Aprendizagem de máquina
|
|
- Suzana de Lacerda Santos
- 6 Há anos
- Visualizações:
Transcrição
1 Aprendizagem de máquina Introdução Objetivos Fornecer o ferramental necessário ao entendimento e ao projeto de sistemas baseados em aprendizagem. A disciplina cobre os principais tópicos da aprendizagem de máquina, apontando as principais características das técnicas estudadas, objetivando a melhor escolha dependendo da tarefa. 2
2 Programa da Disciplina 1. Introdução 1.1. Conceitos básicos e tarefas de aprendizagem 1.2. Projeto de sistemas de aprendizagem 2. Técnicas de aprendizado supervisionado 2.1. Aprendizado de conceitos por busca 2.2 Modelos preditivos e técnicas de avaliação 2.3. Árvores de Decisão 2.4. Aprendizado de regras de classificação 2.5. Classificadores probabilísticos 2.6. Aprendizado baseado em instâncias 2.7. Redes Neurais Artificiais 2.8 Máquinas de Vetores de Suporte (SVM) 3. Aprendizado associativo 3.1. Algoritmo Apriori 3.2. Algoritmo FP-Growth 4. Técnicas de aprendizado não-supervisionado 4.1. Conceitos básicos: PCA, agrupamento de dados, VQ e estimação de densidade 4.2. Agrupamento de dados por distância 4.3. Métodos probabilísticos: Algoritmo EM 4.4 Agrupamento hierárquico 4.5 Mapas Auto-organizáveis 5. Aprendizado de sequências: HMM 6. Aprendizado por reforço 6.1. Programação Dinâmica 6.2. Aprendizado por Diferença Temporal 6.3. Métodos baseados em Ator e Crítico 7. Algoritmos Genéticos 3 Livros 1. Mitchell, Tom M., Machine Learning. McGraw-Hill, Alpaydin, Ethem, "Introduction to Machine Learning". MIT Press, Bishop, Christopher M., Pattern Recognition and Machine Learning. Springer, Quinlan, John Ross, C4.5 : programs for machine learning. Morgan Kaufmann, Jensen, Finn V., " Bayesian networks and decision graphs". Springer, Sutton, Richard S.. Reinforcement Learning : an introduction. MIT Press Haykin S. Redes Neurais Princípios e prática. Bookman
3 Método de trabalho e avaliação A disciplina se desenvolverá através de aulas expositivas, complementadas com apresentações de tópicos escolhidos e apresentados pelos alunos. Além disso, os alunos deverão implementar algumas tarefas específicas de aprendizagem. A avaliação da disciplina considera uma prova final, a apresentação dos tópicos pelos alunos e os trabalhos práticos. 5 Informações Úteis Prof. Engel Usem o mail!! engel@inf.ufrgs.br Ramal: 6829 Laboratório de Inteligência Artificial Conexionista
4 Aprendizagem de Máquina Para que serve? Aprendizagem de Máquina O que é Aprendizagem de Máquina? Área da IA que desenvolve métodos indutivos para solução de problemas. Cria modelos genéricos a partir de instâncias de solução do problema. Estuda estrutura de modelos adequadas para técnicas de aprendizagem. Estuda técnicas de aprendizagem adequadas para certas estruturas de modelagem.
5 Paradigmas de Computação Computação programada: a solução do problema é determinada por um algoritmo concebido por um programador que soluciona uma tarefa específica. Necessita de um algoritmo eficaz para solucionar a tarefa. A solução é dedicada à tarefa. Solução é inflexível. Deve-se prever a variabilidade do domínio. 9 Sistemas Baseados em Aprendizagem Sistemas Baseados em Aprendizagem (SBA): a solução de um problema se dá por métodos indutivos. Não é necessário extrair conhecimento de especialistas no domínio, mas precisa de dados que representem instâncias válidas da solução do problema (conjunto de treinamento). Em geral, um modelo capaz de resolver uma tarefa específica é gerado por indução a partir de um conjunto de treinamento. A solução é bastante flexível. A variabilidade do domínio deve estar representada no conjunto de treinamento. 10
6 Solução por SBA Domínio Dados (temperatura, pressão) Modelo Resultados (fluxo) Conjunto de treinamento Dados históricos Temperatura Pressão Fluxo 750 1, , , ,0 20 : : : 11 Exemplos de tarefas solucionadas por SBA Identificar mensagens como spam: não existe um algoritmo específico, mas podemos coletar exemplos de mensagens que consideramos como spam, e gerarmos um modelo de classificação para identificar automaticamente novas mensagens como spam. Identificar potenciais consumidores para um produto: coletar dados de transações efetuadas e descobrir perfis de consumo. Análise de crédito: dados históricos de clientes tomadores de crédito permitem gerar um modelo para prever se um novo cliente potencial será um bom ou mau pagador. Agrupar documentos por assunto: criar um modelo para classificar textos por assunto, com base em palavras compartilhadas. 12
7 Aplicações bem-sucedidas de aprendizado de máquina Aprender a reconhecer palavras faladas: todos os sistemas de reconhecimento de fala empregam algum tipo de aprendizagem redes neurais e modelos ocultos de Markov (HMM) são as abordagens mais usadas. Aprender a guiar um veículo autonomamente: em 1989 o sistema ALVINN, baseado em RN, calculava o ângulo das rodas a partir de imagens de vídeo e de dados de um sensor de distância a laser e guiou um automóvel por 90 milhas, a 70 mph, numa auto-estrada. 13 Aplicações bem-sucedidas de aprendizado de máquina Aprender a classificar estruturas astronômicas: métodos de aprendizado de máquina têm sido usados pela NASA para aprender a classificar automaticamente objetos celestes, a partir de 3 Tb de dados de imagens. Aprender a jogar: vários programas de jogos bem-sucedidos têm sido desenvolvidos baseados em aprendizado: gamão (TD-Gammon), damas, etc. 14
8 Disciplinas que influenciam a área de aprendizado de máquina IA: aprendizado de representações simbólicas de conceitos. Aprendizado de máquina como um problema de busca. Uso de conhecimento e dados para guiar a aprendizagem. Métodos bayesianos: teorema de Bayes para calcular probabilidades de hipóteses. Algoritmos para estimar valores de variáveis não observadas. 15 Disciplinas que influenciam a área de aprendizado de máquina Teoria de controle: procedimentos para aprender a controlar processos, otimizando objetivos e aprendendo a prever o próximo estado. Teoria da complexidade e teoria da informação: limites teóricos da complexidade de tarefas de aprendizagem, medidas de informação e procedimentos para codificação. Estatística: caracterização de erros de estimativa, precisão, confiança. Psicologia, neurobiologia, filosofia: motivação e análise de modelos. 16
9 Tipos de Aprendizado Aprendizado supervisionado: usa informação a priori sobre as relações causa-efeito entre as ações do sistema e o estado do ambiente. existe um conjunto de treinamento contendo pares de estados do ambiente e ações correspondentes, fornecidos pelo instrutor. Aprendizado por imitação Aprendizado Associativo Descobre influência entre variáveis por coocorrências 17 Tipos de Aprendizado Aprendizado ser não-supervisionado: ocorre apenas das observações dos estados do ambiente, sem conhecimento a priori. detecta regularidades nos dados observados formula hipóteses sobre a estrutura do domínio: detecta categorias nos dados de entrada Aprendizado por reforço existe apenas um sinal correspondente ao resultado, positivo ou negativo, de uma ação realizada (no passado). aprendizado supervisionado por um crítico 18
10 Abordagens para a Construção de Modelos O modelo construído pelo processo de aprendizagem é limitado pela abordagem utilizada na sua representação (viés da representação). Nos sistemas de aprendizagem simbólicos, por exemplo, é dada ênfase na descrição do modelo, através de linguagens facilmente interpretadas por humanos. Nos sistemas de aprendizagem computacionais, na maioria das vezes, o interesse está centrado na precisão do modelo. Neste caso, do ponto de vista do usuário, o modelo é visto como uma caixa-preta. y 1,j x y j k,j Modelo y M,j 19 Tipos de Tarefas de Aprendizagem Geração de modelos descritivos Determinação de protótipos de agrupamentos Geração de modelos preditivos Classificação Regressão (aproximação de funções) 20
11 Tipos de Problemas de Aprendizagem Os problemas estudados podem ser agrupados quanto à sua dependência temporal: Problema estático: só depende dos valores instantâneos das variáveis envolvidas as variáveis tem apenas correlação espacial Problema dinâmico: além dos valores instantâneos, depende da seqüência histórica das variáveis envolvidas as variáveis têm correlação espaço-temporal 21 Sistema de aprendizagem em ambientes estáticos As saídas do ambiente/ sistema dependem apenas das suas entradas instantâneas. A funcionalidade do modelo gerado pelo sistema de aprendizagem equivale a um mapeamento de entrada saída. O modelo fornece uma previsão do sinal de saída do ambiente/ sistema. sinal de entrada x 1 Ambiente/ x 2 Sistema y 2 y 1 sinal de saída Modelo ŷ 1 ŷ 2 previsão do sinal de saída Funcionalidade: y, yˆ F( x, ) ˆ1 2 1 x2 Mapeamento 22
12 Sistema de aprendizagem em ambientes dinâmicos As saídas do ambiente/ sistema dependem do histórico das variáveis envolvidas. A funcionalidade do modelo gerado pelo sistema de aprendizagem equivale a uma máquina seqüencial ou a um sistema dinâmico (versão contínua). Em geral, pode-se usar variáveis de estado para sumarizar a dinâmica do sistema. A relação causa-efeito é atrasada no tempo. sinal de entrada x 1 (n 1) x 2 (n 1) Ambiente/ Sistema y 1 (n) y 2 (n) sinal de saída Exemplo de relação de entrada-saída de primeira ordem: Modelo y ( ˆ1 n y ( n) previsão do sinal de saída y ( n), yˆ ( n) F( y ( n 1), y ( n 1), x ( n 1), x ( n 1)) ˆ ˆ2 ) 23 Modelos Descritivos A tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição do domínio, de acordo com similaridades observadas nos dados. Entradas Modelo Determinação de uma configuração de centróides de agrupamentos dos dados Modelo de agrupamento dos dados 24
13 Dados para agrupamento de subespécies da planta Iris uma amostra do domínio Conjunto de medidas c_sepala l_sepala c_petala l_petala 5,1 3,8 1,5 0,3 5,4 3,4 1,7 0, ,0 3,2 4,7 1,4 6,4 3,2 4,5 1, ,3 2,9 6,3 1,8 6,7 2,5 5,8 1, comprimento-sepala largura-sepala comprimento-petala largura-petala Modelo Rótulo de classe natural 25 Modelos Preditivos A tarefa de geração de um modelo preditivo consiste em aprender um mapeamento de entrada para a saída. Neste caso, os dados contêm os valores de saída desejados, correspondentes para cada amostra. Entradas Mapeamento Saídas Classificação: saídas discretas representam rótulos de classe. Regressão: saídas contínuas representam valores de variáveis dependentes. 26
14 Dados para classificação de subespécies da planta Iris amostras rotuladas do domínio Conjunto de medidas rótulo c_sepala l_sepala c_petala l_petala classe 5,1 3,8 1,5 0,3 Iris-setosa 5,4 3,4 1,7 0,2 Iris-setosa ,0 3,2 4,7 1,4 Iris-versicolor 6,4 3,2 4,5 1,5 Iris-versicolor ,3 2,9 6,3 1,8 Iris-virgínica 6,7 2,5 5,8 1,8 Iris-virgínica comprimento-sepala largura-sepala comprimento-petala largura-petala Modelo Rótulo de classe de interesse 27 Aprendizado por reforço O aprendizado por reforço é uma técnica que possibilita a aprendizagem a partir da interação com o ambiente. A interação com o ambiente nos permite inferir relações de causa e efeito sobre as conseqüências de nossas ações e sobre o que fazer para atingir nossos objetivos. Aprender por reforço significa aprender o que fazer - como realizar o mapeamento de situações em ações - de modo a maximizar um sinal numérico de recompensa. Não se dispõe da informação sobre quais ações devem ser tomadas, como é o caso no aprendizado supervisionado. O sistema de aprendizagem deve descobrir quais ações têm mais chances de produzir recompensa, e realizá-las. 28
15 O problema da aprendizagem por reforço Os sistemas de aprendizagem e de tomada de decisão são denominados de agente. O objeto com o qual o agente interage é chamado de ambiente. A interação se dá com o agente selecionando ações e o ambiente respondendo a estas ações apresentando novas situações para o agente. O ambiente também fornece as recompensas - valores numéricos que o agente tenta maximizar ao longo do tempo. Agente estado s t recompensa r t rt+1 s t+1 Ambiente ação a t 29
Redes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisInteligência Artificial
Inteligência Artificial Aprendizado Computação por Aprendizagem Desde a invenção dos computadores têm sido feitos esforços para dotá-los com a capacidade de aprender. Em termos genéricos, aprender é melhorar
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 14 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisInteligência Artificial. Josiane M. Pinheiro Ferreira Maio/2009
Inteligência Artificial Josiane M. Pinheiro Ferreira Maio/2009 Inteligência Artificial (IA) Estuda e tenta construir entidades inteligentes Durante milhares de anos procuramos entender como pensamos: Como
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte I) Prof. a
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisRECONHECIMENTO DE PADRÕES - RP
RECONHECIMENTO DE PADRÕES - RP Definições Básicas O que é? 2 Ramo do aprendizado de máquina Consiste em atribuir um rótulo (ou classe) para uma certa amostra ou valor de entrada Exemplo: classificação
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisProf.: Eduardo Vargas Ferreira
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Prof.: Eduardo Vargas Ferreira O que é Machine Learning? Estatística Data Mining 2 O que é Machine Learning? Estatística
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia mais6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA TEORIA: 60 LABORATÓRIO: 30
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5001 - SISTEMAS MULTIAGENTES
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisInteligência Artificial. Aula 1 Prof. Nayat Sánchez Pi
Inteligência Artificial Aula 1 Prof. Nayat Sánchez Pi Curso: Inteligência Artificial Página web: http://nayatsanchezpi.com Material: Livro texto: Inteligência Artiicial, Russell & Norvig, Editora Campus.
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisInteligência Artificial. Prof. Ilaim Costa Jr.
Inteligência Artificial Prof. Ilaim Costa Jr. 4) Ciência da Computação 4) Ciência da Computação Exemplos de Aplicação da IA Matemática: demonstração
Leia maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisMineração de Dados com Big Data. Prof. Fabrício Olivetti de França Universidade Federal do ABC
Mineração de Dados com Big Data Prof. Fabrício Olivetti de França Universidade Federal do ABC Sobre mim Formado em Engenharia Elétrica com ênfase em Computação pela Universidade Católica de Santos. Mestrado
Leia maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisINTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Saulo Martiello Mastelini Departamento de Computação - UEL 1 o Semestre Assunto Aula 11 Modelos Preditivos - Árvore de Decisão
Leia maisVários modelos: um SAD pode incluir vários modelos, cada um representando uma parte diferente do problema de tomada de decisão Categorias de modelos
MODELAGEM E ANÁLISE Modelagem Questões atuais de modelagem Vários modelos: um SAD pode incluir vários modelos, cada um representando uma parte diferente do problema de tomada de decisão Categorias de modelos
Leia maisM08. Introdução a Técnicas de Data Mining DM
M08. Introdução a Técnicas de Data Mining DM 3 - CLASSIFICAÇÃO E PREDIÇÃO LNCC/MCT - 15/01/2008 Custódio Gouvêa Lopes da Motta custodio.motta@ufjf.edu.br www.dcc.ufjf.br Agradecimentos: CNPq, LNCC, UFJF,
Leia mais2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais) Prof. a Joseana Macêdo Fechine Régis
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? O que é Inteligência Artificial? Área de pesquisa que tem
Leia mais4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Análise de associação Principais tópicos Análise de associação Itens frequentes Conjunto de itens frequentes de associação Avaliação de regras de associação Docente:
Leia maisNotas de Aula 03: Introdução a Orientação a Objetos e a UML
Notas de Aula 03: Introdução a Orientação a Objetos e a UML Objetivos da aula: Introduzir os conceitos da Orientação à Objetos (O.O) Introduzir os conceitos da UML Relacionar os processos às ferramentas
Leia maisAprendizado por Árvores de Decisão
Universidade Federal de Santa Maria Departamento de Eletrônica e Computação Prof. Cesar Tadeu Pozzer Disciplina de Programação de Jogos 3D E-mail: pozzer@inf.ufsm.br Período: 2006/01 Aprendizado por Árvores
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisMecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas
Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,
Leia maisInteligência Artificial. Aula 2
Inteligência Artificial Aula 2 Retomada da aula passada O que é Inteligência Artificial Inteligência Artificial é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Apresentação da Disciplina Edirlei Soares de Lima O que é Inteligência Artificial? Área de pesquisa que tem como objetivo buscar métodos ou dispositivos
Leia maisUm Minotauro Perdido & Percolação
Departamento de Ciência da Computação IME-USP Segundo Semestre de 2014 MAC 115 Introdução à Computação IF Noturno (Versão quase final) Um Minotauro Perdido & Percolação Exercício-Programa 4 (EP4) Data
Leia mais18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
Leia maisModelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico
Modelo neural hierárquico para obtenção de comportamento adaptativo em um agente robótico Eduardo W. Basso ewbasso@inf.ufrgs.br Semana Acadêmica 2005 PPGC UFRGS Motivação Desenvolvendo sistemas inteligentes
Leia maisInteligência Artificial
UFRGS 2 Inteligência Artificial Técnicas de Mineração de Dados Árvores de Decisão Regras de Associação Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisData Mining. O Processo de KDD. Mauricio Reis
1 Data Mining O Processo de KDD Mauricio Reis prof_uva@mreis.info http://mreis.info/uva-2016-9-datamining 2 ROTEIRO 1. Definição 2. Aplicação KDD problema recursos resultados 3. Área de origem 4. Histórico
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisInteligência Artificial (Lista 1) Prof. Alex F. V. Machado
Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia Sudeste de Minas Gerais - Campus Rio Pomba Bacharelado em Ciência da Computação 1) Considere os termos abaixo e complete. Inteligência
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisDistorções Dinâmicas no Tempo & Pesquisa. Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica
Distorções Dinâmicas no Tempo & Pesquisa Distorção dinâmica no tempo Pesquisa Algoritmos gráficos de pesquisa Algoritmos de programação dinâmica 1 Casamento de Template Baseado em Palavra Medida de Característica
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisDefinição IHC. Disciplina ou campo de estudo interessada no design, implementação e avaliação de sistemas computacionais interativos para uso humano.
Introdução à IHC Definição IHC Disciplina ou campo de estudo interessada no design, implementação e avaliação de sistemas computacionais interativos para uso humano. Estudo dos fenômenos associados ao
Leia maisRedes Neurais no WEKA
Redes Neurais WEKA http://www.cs.waikato.ac.nz/ml/weka/ Redes Neurais no WEKA Introdução ao WEKA Base Benchmark Estudo de Casos Análise de Crédito Bancário 1 Redes Neurais no Weka WEKA (Waikaito Environment
Leia maisSistemas Multi-agentes
Sistemas Multi-agentes! Projeto dos agentes «O problema é resolvido por um conjunto de agentes, fisicamente distribuídos em diversas máquinas conectadas. «Os agentes são concebidos para solucionar um problema
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisEngenharia de Software
Engenharia de Software Marcelle Mussalli Cordeiro {mmussalli@gmail.com} Cordeiro Reflexão O que é software?? Cordeiro 2 O que é Software? Programa Dados de configuração Dados de documentação Tudo que esteja
Leia maisInteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013
Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisUNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO CURSO: CIÊNCIA DA COMPUTAÇÃO. Prof.ª Danielle Casillo
UNIVERSIDADE FEDERAL RURAL DO SEMI-ÁRIDO CURSO: CIÊNCIA DA COMPUTAÇÃO TEORIA DA COMPUTAÇÃO Aula 01 Apresentação da Disciplina Prof.ª Danielle Casillo PLANO DE ENSINO Nome: Teoria da Computação Créditos:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Introdução Alessandro L. Koerich 2008 Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisCURSO DE CIÊNCIAS EXATAS HABILITAÇÃO: BACHARELADO EM CIÊNCIAS EXATAS INGRESSANTES 2009
CURSO DE CIÊNCIAS EXATAS HABILITAÇÃO: BACHARELADO EM CIÊNCIAS EXATAS INGRESSANTES 2009 Período Atividade Acadêmica Caráter Cr CH Pré-requisito Código Denominação 1º MAT154 Cálculo I Disciplina de Formação
Leia maisTécnicas Básicas de Compressão de Vídeo
Aula 11 Técnicas Básicas de Compressão de Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Introdução
Leia maisInteligência vs. Aprendizado
Introdução Thiago A. S. Pardo Daniel Honorato Solange O. Rezende Ronaldo C. Prati 1 Inteligência vs. Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha
Leia mais!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' #$4!*.+5 #76$8 8'9
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' 2 +3 2#$4!*.+5 #76$8 8'9 :?
Leia maisPlano de Trabalho Docente Ensino Técnico
Etec Monsenhor Antonio Magliano Plano de Trabalho Docente 2015 Ensino Técnico ETEC: MONSENHOR ANTONIO MAGLIANO Código: 088 Município: GARÇA SP Eixo Tecnológico: Gestão e Negócios Habilitação Profissional
Leia maisAutomação. 4 de fevereiro de Prof. Ramon Moreira Lemos
Automação 4 de fevereiro de 2016 O que é automação? Engenharia de automação é o estudo das técnicas que visam otimizar um processo de negócio, aumentando sua produtividade, promovendo a valorização da
Leia mais4 Modelagem do jogador
4 Modelagem do jogador Essa técnica também é conhecida como modelagem de adversários ou oponentes, como usada por alguns autores (Herik05, Bakkes09). Baseada no conceito de modelagem de estudantes usado
Leia mais