Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

[Palestras] machine learning gênesis ao apocalipse

121 views

Published on

Machine Learning - Gênesis ao Apocalipse

Published in: Technology
  • Be the first to comment

[Palestras] machine learning gênesis ao apocalipse

  1. 1. Machine Learning Gênesis ao Apocalipse por Everton Gago & Robison G. Tesini
  2. 2. Especialista em Machine Learning, atualmente pesquisa e desenvolve algoritmos matemáticos que reproduzem de forma artificial os aspectos biológicos de aprendizado e auto-organização. Quem somos Everton Gago Engenheiro de Computação e pós graduado pela Unicamp, possui ampla experiência com desenvolvimento de software. Entusiasta por técnicas de machine learning. Robison G. Tesini
  3. 3. Agenda Relevância Visão Técnica Inovações Futuro Reflexões
  4. 4. Relevância Porque devemos estudar machine learning
  5. 5. Primeiro motivo
  6. 6. Target Audience
  7. 7. Target Audience Se alguém comprou um CD de uma banda, ofereça algo no gênero O que mais podemos oferecer ? Mais alguma coisa ?
  8. 8. IOT Quantidades massivas de dados/sensores para ser processados Dados Massivos Volume Identificar gostos e preferências Classificar Predizer os desejos daquele usuário Predição Como identificar uma situação de risco ou fraude em meio à um número enorme de dados ”
  9. 9. Amazon Como a Amazon Inovou o ato de comprar Mapear perfil do usuário Descobrir Identificar gostos e preferências Classificar Predizer os desejos daquele usuário Predição Amazon has filed a patent for a shipping system designed to cut delivery times by predicting what buyers are going to buy before they buy it. ”
  10. 10. Visão Técnica Como os problemas são resolvidos
  11. 11. Clusterização 01 0205 04 03Mudar o mundo em prol de uma causa Transformadores Gosta de lançar tendências Inovadores Aventureiros, em busca de novas experiências Exploradores Pessoas seguras e bem sucedidas Vencedores Está na moda e sempre conectado Seguidores
  12. 12. Clusterização Demo This is your App Demo Aprendizado não supervisionado Necessário analisar resultados para rotular
  13. 13. Classificação
  14. 14. Classificação Demo This is your App Demo Necessário separar exemplos de treino Aprendizado depende de retroalimentação
  15. 15. Análise Associativa
  16. 16. Análise Associativa Demo
  17. 17. Análise Preditiva
  18. 18. Análise Preditiva Demo This is your App Demo Aprendizado supervisionado Seleção do período e das amostras.
  19. 19. Recomendador de Conteúdo Case Dextra
  20. 20. Desafios Recomendador de Conteúdo. Nenhuma informação sobre os usuários, além do seu histórico de navegação e consumo. Informação sobre usuário. Performance e escala para processar grande volume de dados em tempo hábil, para múltiplas aplicações cliente. Performance e escala Minimizar custos com nuvem e otimizar recursos. Minimização dos custos
  21. 21. Resultados Cliente com mais de 3 aplicativos. Baixo custo 1 Trein / Hora 99% + Até 1 treinamento / hora. Mais de 99% de acurácia, no demo. ● Otimização dos algoritmos de treinamento através de transformações matemáticas. ● Recomendação baseada no usuário. ● Recomendação baseada no item. ● Cockpit de medições
  22. 22. Inovações
  23. 23. Inovações Cada vez mais estamos descobrindo problemas que podem ser resolvidos com essa técnica. Deep Learning Otimização através de hardware específico. http://www.sciencedirect.com/science/article/pii/S089360801300052X Neurocomputação Expansão do uso com recursos cada vez mais disponíveis. IoT - Expansão do uso
  24. 24. Futuro O que nos espera
  25. 25. Cronologia da Ficção Científica 1919-1992 Isaac Asimov 1928-1982 Philip K. Dick 1954- James Cameron I, Robot (1939) Blade Runner (1968) Terminator (1985) Matrix (1999) Lilly e Lana Wachowski
  26. 26. Leis de Asimov A robot may not injure a human being or, through inaction, allow a human being to come to harm.1 A robot must obey orders given it by human beings except where such orders would conflict with the First Law2 A robot must protect its own existence as long as such protection does not conflict with the First or Second Law.3 A robot may not harm humanity, or, by inaction, allow humanity to come to harm"0"
  27. 27. Precisamos Delas ?
  28. 28. Dilema
  29. 29. Reflexões
  30. 30. Cuidados que devemos ter...
  31. 31. Machine learning está ajudando o aprofundamento da bolha de informação ?
  32. 32. Mapeamento e uso das informações. Privacidade x Learning
  33. 33. Perguntas
  34. 34. Demo http://demo-dot-recomendador-154618.appspot.com/
  35. 35. Hasta la vista baby
  36. 36. Evolução Da Tecnologia

×