O documento discute aprendizado de máquina, apresentando seus principais conceitos e técnicas. Aborda aprendizado supervisionado e não-supervisionado, exemplos, atributos e classes. Também explica árvores de decisão, redes neurais artificiais e os algoritmos de perceptron e backpropagation.

1. Aprendizado de Máquina Cristiane Neri Nobre

6. AM – Conceitos Básicos g 1 g 2 g j g N-1 g N Padrão 1 Padrão 2 Padrão 3 Padrão i Padrão m Característica Câncer Normal Câncer Classe

9. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim

10. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Não-gene Não Sim Nós internos correspondem a testes Ramos são resultados dos testes Folhas fornecem classificações

11. ADs Contém códon de parada? Não Não-gene Sim Códon de parada downstream ? Tamanho da seqüência > limiar? Não-gene Gene Não-gene Não Sim Não Sim Novo padrão: Contém códon de parada dowstream e tamanho da seqüência é menor que limiar

13. ADs – treinamento Considere a tarefa de aprendizado representada pelos exemplos de treinamento na tabela abaixo, em que o objetivo é prever o atributo PlayTenis baseando-se nos outros atributos. Construa uma AD.

14. ADs – treinamento

15. ADs – treinamento

32. O neurônio de McCulloch-Pitts

33. Neurônio de McCulloch-Pitts

34. Exercício

35. Solucão

43. Perceptron Perceptron Simples

55. Defina valor de ; Repita Para cada par {v, t} Calcule a saída y apresentando v nas entradas; Se y<>t então w(n+1) = w(n) + (t-y)v Senão w(n+1) = w(n); Fim Fim para Até erro < Tolerância Exemplo - Algoritmo Geral

56. Padrões de Entrada Exemplo - Reconhecimento de Caracter

57. Exemplo - Reconhecimento de Caracter Variações nos padrões de Entrada

58. Exemplo - Reconhecimento de Caracter Variações nos padrões de entrada

59. Parâmetros: ta=0.1, num_ep=3000, tol=0.0001) Exemplo - Aproximador de Funções

60. Exemplo - Aproximador de Funções Gráfico de erro