Prof. Júlio Cesar Nievola PPGIa PUCPR APRENDIZAGEM DE MÁQUINA - I

Transcrição

1 Prof. Júlio Cesar Nievola PPGIa PUCPR APRENDIZAGEM DE MÁQUINA - I

2 CONTROLE DE ROBÔS Como obter navegação segura e eficiente, estabilidade, manipulação fina e versátil? E no caso de ambientes dinâmicos e imprevisíveis? HAZBOT: ambientes com atmosfera inflamável 2

3 BUSCA DE INFORMAÇÃO NA WEB Como localizar a informação relevante? 3

4 PREVISÃO Como prever o valor do dólar (ou o clima) amanhã? Que dados são relevantes? Há comportamentos recorrentes? 4

5 DETECÇÃO DE INTRUSÃO E FILTRAGEM DE SPAM Como saber se uma mensagem é lixo ou de fato interessa? Como saber se um dado comportamento de usuário é suspeito e como lidar com isto? 5

6 SISTEMAS DE CONTROLE Como brecar o carro sem as rodas deslizarem em função da velocidade, atrito, etc.? Como focar a câmera em função de luminosidade, distância, etc.? Como ajustar a temperatura em função da quantidade de roupa, fluxo de água, etc.? 6

7 INTERFACE Como dar ao usuário a ajuda de que ele precisa? Como interagir (e quem sabe navegar na web) com celular sem ter de digitar (hands-free)? 7

8 CONCEITOS Aprendizagem adquirir uma representação, geralmente aproximativa, usando uma função matemática. Aprendizagem = busca de uma região em um espaço de hipótese explicando os dados (exemplos). Relação com otimização, analise numérica, estatística.

9 TIPOS DE APRENDIZAGEM Aprendizagem supervisionada Se resposta certa => indicação ok. Se resposta errada => indica resposta correta. Dado conjunto de exemplos pré-classificados, aprender descrição que abstrai a informação contida nesses exemplos e que pode ser usada para prever casos futuros. Exemplo: previsão de chuva, previsão da temperatura máxima. Aprendizagem não-supervisionada Se vire! Dada uma coleção de dados não classificados, agrupá-los por regularidades. Exemplo: criança aprendendo a distinguir formas geométricas.

10 PROBLEMA EXEMPLO: Imaginemos que se deseja prever se uma pessoa vai pagar ou não (provavelmente) um empréstimo realizado. Se a pessoa vai de pagar o emprésitmo ou não parece depender das seguintes características: Salário anual; Tem carro?; Bairro em que reside; Valor do empréstimo solicitado. 10

11 EXEMPLO Digamos que se observam estas características em 3 clientes. A tabela seguinte nos mostra os resultados destas observações e se o cliente pagou ou não o empréstimo: Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não A Médio Sim ,00 Sim B Médio Não ,00 Não C Médio Sim 11

12 REPETIÇÃO Agora pretende-se prever qual irá ser a atitude que um novo cliente irá tomar, sendo que ele tem as seguintes condições (última linha): Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não A Médio Sim ,00 Sim B Médio Não ,00 Não C Médio Sim ,00 Sim B Médio? Será que ele irá pagar o empréstimo ou não? 12

13 MEMÓRIA A resposta parece ser óbvia, pois as condições são semelhantes a uma das anteriores. Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não A Médio Sim ,00 Sim B Médio Não ,00 Não C Médio Sim ,00 Sim B Médio Não Este tipo de aprendizagem é bastante rudimentar pois basta memorizar o que se viu anteriormente para se poder dar a resposta. 13

14 RUÍDO NOS DADOS E quando há ruído nos dados? (As coisas não sempre tão simples como no caso anterior.) Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não Y Alto Sim ,00 Não Y Alto Sim O comportamento dos clientes não é totalmente coerente. 14

15 INCERTEZA Para entradas semelhante temos saídas diferentes. Se surgir novamente a mesma entrada qual vai ser a previsão? Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não Y Alto Sim ,00 Não Y Alto Sim ,00 Não Y Alto? 15

16 CALCULO DA MÉDIA Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não Y Alto Sim ,00 Não Y Alto Sim Pode-se afirmar que ela irá a pé com uma probabilidade de 5/7 16

17 GENERALIZAÇÃO Imagine-se agora o caso em que se deve tratar situações nunca vistos. Neste caso, pode não haver uma resposta óbvia. Podemos abdicar de fazer uma previsão, ou então assumir que existe uma certa propriedade de estabilidade: situações similares tendem a ter categorias similares. Pode-se argumentar que: Salário anual Tem carro? Bairro Valor solicitado Paga? ,00 Não A Sim Sim ,00 Não B Sim Não ,00 Sim C Não Não ,00 Não D Não Sim ,00 Não E Não Sim ,00 Não E Não Não Ele não vai pagar, porque quem tinha carro não pagou. Ela vai pagar, porque quem mora no bairro D pagou ,00 Não D Sim Sim ,00 Não F Não Não ,00 Sim D Não? 17

18 GENERALIZAÇÃO A questão de qual destas opções escolher é uma questão difícil e um dos problemas mais profundos subjacentes à Aprendizagem de Máquinas. Convém realçar que o objetivo é sempre que a máquina possa fazer as previsões acerca de dados novos sem a ajuda da intuição humana. 18

19 EXEMPLO: Imagine que se pretende dividir estes dois conjuntos de pontos de forma que, dada esta entrada, se consiga prever qual cor terá um novo ponto. Qual será a melhor escolha? Pode-se fazer o paralelo com o exemplo anterior, em que os pontos existentes são as linhas da tabela e o ponto novo que há-de surgir corresponde à linha nova. 19

20 QUAL SERÁ A RESPOSTA MAIS CORRETA? Neste caso parece óbvio, que seja uma linha que separe os dois conjuntos de pontos. Assim, um ponto que surja no lado direito será previsto como sendo vermelho e se ele surgir no lado esquerdo será previsto como preto. 20

21 E AGORA? Agora tem-se uma configuração diferente de pontos. Qual será a melhor escolha? 21

22 TAMBÉM NÃO PARECE SER DIFÍCIL 22

23 E AGORA?! Já não parece ser tão trivial encontrar a solução neste caso. Há pelo menos dois tipos de resposta possível. 23

24 PRIMEIRA OPÇÃO Neste caso, é possível separar completamente os dois conjuntos de pontos. Mas será esta a melhor escolha? 24

25 SEGUNDA OPÇÃO Neste caso, os pontos não estão totalmente divididos por cor. Esta opção despreza alguns elementos dispersos de maneira a simplificar a separação. 25

26 CLASSIFICAÇÃO: DEFINIÇÃO Dada uma coleção de registros (conjunto de treinamento) Cada registro contém um conjunto de atributos e um dos atributos é a classe. Encontrar um modelo para o atributo classe como uma função dos valores dos outros atributos. Objetivo: aos registros previamente desconhecidos deve ser assinalada uma classe tão precisamente quanto possível. Um conjunto de teste é usado para determinar a precisão do modelo. Geralmente o conjunto de dados fornecido é dividido em conjuntos de treinamento e testes, com o conjunto de treinamento sendo usado para construir o modelo e o conjunto de testes sendo usado para validá-lo.

27 10 10 ILUSTRANDO A TAREFA DE CLASSIFICAÇÃO Tid Attrib1 Attrib2 Attrib3 Class 1 Yes Large 125K No 2 No Medium 100K No 3 No Small 70K No 4 Yes Medium 120K No 5 No Large 95K Yes 6 No Medium 60K No 7 Yes Large 220K No 8 No Small 85K Yes 9 No Medium 75K No 10 No Small 90K Yes Training Set Tid Attrib1 Attrib2 Attrib3 Class 11 No Small 55K? 12 Yes Medium 80K? 13 Yes Large 110K? 14 No Small 95K? 15 No Large 67K? Test Set Induction Deduction Learning algorithm Learn Model Apply Model Model

28 EXEMPLOS DA TAREFA DE CLASSIFICAÇÃO Prever se tumor em células é benigno ou maligno Classificar transações de cartão de crédito como legítimas ou fraude Classificar estruturas secundárias de proteínas como alpha-helix, beta-sheet, ou random coil Categorizar textos novos como finanças, tempo, lazer, esportes, etc

29 INFERÊNCIA INDUTIVA 1 Indução Um processo de raciocínio para uma conclusão sobre todos os membros de uma classe por meio do exame de apenas uns poucos membros da classe. De maneira geral, raciocínio do particular para o geral. Por exemplo, se nota-se que: Todos os pacientes com Déficit de Atenção atendidos em 1986 sofriam de Ansiedade; Todos os pacientes com Déficit de Atenção atendidos em 1987 sofriam de Ansiedade;... Pode-se inferir logicamente que todos os pacientes que sofrem de Déficit de Atenção também sofrem de Ansiedade. Isto pode ser ou não verdade, mas propicia uma boa generalização.

30 INFERÊNCIA INDUTIVA 2 De uma maneira mais formalizada: Para um conjunto de objetos, X = {a,b,c,d,...}, se a propriedade P é verdade para a, e se P é verdade para b, e se P é verdade para c,... então P é verdade para todo X. O conhecimento novo baseado em vários casos (indução) é geralmente verdadeiro desde que os sistemas estudados sejam bem comportados. Se o número de objetos (exemplos) for insuficiente, ou se não forem bem escolhidos, as hipóteses obtidas podem ser de pouco valor. A inferência indutiva é um dos principais métodos utilizados para derivar conhecimento novo e predizer eventos futuros.