Introdução à Machine Learning e Construção de Modelos – Parte 1-Conceitos e Aprendizado Indutivo

[Música] [Aplausos] [Música] Olá meu nome é Silvio Moraes e vamos dar continuidade ao nosso estudo Inteligência Artificial agora estudando modelos em Machine então dando segmento ao curso vamos ver introdução a matinilania e a construção de modelos que que a gente vai ver basicamente conceito de machilane aprendizado Qual é a relação de plano de aprendizado clássicos como supervisionado e por reforço o alto não se pressionado é algo mais recente bastante interessante essencial que a máquina seja capaz de aprender né mas o que que é mais vocês podem ver várias definições né então o que que é

Machine é um conjunto de algoritmos não só eles tá então a gente pode ter uma abordagem simbólica como a árvores de decisão a gente pode ter uma abordagem estatística uma rede de 13 anos a gente pode ter uma abordagem evolutiva como algoritmo genético a gente pode ter uma abordagem de conexionista com as redes neurais que é o que está mais em voga agora tá mas é um conjunto de técnicas que nos permitem basicamente a partir de dados identificar o que é relevante e extrair o que é relevante e aprender os padrões a partir desses dados

então extrair padrões coisas que a gente pode usar depois para dados do mesmo domínio Então essa capacidade de aprender a partir de dados ela consegue a partir de dados de fontes diferentes texto em Mar de áudio que for extrair o que for essencial dentro daquela tarefa que a gente se disposa a fazer ele aprender eu quero que ele classifique eu quero que ele reconheça eu quero que ele agrupe eu quero que esse Marise então eu vou definir qual é a tarefa ele vai extrair o que é essencial para resolver aquela tarefa tá então o que

que é aprender desse ponto de vista né aprender ou aprender da máquina é semelhante a gente na medida que aprende a partir da experiência ele faz um aprendizado indutivo o que que o aprendizagem do tipo então fazendo um contraponto com dedução a dedução a gente tem regras Gerais que aplica no individual né então aquele exemplo clássico né todo o homem é mortal Pedro é homem portanto é mortal Acabei de fazer uma inferência uma dedução né mas o que que é indução é o oposto tu tem o particular o indivíduo tu vai ter os vários vários

pesos Mortais Ali vai ter que inferir o contrário com a Regra geral então a ideia Qual é de dados particulares extraiu o comportamento geral né seus padrões que tem naqueles dados então A ideia é de um conjunto de dado fichas de pacientes individualizar nomes os sintomas suas características Né desde no que trabalho o que que fez o que que desenvolveu os exames que fez o resultado que é doença então tá bem individualizar aí tem um monte de ficha pacientes que desenvolveram ou não aquela doença então agora o algoritmo vai ser capaz de o que extrair

os padrões que de fato identificam as características né os sintomas que levam para aquela doença ou não por causa do direito a gente tem casos particulares situações que aconteceram com as pessoas e aí a gente quer entender como isso por exemplo como é que eu Gero uma sentença correspondente adequada para aquele caso automaticamente então eu vou ter todos os casos particulares que aconteceram dentro para aquele assunto e eu vou tentar extrair né o desfecho que seria a sentença ou até identificar dentro desse alguns pedidos n coisas podem ser feitas Qual é a tarefa que eu

quero né eu passo para máquina seleciona os dados passa para máquina ela vai extrair aqui então ela identifica padrões para poder aplicar em outra situação então basicamente a gente tem um conjunto de dados aplica o algoritmo de machilane para extrair reconhecer os padrões esses dados E aí ele gera um modelo que que é esse modelo são esses padrões que ele extraiu são essas regras Gerais digamos assim que ele extraiu tá então um exemplo mas o dia a dia agora deixasse um pouco mais concreto então no início quando começou o convite a gente não sabia muito

bem qual eram os sintomas né era muito confuso uns tinham outros não tinham proporções diferentes não tinha dor de cabeça outro não tinha às vezes Tinha um fato perda de olfato às vezes não tinha uns né Depois a gente descobriu que a doença era oportunista no cérebro o outro tinha no pulmão né enfim no coração e por aí fora mas enfim Então imagina que a gente tem essa situação diversas em várias situações diversas é uma característica bem de problema que exige Inteligência Artificial muito grande de informações a gente tem variáveis elementos e também uma quantidade

grande que podem ser combinados de forma diferente em proporções diferentes então análise combinatória não tem uma regra nítida Assim Que a Gente olha e definida que resolve o problema de uma forma geral tá porque você tem que se carrega Clara usa ela né Mas se a regra não é clara ela tá dentro dos dados né Tem um lances diferentes para gerar os resultados isso é uma coisa que amar aqueles algoritmos consegue fazer que a máquina consegue fazer melhor que a gente no sentido que ela consegue enxergar todos esses padrões mais rapidamente né e da mesma

maneira tá então ela vai fazer de uma forma mais rápida que a gente vai ter a celeridade que a gente tanto quer ela vai fazer de uma forma precisa fazer sempre da mesma forma quanto mais dados mais preciso fica né quanto melhor a gente desenvolver isso aqui melhor fica importante feedbacks também para a gente melhorando os sistemas né a gente vai melhorando isso e também desonerando as pessoas para fazer chá de fazer coisas repetitivas e fazer coisas mais interessantes que realmente precisam de análise né então ele vai aprendendo então retomando por exemplo Então ele recebe

um monte de amostras positiva e negativos é o histórico desses pacientes aí passa por um pré-processamento para que a gente precisa pegar o texto ele já é para processada né quando vem lá do para trabalhar com semaps tratores né para tirar os PDF já o texto por exemplo Então já tá em texto tá já é praticamente já foi feito só que o próprio pensamento aqui seria além disso a gente pegar e separar em palavras a gente faz outras para pensamentos dependendo da tarefa para deixar a tarefa melhor porque algoritmo consiga trabalhar melhor esse para pensamento

vai depender do que a gente quer fazer e do algoritmo que a gente está usando tá aí passa por isso aí o algoritmo de Machine começa então fazer etapa de Treinamento entra uma mostra ele processa e se ajusta entra outra mostra o processo Justo ele vai fazendo isso é um ciclo de Treinamento esse ciclo ele pode ser n vezes por exemplo eu tenho um milhão de amostras e eu quero que o meu algoritmo olhe para esses dados 20 vezes Ah eu vou fazer isso aqui até a taxa de erro porque ele vai se ajustando então

ele tem que cada vez Está acertando mais né então eu posso ver pela taxa de erro se o erro tá diminuindo eu paro o algoritmo aí no momento que ele Ele alcançou esse critério de parada aí eu pego esses padrões que ele reconheceu que eles já estão mais confiáveis porque viu várias vezes os dados né então esses padrões isso é meu modelo então meu Modelo ele é constituído a partir de regularidades de comportamentos frequentes que tem nos dados isso é o modelo aí ele é feito para que o algoritmo obviamente para executar esse modelo eu

vou precisar do mesmo algoritmo tá E aí nisso no modelo Eu tenho esse caso covid eu tenho os padrões os sintomas mais frequentes Então o que me permite no momento que o modelo tá construído e para etapa de higienização que onde a gente usa tá aí entra um sintoma de um paciente que ele nunca viu né aí aplica o modelo e o modelo vai ser capaz de nos dar uma pressão dizer alguma coisa a respeito disso Olha porque Ele olhou para os as históricos né então olhando as históricos tem 86% de chance dessa pessoa desenvolver

com vídeo ela pegou vídeo Então isso é a parte finalização a gente usando quando se trata de redes neurais como essencialmente embaixo são números é muito rápida dessas respostas para gente bom Geraldo modelo então agora Dando um exemplo mais dentro da área do direito já no nosso modelo mais dentário de direito vão pegar agora documentos tá petições meu objetivo foi reconhecer se uma petição vamos porque esse é o nosso objetivo Ah mas por que que eu vou fazer isso de tanto alface ver se tem uma petição sim não tô dizendo que não é difícil né

mas pensem no universo de muitos documentos Então a gente tem uma máquina que já grifa para ti que aquele ali é uma petição Vai facilitar para o juiz ir direto no documento mais relevante que é o que que a pessoa quer de fato depois ele vê os computadores mas ele vai defeto no que que ela quer saber o que que ela tá pedindo né Outra aplicação também imagina na hora que o advogado faz a carga dos seus documentos o próprio sistema identificar automaticamente porque cada coisa e já roto lá aí você quer a petição isso

aqui é o documento tal isso aqui é uma procuração e ele nem precisava para outro que só dá carga e o sistema se vira adiciona segmenta deixa tudo pronto e já sabe no sistema já com essas informações já identificadas mas então vamos porque a gente quer construir esse esse modelo que identifica ser uma petição e não ou não então a gente vai ter que montar um conjunto de documentos dizendo isso é petição e segunda repetição isso é petição isso aqui na petição Então tá tem um conjunto de documentos lá tem procuração tem produção Inicial tem

outra procuração substabelecimento tem documentos comprovatórios uma carteira de identidade lá né uma imagem enfim tá tudo ali aí foram extraídos os textos que ele conseguiu aí entra para uma parte de pré-processamento como eu tinha dito antes para processamento vai depender do que a gente quer nesse caso que que eu gostaria que ele identifica essa petição então ele vai trabalhar em cima das palavras Quais são as palavras mais relevantes vai dar uma representação matemática para essas palavras para que o algoritmo de Machine consiga trabalhar tá E aí a partir disso funciona o ciclo de Treinamento tá

então aqui dando ciclo de forma mais detalhada Eu tenho um texto aqui que pode ser uma petição Aí ele vai lá pré processo separa as palavras é uma representação matemática aplica na rede A rede vai lá processa isso se ajusta para esse documento aí pega o outro documento desse conjunto de processos documentos processos né Desse data 7 que eu tenho só de de textos aí ele separa passa para representação matemática e vai para rede Então vai fazendo esse ciclo passando por todos os documentos que eu montei desse data 7 foi lá treinando treinando treinando treinando

até o momento que atinge aquele meu critério de parada que pode ser um número de ciclos 7 alguma taxa de erro alguma coisa que eu defini como critério de parar aí ele gera um modelo bom de posse desse modelo agora eu posso usar tá pronto o meu modelo E aí eu fiz todos os testes né Aí tem as medidas como que a gente vai falar mais para frente acurácia por exemplo ah ele tá tem uma curar Cistite tem uma precisão x aí a gente pode confiar que esse modelo tá legal de posse do modelo Então

agora eu posso usar aí eu vou para etapa de generalização então eu entro com o texto né Aí ele faz esse pré-processamento converte aplica o modelo que foi gerado e o modelo devolve o resultado Então nesse exemplo aqui esse documento tem entre 0 e 1 ele tem 99% de chance de ser uma petição tá esse modelo ele está no cenários ele existe então normalmente o que que seria né Tu tem a tua aplicação tem essa aplicação aí manda a entrada que seria o documento lá faz uma requisição lá para o sinapses aí manda para ele

isso ele vai fazer essas etapas que estão aqui de pré-assamento vai rodar o modelo e vai devolver isso aqui ó devolve isso aí lá na ponta quem tá desenvolvendo aplicação trata-se a entrada de forma que ela fique mais fácil do usuário entender mas basicamente é isso [Aplausos] [Música]