Sistemas Inteligentes Aplicados - Aula 6 - Aprendizado de Máquina

G1 Olá saudações caros e caras da disciplina de sistemas inteligentes aplicados Vamos hoje para nossa sétima aula e vai ser uma aula em dobro não tinha falado esse tópico aqui que a gente já vem trabalhando com algoritmos que fazem parte dessa área da Inteligência judicial que é o aprendizado de máquina mas hoje vai mergulhar nesse conceito entender bem o que é o atualizar de máquina ou uma Shirlane E como que essa área é hoje de longe a mais explorada comercialmente e até em grandes empresas que estão implantando sistemas com inteligente especial para crescer e atender

uma nova demanda e de clientes e de produtos melhores E além disso vamos também falar sobre redes neurais artificiais gente vai começar a falar da primeira arquitetura mais básica de todas que a rede neural percebe Tron e a gente vai continuar nas próximas aulas evoluindo até chegar nos modelos mais complexos essa técnica mesa Mas vamos começar Então hoje né com a nossa dica musical e eu tô e agora a fazer a dica musical sempre dobro então eu trouxe tá em duas seleções hoje uma banda e um canal do YouTube que tem make a ver uma

coisa com a outra tá vamos colocar aqui para vocês um pouco da banda que eu trouxe ou está uma banda que eu sou fã há muito tempo qual que eu não sou mas essa aqui tem uma posição especial aí no meu coração que é o Helloween o Halloween é uma banda de power metal ou seja do Metal chamado de melódico aqui no no Brasil mas é uma vertente do rock metal aonde os Agudos são muito explorados em toda a gente pode falar banda de metal Mas a forma de compor a música né de fazer aquela

forma Épica entre a guitarra EA bateria e os clientes tentam elevar uma forma de rapsódia para música é O que define mais o estilo do Power metal tá eu trouxe Halloween por quê Porque ela é considerado aí por muitos uma das bandas fundadoras o ou Samsung os caras pra vocês verem como é que a pegada da banda e do estilo do Power metal i E aí [Música] E aí o YouTube fã você sentir assim é um docinho aprender CEP [Música] E aí o homem é muito E ai menina você é bom dia e aí como

é que é a música o clipe é o que of the seventies é um clássico do Halloween e até trouxe ela porque a gente tem um álbum inteiro com esse nome lançado 1987/88 lançaram Keeper of the seven Keys dois então vocês podem ver tempo creme de leite da música que é um conto né ela conta uma história fantasiosa né faz muito parte isso né fazer uma repisodia fazemos para fantasias aí explorar o vocal com os instrumentos para passar essa história tá é o Power metal pessoal não vai tente muito interessante muito legal metal Eu gosto

muito de bandas brasileiras também muito fortes esse estilo né quem me conhece por exemplo Angra ou Xamã que são bandas aí é dos nossos clientes do falasse que te clorelo né o que fizeram parte aí da adolescência e até hoje caras produzem materiais estão em outros projetos ficou Estão tocando hoje né aí com o devemos tem e isso mostra como ter certeza que são no Brasil bom então o Power metal né André Matos Não posso que se forma nenhuma o expoente brasileiro do Parlamento André Matos que felizmente não tá mais com a gente mas foi

um cara que revolucionou estive também no Brasil então Ouçam aí o o Helloween música para caramba muito álbum tá e outras bandas do dessa vertente e para continuar eu vou falar agora de um canal tô sem canal no YouTube e o canal de um brasileiro que faz músicas no estilo Power metal tá eu canal do que talvez eu conheço mas eu que você ele você seguir aí é o canal do Dan vasc tá ele canta magicamente em inglês né porque tem um pouco grande lá fora e essa música que eu trouxe que é um covarde

lá fazer isso deve conhecer né olha o título aí tosse account switcher é a música aí sensação da Sé a hora versão que ele fez usando Então me apegar de forma toda essa música é [Música] E aí [Música] E aí E aí [Música] E aí E aí E aí o Atlético futebol né podem ver com essa música dele tem mais difícil milhões de acessos eu acho que é que todas as vezes você apareceram do passar corrente witcher uma das mais vistas do mundo tá então Vasco brasileiro aí apresentando o estilo né se inscrevam tava do

cara veja outros vídeos ele faz vários corpos muito interessantes né e eu acho que em breve o cara vai tomar banho da grande também do estilo né mas vamo lá que eu tenho um dia hoje porque eu achei buscar gosto muito mas vamos voltar para nossa top da aula que também tá bem interessante vamos lá então pessoal sobre o aprendizado de máquina tá que é aí o estilo não é de técnicas de uma área dominante artificial e estavam trabalhando aí com os avós de interiores né a gente fez o bloco mais odeia aves decisão a

gente tava usando técnicas que têm todos os princípios de apesar de máquina vamos falar sobre os conceitos aqui então hoje tá bom a gente falou nessa disciplina e disse que você mais passado tá sobre a gente BA a música e lógica tão indo buscar a lista dos local e Ative o sino certo neste semestre com mais de beijo a gente fazer a lógica fase e a gente também viu a parte tomar decisão com a visão até uma e bebês também pode entrar um pouquinho aí mas não como uma decisão mas como algoritmo de apesar de

máquina Então já tá explorando assistiu falta condensado informações agora trocando ideia sobre isso tá bom basicamente a pergunta é os computadores são capazes de aprender essa é uma pergunta que guiou aí muitos pescadores a vigiar os considere cadastrar tal forma que os humanos aprendem não é possível tá Não Faz Sentido indiferentes ao máquina anos eu falo com a gente aprende né através de a leitura de livros né Por exemplo experienciando de formas sensoriais são todos os sensores do corpo né aí já consegue ver com as máquinas a gente faz bem bem parecido mas muito isolado

Tá então não tem como fazer como ele faz comandos mas temos aqui a área do aprendizado de máquina alguma churn essa e consegue fazer as máquinas aprenderem de fato tá uma capacidade limitada mas Fantástico para algum né que surgiu há pouco tempo como a comparação bom tá aqui uma parte que eu acho que o resumo do que é macho véi né os dados são a fonte de conhecimentos para criar os modelos representam as máquinas que aprendem então se você tem uma boa fonte de dados e você pode dispor uma atenção especial esses dados para que

ela tem que fazer A modelagem genérica deles e compreendemos você consegue fazer a máquina prender Então as fontes de dados são a parte mais importante aí do particular intentasse tem que ter uma boa fonte de dados para esse na alma para uma máquina bom dá para a gente ver basicamente aí que vem você fala muito sobre isso né é o recurso mais importante do mundo a partir de agora serão esses dados esses tipos de informações que podem ensinar máquinas né grandes empresas aí com por exemplo o Google né Amazon o Uber surfa muito Nessa onda

EA obra que surfam porque eles têm produtos base o emprego especial Facebook recomenda coisas que não especial o Google te dá muitas vezes propagandas e anúncios baseados em que você pesquisa a Uber Já lançou aí e tá em fase de testes com carros autônomos para ser táxi autônomos aí né na cidade e por aí vai tá Tesla que já tem os carros com Deus que dirigem sozinhos e Amazon que está revolucionando até e com viagens espaciais também junto com a tela lá nas suas respectivas companhias aéreas e exploração do espaço bom é máquinas podem ser

ensinadas essa pergunta é muito importante e a gente pode falar mostrando alguns exemplos de máquinas que foram muito bem ensinadas né para uma notícia que quando eu li lá em 2017 foi assim um shopping para ver o quanto existe uma solução rápida e o modelo que pudesse fazer o que vem ser um jogador profissional o melhor do mundo é um jogo de estratégia estamos complexo que é um gol tá o gol pessoal é um jogo assim como xadrez a opção Oi e o campeão mundial foi derrotado por criar algo que era impensável até hoje ainda

vá com pensava imagem 2017 usando o modelo que aprendi a partir de exemplos de jogos tá partidas de Gol já disputadas a gente tem por exemplo aí a primeira i.a. que derrotou um time profissional no jogo Dota 2 nos jogos mais é expoente sair de competições netjogosonline com um time os jogadores a gente tem uma Iacri conseguiu derrotar o ano passado aí né no time profissional algo também pensava indo mais à frente você pode ver aí ó um artigo de 2 anos atrás que mostra aqui é uma máquina usando uma técnica chamada Deep Lane aprendizado

profundo ela foi treinada né para identificar melanomas na pele ou seja os melanomas suas manchas que podem ser cancerígenas o benignas e essa e a foi comparada com 58 dermatologistas na tarefa de identificar meu nome e ela superou o 58 dermatologista quer dizer uma aí atrelada no curto espaço de tempo super alguém que tem experiência de anos a estudos numa área específica tá então a pergunta simples dá para ensinar máquinas da assim tá Se tiver um tarefa específica Ou você tem uma boa fonte dados essa parte ensinamento ela é forma de tá então para máquinas

aprender significa mudar para fazer melhor quer dizer A Iá tenta ser evoluído na tarefa aquelas procura fazer de forma que ela não Heloísa nela não memoriza a tarefa como fazer a eu aprendi jogar a xadrez memorizando as jogadas não ela generaliza o conhecimento ela faz uma coisa próximo do que o ser humano faz que é entender que aquele tipo de ambiente ele tem ações possibilidades eu posso modelar elas para alcançar o objetivo isso é finalizar isso é um conceito muito próximo do aprendizado real bom é hoje como que a gente pode aprender algo né o

ou em sinal para o máquina Qualquer coisa a gente tem que falar pensar é onde as máquinas estão consumindo as quantidades né A gente trabalha com a parte de visão convencional que são as máquinas que elas conseguem aprender a partir de imagens de câmeras de vídeos até de fotos né com por exemplo aí aqui identificar o meu amor mas ela aprenda a gente ficar irmãos vendo fotos meu monstro vamos pegar a foto do meu nome de uma pessoa e ela fala qual a probabilidade esse meu irmão se é cancerígeno analisando né obviamente várias características dentro

da imagem né aproximação com melanoma né a forma dele a cor a velocidade que vai outras coisas então hoje princípio de días próximos por exemplo aqui né um site e uma base de manteiga queimada e maginet que é hoje talvez ela o maior repositório de imagens abertas para ensinar máquinas a identificar e padrões né com imagens o imagético e várias opções tem 22 mil categorias de 14 milhões de imagens Os Pretos grandes um dia de emprego especiais são expostas a toda base magnética e deixam competição para isso aí mais net também o competição dadas as

14 milhões de imagem e suas 20.000 22 mil categorias diferentes qual i.a. consegue acertar o maior número de categorias quando ver fotos novas que por exemplo é para aí ó com as suas por exemplo animais tá então aí a ela pode ser exposta várias imagens de pássaros né E tipo de frente passa depois disso quantos tipos a oferta de pássaros vendo imagens novas que ela nunca viu apresentadas para ela e isso é um Desafio classificar algo que nunca foi visto então hoje as competem para tentar atingir o máximo de precisão vendo essa base e nós

temos viagem que já batem à casa né Aí do demais oitenta por cento de acerto né na imaginet que é uma uma fonte aí fantástica para criar máquinas que os animais bom e como se implementa técnicas de o e constrói as que você não dependa de máquina bom para poder implementar hoje pessoal tem muitos primeiro disponíveis tá aqui tem alguns dos que eu considero o estado da arte atual né veja o site urn passa no professor falou que é muito utilizado que eras anaconda café né o café é uma iniciativa aí da universidade privada Universidade

americana né que criou e sistema para testar implantar algoritmos já direto com pavor pelo próprio browser né forma o estado da arte mais interessante tá então site Land quero assistir faltam entre os três mais usados né e outra se completa iguais são pra implementar Temos vários cremoso tá e o que é o apesar de máquina de Fato né eu gosto muito essa frase aqui eu acho que ela traduz muito bem o que é uma chuva né Mach Lane é a ciência ou a arte de programar computadores para que eles consigam aprender a partir de dados

dados são situações são modelos são exemplos tá então a O que é uma extenção do que apesar de máquina que bom a gente tem um passar dos anos aí estilos de ar que predominavam algumas décadas né nas décadas até cinquenta setenta aquela aí aqui se ele não roubou né a busca por construir robôs coleção comover era o grande foco dos anos 80 aos 2.000 começou-se a ela duas tiverem de Fato né não pensar em robôs mas estruturas dentro do computador que simula o comportamento humano né E desde 2010 2012 principalmente aí quando veio alexnet a

gente começou a ter uma área chamada Deep Lane que a área em que nós temos algoritmos de regionais é um copo de avião e ainda tá mas num Universo em que elas processam dados de forma profunda né muitas camadas muito poder é computacional máquinas gigantescas para roleta rostos por dias às vezes vocês aprenderem padrão específico isso resume aí um pouco história do que é apesar de máquina e por isso é importante de trabalhar com as técnicas né É porque ficou inevitável a trabalhar reparem só hoje os dados na escala de zettabytes access baixos até um

yottabyte que é uma comparação escada só vai encontrar empresas de grande porte com alguma por exemplo então é impossível a gente como ser humano lidar com esse conformação trabalhar na mão com isso por isso a gente precisa muito de criar ele a se consumo esses lados e nos mostrem padrões e novas formas de fazer o até dia pelo WhatsApp serviço que existem tá então como a gente trabalha na era dos dados isso não vai acabar vai só aumentar a gente vai ter com certeza aí um dilúvio de dados nos próximos anos décadas precisamos de máquinas

que possam precisar de dados porque senão seria o maior desperdício da era moderna não utilizar esses dados para poder tirar deles o melhor possível então repare viu até tussolino toque final eu acho muito importante o pessoal dados são diferentes de informação tá os dados são algo cru sem nenhum tipo de aparente ou até Oi pode falar sim claro padrão para você falar assim não eu acabei de olhar que tinha uma pela lida cheio de dados e só de olhar descobri que tem um padrão aqui a gente pode aumentar nossas vendas são os produtos o até

descobrir a cura para uma doença não tem como os dados por si só só um Crush gigante tá então informação quando você pega o dado e consegue passar para uma máquina consegue ali encontrar esses padrões necessários tá então dados não são informações informação que você gera depois explorar os dados com uma Chevrolet bom a nós temos três formas de aprendizado tá dentro da área de uma Sirlene você tem apresentado super gelado tá que quando você treina algoritmos né que vão criar modelos Mas você supervisão do treino quer dizer você fala pela sim muito certou você

errou ou acertou você a própria ligou se ela tivesse internada simples novamente a cada momento é errado ou partir daqui alguma coisa fica errada ela teria um gabarito para descobrir se acertou ou errou certo então esse é um super Ah tá você vai dar exemplos e vai falando errou acertou que a cor resposta final é ter um gabarito para o treinamento lá daí o não se pressionado é quando você tira o gabarito você deixa aí a trabalhar e não passa para um gabarito ela faz algo e não sabe se ela acertou igual é o modelo

que ela recebeu ela vai descobrir na parte experiências positivas e negativas que ela vai tendo né ou regras que são quebradas ou que são de falar corretamente usados né e o reforço é que apresentaram que digamos clássico né porque a gente observa muito ele no dia a dia né é onde você dá reforços positivos negativos para um tipo de ação que me a pode fazer é muito grande tratamento de cachorros neodi animais estimação aonde você Prime o cachorro quando ele faz algo certo e dar algum tipo de polícia pode fazer errado e ele memoriza para

entender que tá o assunto deve fazer porque sempre faço ganha um prêmio é o mesmo estilo tá são três carros muito poderosos aí se treinar Favorito de uma Chevrolet bom a O que é super gelada tá e basicamente difícil de que ter sempre uma base dados te também o exemplo de entrada que é usado novamente vamos supor que eu tenho a tabela que já viu até que em outros exemplos é eu quero descobrir se eu posso esperar a fila restaurante aqui então dá adiantada seria caso de pessoas que esperaram não esse restaurante e quais situações

esperaram isso é entrada e qualquer saída é o cabrito é quando você fala assim é esse essa pessoa ela esperou tantas críticas e essa que também esperou ele vai ser frescas essa terceira pessoa eu não sei se ver ou não o que que você acha olhar EA fala Opa baseado que já aprendi essa pessoa também esperou é você vai e da saída para ela que se ela acertou em falar que esperou ou não então o surjam e o trem tá dar a resposta correcta o fim para ir a saber se acertou não bom Aqui tem

um exemplo super simples a feitura do que é o suco gelado né é para que eu vou usar bastante esse modelo aqui nós temos Então pessoal entrada e ajudados tá e o target quero caso um é a forma do gabarito né Então as o seu ritmo de apesar de máquina ele recebe a entrada no Gabarito ele dá uma saída ele fala Opa eu acho que sob Tais condições você deveria não ir no restaurante hoje tá E aí você vai ver que ele a compara a saída dela com o gabarito E se ela errou ela descobre

que errou e faz algo para melhorar o modelo dela tá certo então esse é o processo pressionado Aqui nós temos duas tarefas são muito feitas tendo pesados por gelado tá se a classificação que eu falei agora você usar o exemplo tá para classificar um ovo Então você prever valores discretos para rotular eles quer dizer Eu submeto a mulher há vários exemplos de quanto esperar ou não se ela tem que esperar restaurante para comer ou não depois eu faço com ela várias cadeiras você pergunta agora eu quero restaurante hoje você me encomenda aí eu não ir

então aí a pega um exemplo que ela não viu e ela pula ele com as ficando o final ela vai ver se acertou não dado que você passa para ela tá então que você classificar e regressão ela tarefa muito usada também quando você quer fazer predições é simples é pegar valores contidos e tentar achar uma forma de prever o próximo valor amanhã depois depois certo Bom basicamente eu tenho exemplo aqui para gente falar sobre mesmo classificação tá o exemplo básico e muito usado aí que é do vamos criar uma aí aqui e filtra espantar não

quero escrever mesmo span a minha caixa reparem só que cumpra essa pressionado e a classificação eu vou dar para ela a base os targets que são os gabaritos e também vou tentar fazer com que ela rotule exemplos altos Olha só eu tenho aqui por exemplo textos são muito comuns em e-mail ruins só e-mails spam né olha só os tipos de palavras são que o IFSP rápida cura rápida e efetiva cura a farmácia alguma coisa é internet online a cumprir Viagra barato nosso preço é tá o preço no digamos era descrição do e-mail mostra que promete

a propaganda né agora pois são boas de você ver dentro de um e-mail ou na descrição dele quando recebe a caixa de entrada é estamos interessado a sua pesquisa específica professor é a gente leu né alguns dos seus artigos e achamos que você pode por exemplo né contribuir com a nossa conferência Então são tipos de meios diferentes que mostram as o Sininho né de quando promete alguém escrever meio de quando o e-mail leva automaticamente para o máquina né então que o Faria aparece lá no arroz que eu posso ficar que usando é apelidado por gelado

tá eu falei seguinte né eu pegaria então um total de cem meio sair sendo que desse 25 São span 35 não são spams certo e aí eu falo o seguinte a dona desses meios tá veja para mim qual deles contém palavra chip barato né se você fala assim algo muito barato É porque tá quente vender algo né pode ser um spam e Ah tá vai lá ele fica aqui né ela tinha por exemplo nose meses com spams uma boa quantidade ainda é uma reparem só algo em torno aí de noventa porcento com a palavra chip

e não espaço teria né um parte ínfima em talvez é algo em torno de aí cinco porcento uma coisa bem pouca bom a idéia basta a seguinte quando aí a recebe esses modelos ela ela ela já treinou ela entendeu e ela quer agora consegui né através da palavra chip saber a probabilidade de cabe meio se eles vão ou não Tá então aqui ó tenho para vocês né é a mesma coisa que seria para máquina pensar né eu isolei aqui os casos de meio com palavra chip e eu tenho aqui essa quantidade que são estão escolhendo

não só isso passa então a pergunta é se o e-mail contém a palavra Chique né tipo barato ou propriedade no seu span olhando atribuição que ó Qual vocês acham que a prioridade 40 60 80 tá obviamente é é muito morte se eles Pan né É mas o fato de ter alguns e-mails que não são spams e tem a palavra tip me mostra que não é 100 porcento não é de forma nenhuma sempre tinha dos meios que tem chip que só o espaço porque ela só tem o caso de mês que não são espaço e tem

a palavra tipo Então posso ficar de qual a novidade é de oitenta por cento oitenta por cento porque de todos os e-mails que você palavra tip né hoje eu tô precisando deles estavam come meses tá então isso é uma forma de valorizar certo aí a consegue criar um padrão para descobrir a probabilidade né dentro de modelo e esse modelo que usei preciso aqui é o modelo mais de bens já viu aqui nas suas aulas tá então basicamente o que pode ser composto por um modelo daí a seguinte a se aparecer chip aqui tá por cento

de chance de ser um spam tá spelling mistake né ou seja um erro aí na hora de Soletrar trinta por cento tá e um erro no título e sim por cento então ele tem algumas outras coisas que ele consegue entender rir podem ser agravantes eu tava chip que fazem eu entender que não são 100 porcento os e-mails que a palavra tip que são spams tem uns casos em que é eu tenho né É até escrevi errado eu errei a palavra saiu chip Mas o meu e-mail é verdadeiro não é um spam Tá certo bom a

continuando vamos ver agora um exemplo de pressão eu quero agora Apesar supor gelado prever o valor futuro de algum intervalo aí de situação Tá vou tentar fazer um modelo que preci fica o valor de casas tá E que eu preciso mostrar para ele valor de casas que existem para quando eu vi uma casa maior falar o que você acha que vai essa casa aqui me prende o valor dela certo então é só tem esse modelo aqui e vai alguma coisa então se 30 mil tá eu tenho agora esse modelo que é maior que o anterior

e Vale 160.000 tá mais que o dobro do anterior e agora tem essa casa aqui que eu não sei quanto é o vale e eu quero que a minha aquele especial o meu modelo tente prender o valor dela baseado nos anteriores bom A modelagem aqui é um pouco diferente e o Cris faça uma flexão que aplicados por gelado é para salvamento e os dados né ter o gabarito depois a gente poder ver mas o mais importante da produção é o gabarito é o mais importante e sim você não achar uma correlação entre o que você

tem de dados porque você não tem é para a casa eu quero saber também no meio aqui ó Tá certo e eu peguei duas características para tentar entender o preço tá são elas o tamanho do imóvel tá aqui ó nesse meu eixo X aqui e no eixo Y eu tenho preço tá o preço a cada 10.000 então que as vale nada 5 x 10 50.000 100.000 150 200 aí Tá bom então reparem só ao fazer isso eu descobri alguns padrões bem interessante tá seguinte a primeira casa mais barata 70 ela tá mais ou menos aqui

né que é um intervalo do eixo Y que é o eixo do preço tá Que eu acho seria 17 70 mil esse aqui é o 5 eu acho que é o sete tac certo é e temos de preço eu acho que essa casa que vale 160 tava mais aqui ó um pouquinho é segundo 15 né 15 a 150 mil aqui é o 160 ótimo agora no tamanho eu entendo que essa casa aqui ó ela ela tem um valor aqui né de algo aproximadamente o tamanho dela certo a gente pode até voltar aqui para ver ó

é por metro quadrado tá e eu sei que casa maior tá aqui ó a parte né do tamanho dela então pessoal com esses dados o que eu faço agora o modelo de agressão ele pilota então a os pontos de maior propriedade de interseção com os dados que você conhece então data que uma decepção entre as duas características preço e tamanho para essa casa e aqui em detecção entre preço tamanho para essa casa e seus valores aqui ó esses esses aqui esses são os que estão dentro aí né mapeando Essa infecções tá porque a Regras São

faz isso ela observa aonde que ela pode encontrar então uma uma função que modele né os intervalos Entre esses Asus tem então era só o preço vocês acham essa casa aqui ó 80 125/91 é é bom baladinha como é que seria uma função de produção até pare eu usei Talvez eu volte com os mais simplórios depressão que a pressão baseada em relação linear regressão linear só é possível de fazer o quê funções através de retas Então tem que tentar achar uma reta que corta o maior número que possível né que infecções adjacentes tá as duas

principais tão pior EA reta que melhor faz isso é essa tá você usasse pessoal o outro motivo regressão por exemplo uma regressão que faz né curvas para modelar eu poderia no caso aqui até achar o povo aqui engloba esse cara depois esse depois esse esse e o último que cima que nova função que aproxima muito mais valor de né preditivo caso e aqui ó com a reta que é o mais simples mas também rápido eu descobri que não tem chefe exatamente aqui ó é o ponto de intersecção felizes cara aqui Ah tá que assim um

pouquinho 10 ao 12 esse aqui é o valor a casa vale o que aproximadamente 120.000 é uma estimativa do preço essa casa né Sem não ter não ter visto né ninguém passar o preço real dela e baseados exemplo de Las Casas Então essa regressão bom continuando Então a gente vai agora faz atualizado o mesmo pressionar esse a parte supervisão uma hora tirar o gabarito tá é o a gente reconhece padrões de dados tá sem nenhum feedbacks vida então se você quer ensinar um a gente que simula é alguém dirige o carro se for um ambiente

computacional simulado o cara vai batendo nas nas beiradas da estrada barrando os carros até entender Quais são as réguas ambiente porque se eu não dou para alugar barítono esse ano dirigir eu só tenho o carro na frente dele é obviamente a gente simulado né e ele vai pegar equalizações reprisar no volante desculpa precisar soldador virar o volante né fazer assim você faz o carro e aí ele vai batendo e saindo fora da pista é mas vai entendendo os padrões e regras daquele ambiente isso é o nosso Coronado bom essa que seria a imagem do que

seria um resumo de apesar de uns congelado eu tiro aqui a gente chama de gabarito né E também não fica aqui então quando pessoal a sua EA nossa jornada pega os dados de entrada e tenta dar uma saída que são as ações naquele ambiente ela não sabe se acertou E errou eu vou deixar própria felicidade repeti milhares de vezes aquilo ensinar para ela aquela sensação de vida pessoal sozinhas as que jogam jogos e vários profissionais elas são as sobremesas Maria treinados com técnicas não foi geladas aulas aprender as regras do jogo tá autônoma vou errando

incorporando os erros para entender que bom a gente tem duas tarefas muito importantes né Não só as músicas mais são as mais importantes na parte dos funcionários está a cristalização EA redução de dimensionalidade clusterizar pessoal é uma palavra muito conhecido aí é quando você tenta achar grupos de dados e ao encontrar os grupos populares eu nunca teve isso fotos tá certo e a gente universalidade é quando você tenta pegar um é uma base de dados que tem muitas características né E tem reduzir essas dicas com a base mas Escuta mais fácil trabalhar mas sem perder

o série de informação dela tá certo atualização pessoal é por exemplo você pegar uma lista de pessoas que estão indo numa que passa na porta por exemplo de uma loja que vende carros né e baseado o comportamento dela você vai aprender quais são os grupos de pessoas ali que passa milhares de pessoas por mês né aí na porta concessionária Tem três carros que param fica olhando os carros tem o cara que para e essa pergunta o preço tem o cara que compra quais são os grupos dentro então quem que são que as pessoas fazem porque

só olham que são as pessoas e quase compram Quem são de fato Os compradores né entender esses clusters nesses grupos então o por exemplo aqui bem legal para vocês que é o grupo pedido de pizza é simples tá ligado pizzaria aí Nova Pizzaria aí do dono por exemplo é eles quererem Abrir três novas pizzarias na cidade tempo a velocidade e eles querem Abrir nos um dos pontos possíveis para poder atrair clientes tá então a tarefa simples tá eu tenho aqui tá a lista de pessoas que frequentemente pedem pizza da cidade então são essas aqui né

os grupos de pessoas aqui que obviamente olhando eu consigo ver três grupos separados aqui só que pensa que eu sou a marca não consegue ver como você é usado tá e mais mesmo olhando não sempre os grupos são esses e qual o melhor local para local pizzaria aqui a talvez não ela causa de aqui ó aqui fica bem por exemplo ó perto os três vias Será que o local vamos lá na dinheiro como seria olhar aprendendo clusterizar aonde instalar as pizzarias ó aqui já circulei tá para vocês para os grupos enrolei com cores para mostrar

que são grupos diferentes eu acho as pessoas daqui ó não costuma vir para cá para comer pizza tá E vice-versa não é só o que é o último de conciliação Faria seguinte a circular esses grupos E aí começar a atravessa as estrelas aqui pessoal a posicionar centróides né em centros para saber aonde que é o melhor. Aonde eu estabeleço o local que une os grupos tá esses centróides vezes são colocadas inicialmente aleatória então quando foram colocados aleatoriamente é para que essa central de aqui ó ela ficou um ponto interno Globo esses caras e o debaixo

também ela roubou um pouco do que tava fiando só Vejam Só ela pegou para si esse pó tá certo ou Pode não estar fazer não dá para saber se antes deixar o tipo vou dar aqui o azul também roubou alguns aqui nessa nesse rótulo aqui tá e o amarelinho ficou bem isolado o que eu acho que faz pessoal que é muito inteligente é ficar rodando para ver uma regra de algoritmo né e um cálculo matemático para nós comprar o melhor. Essas três centróides que vão ser as três locais das pizzarias tá olha só primeira parte

já viu uma mexida tá repara só que o Marcelo já chegou um pouco mais para o centro Amarelo aqui ó A polícia prendeu que esse aqui é o grupo dele então se aproximou dele tá bom agora reparem só esses casos de azul ao chegar aqui né lá o amarelo então ele saiu daqui pessoal para parte ficar ao chegar aqui o gosto percebeu que bom como o amarelo aqui o ponto de pizzaria aqui esses caras não são clientes esse dessa pizzaria aqui vão ser cliente dessa aqui então é só ele vai reformar esse grupo todo o

amarelo tá E aí o azul faz o que pessoal Azul acaba vendo que tá muito isolado né ele chega mais perto dos caras dele ele engloba os demais era sua filha não tava com azul e aí o outro vermelho chega mais perto deles e você tem de fato aí ó os grupos bem informados tá não é pare Aqui nós temos no primeiro aqui vermelho tá na um dois três quatro cinco seis né de ca seis também na imagem original pessoal como é que a gente o primeiro era uma distribuição e C6 mas alguns confirmou isso

fazendo né Depois eu lamento ele conseguiu identificar três grupos e três posições perfeitos que você colocar o capitalismo que vou agradar e atrair esse público região de fato certo bom a esse à noite pessoal é o Congresso Nacional do caminho está Já botei aqui porque o molho que eu vou passar para vocês em aulas futuras bom a reforço então é aquela parte de falou né você sinal a máquina aprender através se fosse positivo e negativo para cada assim que eu faço tá certo é basicamente não vou pegar os reforço ele entra num loop mesmo repetição

contínua ele fica assim ó você tem aí aqui aprender ela faz um ação o ambiente né recebe ação dela e você na hora que passa a recompensa posição Então essa igual foi pra vocês o cara vai aprender por exemplo a é mas deixa para dentro de carro nunca vi um carro então sempre pega o carro sério bate se dá um reforço muito engate para ele ele entende que não pode ser senão né tem que ter uma coisa antes então você vai dando ser fortes para poder realmente fato repassar neste é preciso apostila faça alguma coisa

um ambiente reagir de uma punição ou do recompensa Age de novo ambiente faz tem que fazer eu dou uma punição ou do reforço Tá bom então aqui eu tenho uma luz que tá de algoritmos que vão para cada uma das Áreas Aí talvez assim os mais comummente utilizados nessa funcionado a visão carne.no sbm muita gente vai ver também tá nas nossas incluindo tá com por exemplo caminho vamos ver o carneiro Jorge ainda tá redes neurais um tópico nosso ainda certo bom então se eu fosse separar um pouco tá para vocês o que que seria a

a ideia de juntar nessas áreas temos que fundamental uma shirlen que apesar de máquina ele tem não espionar é super gelado e por força dos meus pressionado tem muita responsabilidade e clusterização tá aqui ó você pode fazer com a situação sistemas que recomendam coisas tá com por exemplo é Netflix Netflix é um perfeito exemplo sistema de comunicação recomenda para você filmes e séries tá Eu Posso reduzir mensalidade fazer a descoberta tá de melhor visualização de dados no Big Data né que fala muito aí sobre Big Data né é importante dos seus dados por saber que

você mais bem feito até mais rápido né dos funcionários classificação o pessoal para ficar imagens como eu falei né você classificar a imagem ser alguma coisa ou outra dado de você vir imagem e aprender parte disso né regressão né Por exemplo só fazer predições want vir atrás é descobrir os sites Logos utilizar processos tá e aprendizado por reforço Lá é muito baseado no que pessoal Olha só navegação de robôs estratégias de aço que jogam jogos né comprou humanos decisões tempos se prepara que o o Apesar super força é muito isso não é coisa que não

tempo real pelo ambiente ou a gente separar a repetição contra vocês é um loop contínuo bom é chegando então vamos falar agora sobre os problemas desafios de uma schulern tá porque falou assim parece que é Tudo mil maravilhas né basta implementar que vai funcionar e não é bem assim tá certo porque meu só porque a gente tem aí muito desafios tá sempre dá muitos problemas ao criar modelo Smart plano nosso trabalho é superá-los e consegui terminar bom então tá aqui alguns problemas separados por porque existem em quantidade suficiente dados fundamento tá você tem poucos dados

lá das tratamento representativos quer dizer um dado representa bem o problema quer ensinar o cara classificar melanomas né se tem câncer não aí eu passo para ele imagens de Milão novas mas imagens também por exemplo a de parte do corpo que ainda não tem nome mas o parte do corpo tem outro começa a confundir o modelo porque está usando tático representam com melanomas não faz sentido a base de baixa qualidade que contém erro no dentro certo você passa lá uma lista de clientes e vendas sendo que muitas das vendas ali nem aconteceram bombado errado o

modelo basta veneno bem e criar um jeito de utilizar isso que você não tá e cada Jesus relevantes né é quando você começa a explorar é dados que tem características que não leva nada por exemplo meu nome mesmo né Tem muita atenção importância acordo e cidade né o formato aí de repente você começa a coletar dados que é o seguinte né é por exemplo algo como o meu a mão aqui na posição que ele tá ele é o melanoma a é de longa data por exemplo né aquele há muitos anos esse dado pode ser levante

Mas pode não ser a idade do meu nome Sininho talvez eu faço diferença para poder saber se é cancerígeno Não entendeu Então porque você vai colocar dentro sua base de dados dados sobre o melanoma e quanto tempo existe se isso não é relevante Só atrapalha modelo fica mais lento e ele fico tentando entender uma correlação de tempo para saber se é uma é cancerígena não sem casar com relação não existe tá enganando o seu modelo tá é muito importante passar dados de relevância se você tem algum desses problemas aqui tá e por isso eu modelo

não converge ao funciona É porque você tem dados ruins tá tem que olhar sua base da Asus levar ela tá agora se você tem por exemplo Over Feet under' Fit que quando você cria um modelo e ele sabe apenas acertar algumas coisas só a eu passei aqui para ele 20 mais de um nome ele acertou apenas seis ele ele possa cover Fit que assim ele decorou a pelas seis exemplos da base de dados e não gira o conhecimento é poder ficar qualquer um qualquer imagem 9 nenhuma ele decorou dizer poderoso é igual a pessoa vai

aprender tabuada e ela decora tabuada do dois por exemplo 3 aí você passa Tabuada do Nove eu não consegue fazer porque ela só de cor ou uma tabuada específica não generalizou a ideia de fazer tabuada qualquer valor tá E aí se você tem overfeat underfitting que quando você tem um modelo que não decorou Ele simplesmente não funciona o problema tem últimos ruins teve seu rosto no seu funciona nessa Tá certo se ele é o Anjo mais apropriado para aquele problema tá olha só o que você faz quando você tem qualidade felicidade está se você tem

não tem prezado O que fazer com os dados friamente não são aplicativos você não vai conseguir fazer né É só máquina seu modelo de i.a. representa alguns casos pode se possa fazer alguma coisa nova fala que ela classifica para mim me fala por essa casa ele não vai conseguir porque não tinha data tentativas pela aprender a ver casos novos dados baixa qualidade de erro pessoal e você coloca ruído ritmo ele não só não consegue fazer que eu aprendi a fazer errado o que é pior tá o que você faz então você tem década dicas relevantes

que foi para vocês são os piores problemas tá é quando você né Tem lá informação do problema que eu sou o texto que não representam nada tá Como você descobre isso tem muitas formas de fazer tá a gente trabalhando com o ECA por exemplo o eca tem o meu últimos de seleção de recursos ela tem um sabor aquilo que vê se todos os dados da base eles são úteis e quais não são tá e de extração de recursos e quando você pega né uma da da base entendo extrair delas mais importantes ou pega uma imagem

o motivo dado extrai dele o que realmente relevante tá você pode reverter isso aí agora o overfitting é os problemas mais comuns tá pessoal é quando você realmente tem um modelo que ele não finalize ele decora alguns exemplos isso pode acontecer com seu rosto não tá bem configurado tá bem parametrizado não é o boletim mais apropriada para esse problema está enfrentando tá eu tenho imagem que eu acho que é p quem escreveu overfitting tá que essa aqui ó essa era para ser o grafite é você fazer para criar uma cama que só serve para dormir

em uma posição específica que a posição que você gosta então quer dizer você só decorou né o modelo daquele você gosta se não aprendeu a fazer camas em geral então só funciona né parece um testículo de posição para dormir que você tem o que você gosta de fazer tá você fez um modelo de ar que era só não consegue realizar o conhecimento fazer cama de qualquer jeito só faz a cama para sua posição bom e quando eles fazem underfitting que é o contrário grafite aqui pra vocês só você cria um modelo que ele não consegue

resolver o problema tá ele tem por capacidade aprender é o exemplo né que era matar o dragão que são os dados usando a raquete de mosquito esse modelo é muito fraco com esse tamanho de dado vocês vão ver melhor certo bom e chegando aí já pessoal né nas partes finais tá aí um exemplo de como que complicado fazer a máquina né É para as bolinhas aqui as luzes azuis vermelhas são dados né Eu quero achar uma função que uma bela os dados você para eles e faz entender que lição e só a função classifica por

exemplo que faz agressão faz muitas tarefas de de apesar de marcação assim né isso aqui pessoal é uma função ou uma curva e de uma função perfeita tá olha só separando certinho azuis e vermelhos né passando por todos eles chegando seus dados não é a melhor possível mas é muito boa overfeat decidiu seria o que isso aqui ó olha essa curva só que foi péssimo mas tá passando certinho cada. Esse é o problema olha só é uma curva que passa somente em cada ponto e se apresentar um ponto novo aqui por exemplo ó o que

esse ponto é vermelho verde ela não consegue classificar porque ela decorou os pontos aqui ela só consegue acertar se você der um ponto no mesmo lugar um ponto mesmo lugar é o mesmo dado que eu já viu não tem nenhuma dificuldade isso Você passar um dado novo para ela né cada ponto de se é por exemplo uma o câncer você passa uma novo aqui ó tem que fazer não tem é um sabe fazer ela decorou 200 que tem que fazer o mesmo eu nome mesmo jeito para poder acertar o convite tá E aqui pessoal tem

uma under cition tá trazendo pra vocês eu vou pegar um rosto que modela uma curva de modelagem dos dados somente linear por exemplo né em formato de reta uma reta jamais a consegui separar esses dados recentemente essa reta ela coloca de um lado vermelhos e azuis misturados e do outro vermelhas misturadas Ela Tá misturando os problemas eram resolve André Fit é a parte do pessoal que a gente precisa fechar aqui para né ter feito essa super aula aí de apesar de máquina é o seguinte como que faz então para poder ensinar a máquina né Foi

por vocês várias vezes para o treinamento Então faço duas formas de treinar algoritmo de precisar de máquina tá o planeta pessoal Ele é super é padronizado tá você tá os exemplos da base para o modelo deixa eu trabalhar e faz educação da barbárie que se for não tá as ideia passar para ele ser modelos tá não é isso eu acho que o resumo de qualquer é fase de treinamentos algoritmos apesar de máquina tá você pega os dados tá esses dados separa em duas partes uma parte para treinar o último que é para ele olhar o

dado trabalhar neles né usar o conhecimento e separar parte dos dados para testar o mais interessante pessoal aqui a parte de teste ela não vai ser submetida o treinamento ou seja serão dados que o último nunca viu e aí vou passar para ele para ver se lá sexy dados porque é isso aí eu descobri que ele tá aprendendo né uso a base prender pega uma coisa que nunca viu ainda acerta isso é pesado tá e você pode quando você tem muitos algoritmos não sabe qual que é o melhor problema pegar os dados ainda separam terceiro.

São Dados validação tá o que é isso a validação é uma etapa anterior o teste eu tenho a 4 algoritmos não quer saber qual é o melhor para esse problema antes de estar de fato com a base o teste então crie uma parte da base para validar quer pegar todos os algoritmos meter só parte validação e v Oi está melhor na validação você descobre uma com a melhor risoles algoritmo aí você reintegra o treino EA validação uma base só treinar ele e depois dessa para ver quanto que representa Então vamos dar só não falam de

você escolher entre vários alvos potenciais para um problema ou molhados vai criar certo essa pessoal a forma de fazer treino tá aqui são né o o esquema de como é feito o treino e essa é uma técnica de tremolo tá fechada cross-validation ocupação ela que era utilizada cueca por exemplo ver como padrão os tênis com calça deixo só por causa deixou até que você pega a parte treino e você separam chamado os potes vou tá o que é um pote um pote é o recipiente em que vão ter pedaços da base treino vamos supor que

você define que você quer um treino de cross deixa com 10 potes então se você tem por exemplo a sua base de treinamento mil exemplo de dados ele vai separar então dividido em casos viu pudesse e se pudessem ele vai ter 10 potes de cada pote sem né dados a sua base porque ele faz isso porque ele passa cada pote separado por último enfrentar e avalia o desempenho cada pode separado Tá certo e depois ele vai invertendo Então essa ideia é você passa no pote né E criando várias secções e pegamos valores das execuções para

ter uma noção das médias né o controle como é bom acertar né dado as médias é isso é um exemplo tarde depois você montou já um próximo deixo de controle várias vezes né você tava se consegue ver no no formato de por exemplo é em uma matriz de confusão que quando você olha o que de fato ela acertou o que se passa ela errou e quando ele errou com que ele confundiu tá então assim repare que tem a parte verde em todos aqui ainda nela ó ou seja quer dizer que a gente mantém o modelo

de validação aqui se quiser tá e por último aí tá para fechar até aqui um exemplo você foi tanto exemplo até trouxe ele aqui tá é isso é uma fase aprendizagem aparecer Só essa aqui pessoal é um artigo é de um time de pesquisa da Unicamp que pegou então sua imagem meu nome mas né E aí eles fizeram que para poder treinar esse algoritmo esse modelo de Mach Lane eles pegaram 2000 imagens para ser a base de treino que dava novo venta no caso e não foi assim por cento ela ela obteve de acertar no

treino puro e aí ele fez uma parte pequena você vai ter mais para validar e o modelo que foi melhor a validação ser promovida por cento e depois escolhido para isso a parte de teste e nós testar as imagens é para pessoal 2000 treinou modelo aprendeu e sinalizou conhecimento com 150 validou pessoas que eram melhores que os modelos e aí ele pegou 600 imagens novas que ele nunca viu e acertou e tudo esse aqui precisa delas é uma ótima chance de acerto de 600 mais de 1000 a mão acertou corretamente Quais eram melanoma cancerígeno e

qual era bem ligam em 87 apenas vezes certo Então essa é uma fase aí de trânsito bom aqui eu tenho um resumo ou tá pessoal para mim isso aqui resume o que é você ensinar um boletinho de baixo ele é você reunir os dados certo preparar os dados verificar se essas relevantes se eles têm uma boa marca a sociedade os importantes tá eu tô no trabalho ficar pensamento e manipulação treinar seu modelo validar ele tá esse válida ele com outros modelos vão ver qual vezes satisfaz melhor você um cliente é um número X aí de

de restrições né E aí o modelo era validado você vai melhorar ele testando automaticamente ele o teste e melhorando o algoritmo município tá essa aí talvez isso tipo não é mais comumente usado aí para fazer computadores aprenderem na área de machimelo tá precisar de máquina e é isso tá tá aqui nossa referência da aula né grande se você sair ter acompanhado eu vou em seguida já falar sobre a parte de Resgate com vocês tá vou deixar para outro vídeo Certo muito obrigado e nos vemos na próxima Até mais é