Aprendizagem de Máquina

Transcrição

1 Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso

2 Introdução Percepção de máquina Um exemplo Um sistema inteligente O ciclo de projeto Aprendizagem e adaptação Conclusão

3 Percepção de Máquina Construir uma máquina que possa: Reconhecimento da fala Identificação de impressões digitais OCR (Reconhecimento ótico de caracteres) Identificação da sequência de DNA

4 Um Exemplo Separar peixes vindo em uma esteira de acordo com a espécie usando um sensor ótico Robalo Espécies Salmão

5 Robalo Robalo x Salmão

6 Salmão Robalo x Salmão

7 Análise de Problema Montar uma câmera e colher algumas imagens de exemplo para extrair características. Quais características? Comprimento Luminosidade Largura Número e forma das nadadeiras Posição da boca, etc Este é um conjunto de todas características sugeridas a serem exploradas em nosso classificador!

8 Pré-Processamento Usa uma operação de segmentação para isolar os peixes uns dos outros e do fundo. A informação de um único peixe é enviada para um extrator de características cujo propósito é reduzir os dados através da medida de certas características. As características são passadas a um classificador

9 Visão Geral

10 Características Selecionar o comprimento do peixe como uma característica possível para discriminação.

11 Características

12 Características O comprimento é uma característica fraca isoladamente! Selecionar a luminosidade como uma característica possível.

13 Características

14 Classificação Relação entre o limiar da fronteira de decisão e custo Mover nossa fronteira de decisão em direção a valores menores de luminosidade no intuito de minimizar o custo (reduzir o número de robalos que são classificados como salmão) Tarefa da teoria da decisão

15 Características Adotar a luminosidade e adicionar a largura do peixe Peixe x T = [x 1, x 2 ] Luminosidade Largura

16 Fronteira de Decisão

17 Características Poderíamos adicionar outras características que não sejam correlacionadas com as que já temos. Devemos ter precaução para não reduzir o desempenho pela adição de características ruidosas Idealmente, a melhor fronteira de decisão deve ser aquela que fornece um desempenho ótimo como na seguinte figura:

18 Fronteira de Decisão

19 Fronteira de Decisão Entretanto, nossa satisfação é prematura, pois, o objetivo principal no projeto de um classificador é classificar corretamente novas entradas Papel da generalização!

20 Fronteira de Decisão

21 Sistemas Inteligentes Aquisição Uso de um transdutor (câmera ou microfone) Sistemas de RP dependem da largura de banda, resolução, sensibilidade e distorção do transdutor Segmentação e agrupamento Padrões devem ser bem separados e não devem se sobrepor

22

23 Sistemas Inteligentes Extração de características Características discriminantes Características invariantes com respeito a translação, rotação e escala. Classificação Usa um vetor de características fornecido pelo extrator de características para atribuir o objeto a uma categoria. Pós-Processamento Explora informação dependente do contexto (não inerente do próprio padrão) para melhorar o desempenho.

24 O Ciclo de Projeto Obtenção de dados Escolha de características Escolha do modelo Treinamento (aprendizagem) Avaliação Complexidade computacional

25

26 Obtenção de dados O Ciclo de Projeto Como sabemos quando já coletamos uma quantidade suficientemente grande e representativa de exemplos para treinamento e teste do sistema?

27 O Ciclo de Projeto Escolha de características Depende das características do domínio de aplicação. Simples de extrair, invariantes a transformações irrelevantes, insensível a ruído.

28 Escolha do modelo O Ciclo de Projeto Insatisfeito com o desempenho do nosso classificador de peixes e querendo mudar para outra classe de modelo.

29 O Ciclo de Projeto Treinamento Usar dados para determinar o classificador. Inúmeros procedimentos para o treinamento de classificadores e escolha de modelos.

30 O Ciclo de Projeto Avaliação Medir a taxa de erro (ou desempenho) e mudar de um conjunto de características para outro. Alterar o classificador

31 O Ciclo de Projeto Complexidade computacional Qual é o compromisso entre facilidade computacional e desempenho? Como o algoritmo se comporta em função do número de características, padrões ou categorias?

32 Conclusão Reconhecimento de padrões envolve a solução de inúmeros subproblemas que podem ter tamanho e complexidade variáveis. Muitos destes sub-problemas podem contudo serem resolvidos. Diversos problemas continuam sem solução!