento e classifica-o como tendo uma anomalia ou não. Analisa o comportamento do utilizador num website e classifica a possibilidade de atividade fraudulenta.
    • 12. Exemplos Não supervisionado • Catalogar e agrupar automaticamente fotos sobre o mesmo tema • Identificar segmentos do mercado através de elementos recolhidos do perfil dos consumidores e do tipo de consumo, para fazer promoções ou publicidade dirigida.
    • 13. Algoritmos A fim de retornar os melhores resultados, os algoritmos desempenha uma função crucial para isso. Ainda que AM seja uma ferramenta poderosa para a aquisição automática de conhecimento, deve ser observado que não existe um único algoritmo que apresente o melhor desempenho para todos os problemas.
    • 14. Algoritmos Escolha a vontade!!! • K-means clustering • Cobweb clustering • DBScan • Single-linkage clustering • Neighbor joining • Self-organizing maps • Etc.....
    • 15. Coeficiente de Linearidade
    • 16. Regressão Linear Investimento Lucro Tendência 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 Média 380 Investimento X Lucro y = 9.7381x + 117.07 R² = 0.7385 0 100 200 300 400 500 600 0 5 10 15 20 25 30 35 40 45
    • 17. Regressão Linear Investimento Lucro Tendência 30 430 409,213 21 335 321,5701 35 520 457,9035 42 490 526,0702 37 470 477,3797 20 210 311,832 8 195 194,9748 17 270 282,6177 35 400 457,9035 25 480 360,5225 Média 380 379,9987 Investimento X Lucro y = 9.7381x + 117.07 R² = 0.7385 0 100 200 300 400 500 600 0 5 10 15 20 25 30 35 40 45
    • 18. Vídeo - Watson CLIQUE NA IMAGEM PARA ASSISTIR AO VÍDEO ou acesse: https://www.youtube.com/watch?v=Zct7M5j3Bls
    • 19. Estudo de Caso Cursos online: Pergunta: Qual aluno desistirá antes de concluir o curso? Hipóteses de desistência: O aluno está: 1. Desmotivado 2. Desiludido 3. Decepcionado 4. Contente ....
    • 20. Questionamentos e agrupamentos O que posso fazer para evitar que o aluno desista? Alunos = [] Alunos << [12, 150, 3, 15] Alunos << [4, 170,12, 25] Alunos << [1, 10, 3, 25] Alunos << [ 12, 20, 31, 15] Labels = [1, 1, 0, 0] Juremo = [6, 140, 25, 10] Model.predict(Node.feature(Juremo))
    • 21. MeetUp Café com Dados Até a próxima http://www.alfaconcursos.com.br/cafe-com-dados Saiba mais sobre o Café Com Dados

    ×