EEL891 Aprendizado de Máquina Prof. Heraldo L. S. Almeida. Introdução
|
|
|
- Glória Caetano Borja
- 5 Há anos
- Visualizações:
Transcrição
1 1 Introdução
2 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 17
3 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 18
4 1.1. O que é Aprendizado de Máquina? 1. Introdução 19
5 1.1. O que é Aprendizado de Máquina? Não! Não é nada disso!!! 1. Introdução 20
6 1.1. O que é Aprendizado de Máquina? 1. Introdução 21
7 1.1. O que é Aprendizado de Máquina? 1. Introdução 22
8 1.1. O que é Aprendizado de Máquina? 1. Introdução 23
9 1.1. O que é Aprendizado de Máquina? 1. Introdução 24
10 1.1. O que é Aprendizado de Máquina? 1. Introdução 25
11 1.1. O que é Aprendizado de Máquina? Quando a IA alcançará a inteligência humana? 1. Introdução 26
12 1.1. O que é Aprendizado de Máquina? Quando a IA alcançará a inteligência humana? 1. Introdução 27
13 1.1. O que é Aprendizado de Máquina? Algumas definições de Machine Learning (uma antiga e uma moderna): 1. Introdução 28
14 1.1. O que é Aprendizado de Máquina? Algumas definições de Machine Learning (uma antiga e uma moderna): É o campo de estudo que dá a um computador a capacidade de aprender sem ser explicitamente programado para isso. (Arthur Samuel, 1959) 1. Introdução 29
15 1.1. O que é Aprendizado de Máquina? Algumas definições de Machine Learning (uma antiga e uma moderna): É o campo de estudo que dá a um computador a capacidade de aprender sem ser explicitamente programado para isso. (Arthur Samuel, 1959) É a ciência (e a arte) de programar computadores de modo que eles possam aprender a partir de dados. (Aurelien Geron, 2017) 1. Introdução 30
16 1.1. O que é Aprendizado de Máquina? O que significa uma máquina aprender? 1. Introdução 31
17 1.1. O que é Aprendizado de Máquina? O que significa uma máquina aprender? Diz-se que um programa de computador aprende a respeito de uma tarefa T por meio de uma experiência E, em relação a uma métrica de desempenho P, se o seu desempenho na tarefa T, quando medido pela métrica P, aumenta com a experiência E. (T. Mitchell, 1997) 1. Introdução 32
18 1.1. O que é Aprendizado de Máquina? Seleção de clientes para empréstimo financeiro Tarefa T: classificar potenciais novos clientes como bons ou maus pagadores Medida de Desempenho P: porcentagem de clientes classificados corretamente Experiência de Treinamento E: uma base de dados histórica com características de antigos clientes que foram bons ou maus pagadores 1. Introdução 33
19 1.1. O que é Aprendizado de Máquina? Diagnóstico de câncer (tumor maligno ou benigno) Tarefa T: determinar, com base em imagens de exames, se um tumor é maligno ou benigno. Medida de Desempenho P: percentual de diagnósticos corretos. Experiência de Treinamento E: imagens de tumores obtidas de exames medicos (raio X, ultrassom, tomografia, ressonância magnética, etc.). 1. Introdução 34
20 1.1. O que é Aprendizado de Máquina? Estimativa de valor imobiliário Tarefa T: estimar o valor de um imóvel com base em suas características (área, número de cômodos, localização, etc.). Medida de Desempenho P: média das diferenças absolutas entre o preço estimado e o preço em que o imóvel veio a ser efetivamente negociado. Experiência de Treinamento E: histórico com informações de imóveis negociados recentemente e os respectivos preços em que foram negociados. 1. Introdução 35
21 1.1. O que é Aprendizado de Máquina? Navegação de um veículo autônomo Tarefa T: navegar em uma auto-estrada de quatro pistas usando sensores de visão Medida de Desempenho P: distância média viajada antes de um erro ocorrer Experiência de Treinamento E: uma seqüência de imagens e comandos de direção registrados por meio da observação de um motorista humano 1. Introdução 36
22 1.1. O que é Aprendizado de Máquina? Robô de investimentos em bolsa de valores Tarefa T: comprar e vender ações de modo a maximizar o lucro obtido em um dado prazo Medida de Desempenho P: lucro obtido pelo sistema ao longo de um período de tempo Experiência de Treinamento E: uma sequência histórica de notícias políticas e econômicas, dados financeiros das empresas negociadas e as variações de preço de mercado ao longo do tempo. 1. Introdução 37
23 1.1. O que é Aprendizado de Máquina? 1. Introdução 38
24 1.1. O que é Aprendizado de Máquina? 1. Introdução 39
25 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? 1. Introdução 40
26 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? Quanto mais você usa o algoritmo melhor ele fica? 1. Introdução 41
27 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? Quanto mais você usa o algoritmo melhor ele fica? Não é Machine Learning!!! 1. Introdução 42
28 1.1. O que é Aprendizado de Máquina? 1. Introdução 43
29 1.1. O que é Aprendizado de Máquina? 1. Introdução 44
30 1.1. O que é Aprendizado de Máquina? 1. Introdução 45
31 1.1. O que é Aprendizado de Máquina? 1. Introdução 46
32 1.1. O que é Aprendizado de Máquina? 1. Introdução 47
33 1.1. O que é Aprendizado de Máquina? 1. Introdução 48
34 1.1. O que é Aprendizado de Máquina? 1. Introdução 49
35 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? 1. Introdução 50
36 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? Quanto mais você usa o algoritmo melhor ele fica? 1. Introdução 51
37 1.1. O que é Aprendizado de Máquina? Está havendo aprendizado? Quanto mais você usa o algoritmo melhor ele fica? Não é Machine Learning!!! 1. Introdução 52
38 1.1. O que é Aprendizado de Máquina? 1. Introdução 53
39 1.1. O que é Aprendizado de Máquina? 1. Introdução 54
40 1.1. O que é Aprendizado de Máquina? 1. Introdução 55
41 1.1. O que é Aprendizado de Máquina? Quanto mais dados forem observados no treinamento, melhor será o desempenho do sistema. 1. Introdução 56
42 1.1. O que é Aprendizado de Máquina? Quanto mais dados forem observados no treinamento, melhor será o desempenho do sistema. O sistema aprende com a experiência. 1. Introdução 57
43 1.1. O que é Aprendizado de Máquina? Quanto mais dados forem observados no treinamento, melhor será o desempenho do sistema. O sistema aprende com a experiência. Isto é Machine Learning!!! 1. Introdução 58
44 1.1. O que é Aprendizado de Máquina? O que é o Modelo? O modelo é extraído de um sistema a partir da observação do mesmo em diferentes situações. Modelo = conjunto de relações lógicomatemáticas entre as variáveis que descrevem os dados observados e as respostas desejadas. Modelo = algoritmo + parâmetros ajustados para máximo desempenho com base nos dados observados.
45 1.1. O que é Aprendizado de Máquina? Diferenças entre Programação Tradicional e Machine Learning 1. Introdução 60
46 1.1. O que é Aprendizado de Máquina? Diferenças entre Programação Tradicional e Machine Learning 1. Introdução 61
47 1.1. O que é Aprendizado de Máquina? A Abordagem Tradicional 1. Introdução 62
48 1.1. O que é Aprendizado de Máquina? Machine Learning 1. Introdução 63
49 1.1. O que é Aprendizado de Máquina? Machine Learning 1. Introdução 64
50 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 65
51 1.2. Por que Machine Learning é o Futuro? Desde o início da história da humanidade até o ano de 2005, os humanos geraram 130 exabytes de informação. 130 exabytes = 130 x bytes Esta cifra inclui tudo o que foi falado, escrito, fotografado e filmado na história da humanidade, incluindo os arquivos digitais a partir da segunda metade do século XX. 1. Introdução 66
52 1.2. Por que Machine Learning é o Futuro? 1 byte 1. Introdução 67
53 1.2. Por que Machine Learning é o Futuro? 1 kilobyte 1. Introdução 68
54 1.2. Por que Machine Learning é o Futuro? 1 megabyte 1. Introdução 69
55 1.2. Por que Machine Learning é o Futuro? 1 gigabyte 1. Introdução 70
56 1.2. Por que Machine Learning é o Futuro? 1 terabyte (80 anos de vida) 1. Introdução 71
57 1.2. Por que Machine Learning é o Futuro? 1 petabyte (livros consumindo todas as 7 bilhões de árvores da Floresta Amazônica) 1. Introdução 72
58 1.2. Por que Machine Learning é o Futuro? 1 exabyte = 1000 petabytes 1. Introdução 73
59 1.2. Por que Machine Learning é o Futuro? 1. Introdução 74
60 1.2. Por que Machine Learning é o Futuro? 1. Introdução 75
61 1.2. Por que Machine Learning é o Futuro? 1. Introdução 76
62 1.2. Por que Machine Learning é o Futuro? 1. Introdução 77
63 1.2. Por que Machine Learning é o Futuro? 1. Introdução 78
64 1.2. Por que Machine Learning é o Futuro? 1. Introdução 79
65 1.2. Por que Machine Learning é o Futuro? 1. Introdução 80
66 1.2. Por que Machine Learning é o Futuro? 1. Introdução 81
67 1.2. Por que Machine Learning é o Futuro? 1. Introdução 82
68 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 83
69 1.3. Algumas Aplicações Reconhecimento de rostos 1. Introdução 84
70 1.3. Algumas Aplicações Reconhecimento de rostos 1. Introdução 85
71 1.3. Algumas Aplicações Detecção e interpretação de movimentos 1. Introdução 86
72 1.3. Algumas Aplicações Detecção e interpretação de movimentos 1. Introdução 87
73 1.3. Algumas Aplicações Emulação de realidade virtual 1. Introdução 88
74 1.3. Algumas Aplicações Reconhecimento de voz 1. Introdução 89
75 1.3. Algumas Aplicações Conversão de voz para texto 1. Introdução 90
76 1.3. Algumas Aplicações Aprendizado de movimento robótico 1. Introdução 91
77 1.3. Algumas Aplicações Seleção otimizada de exibição de anúncios 1. Introdução 92
78 1.3. Algumas Aplicações Sistemas de recomendação 1. Introdução 93
79 1.3. Algumas Aplicações Sistemas de recomendação 1. Introdução 94
80 1.3. Algumas Aplicações Sistemas de recomendação 1. Introdução 95
81 1.3. Algumas Aplicações Análise de imagens de exames médicos 1. Introdução 96
82 1.3. Algumas Aplicações Diagnóstico de doenças 1. Introdução 97
83 1.3. Algumas Aplicações Interpretação de mapas e imagens de satélite 1. Introdução 98
84 1.3. Algumas Aplicações Exploração espacial 1. Introdução 99
85 1.3. Algumas Aplicações Reconhecimento de caligrafia humana 1. Introdução 100
86 1.3. Algumas Aplicações Previsão de séries temporais (demanda de energia elétrica, utilização de redes, mercados financeiros, clima, etc.) 1. Introdução 101
87 1.3. Algumas Aplicações Processamento de Linguagem Natural 1. Introdução 102
88 1.3. Algumas Aplicações Chatbots 1. Introdução 103
89 1.3. Algumas Aplicações Filtragem de spam 1. Introdução 104
90 1.3. Algumas Aplicações Reconhecimento ótico de caracteres 1. Introdução 105
91 1.3. Algumas Aplicações Detecção de fraudes em cartões de crédito/débito 1. Introdução 106
92 1.3. Algumas Aplicações Robôs de investimento em mercados financeiros 1. Introdução 107
93 1.3. Algumas Aplicações Segmentação de clientes (perfil de consumidor) 1. Introdução 108
94 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 109
95 1.4. Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado Semi-Supervisionado Aprendizado por Reforço 1. Introdução 110
96 1.4. Tipos de Aprendizado Aprendizado Supervisionado A máquina é treinada com observações rotuladas (acompanhadas da resposta correta) Aprende a inferir a resposta correta para observações não-rotuladas recebidas posteriormente Aprendizado Não-Supervisionado Aprendizado Semi-Supervisionado Aprendizado por Reforço 1. Introdução 111
97 1.4. Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado A máquina é treinada com observações não-rotuladas (sem acesso à resposta correta) Aprende a identificar padrões e estruturas nos dados recebidos (agrupamentos, anomalias, subespaços, etc.) Aprendizado Semi-Supervisionado Aprendizado por Reforço 1. Introdução 112
98 1.4. Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado Semi-Supervisionado Híbrido entre supervisionado e não-supervisionado Tem o mesmo objetivo do supervisionado (inferir a resposta correta para observações não-rotuladas), mas somente uma pequena parte das observações utilizadas no treinamento são rotuladas Aprendizado por Reforço 1. Introdução 113
99 1.4. Tipos de Aprendizado Aprendizado Supervisionado Aprendizado Não-Supervisionado Aprendizado Semi-Supervisionado Aprendizado por Reforço A máquina é treinada para otimizar um comportamento (ex: vencer um jogo, realizar uma tarefa com sucesso, aprender uma habilidade) O treinamento se dá por meio de mecanismos de recompensa/punição para as ações da máquina durante sua interação com um meio externo (real ou simulado) 1. Introdução 114
100 1.4. Tipos de Aprendizado Aprendizado Supervisionado A máquina é treinada com observações rotuladas (acompanhadas da resposta correta) Aprende a inferir a resposta correta para observações não-rotuladas recebidas posteriormente Tarefas de Aprendizado Supervisionado Classificação Regressão 1. Introdução 115
101 1.4. Tipos de Aprendizado Aprendizado Supervisionado Classificação 1. Introdução 116
102 1.4. Tipos de Aprendizado Aprendizado Supervisionado Classificação 1. Introdução 117
103 1.4. Tipos de Aprendizado Aprendizado Supervisionado Classificação 1. Introdução 118
104 1.4. Tipos de Aprendizado Aprendizado Supervisionado Regressão 1. Introdução 119
105 1.4. Tipos de Aprendizado Aprendizado Supervisionado Regressão 1. Introdução 120
106 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado A máquina é treinada com observações não-rotuladas (sem acesso à resposta correta) Aprende a identificar padrões e estruturas nos dados recebidos (agrupamentos, anomalias, subespaços, etc.) Tarefas de Aprendizado Não-Supervisionado Identificação de agrupamentos (clusterização) Identificação de anomalias Separação de fontes de sinal Redução de dimensionalidade 1. Introdução 121
107 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 122
108 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 123
109 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 124
110 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 125
111 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 126
112 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Clusterização 1. Introdução 127
113 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Detecção de Anomalia 1. Introdução 128
114 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Separação de Fontes 1. Introdução 129
115 1.4. Tipos de Aprendizado Aprendizado Não-Supervisionado Separação de Fontes 1. Introdução 130
116 1.4. Tipos de Aprendizado Aprendizado Não-Superv. Redução de Dimensionalidade 1. Introdução 131
117 1.4. Tipos de Aprendizado Aprendizado Semi-Supervisionado Híbrido entre supervisionado e não-supervisionado Tem o mesmo objetivo do supervisionado (inferir a resposta correta para observações não-rotuladas), mas somente uma pequena parte das observações utilizadas no treinamento são rotuladas Tarefas de Aprendizado Semi-Supervisionado As mesmas do supervisionado: Classificação Regressão 1. Introdução 132
118 1.4. Tipos de Aprendizado Aprendizado Semi-Supervisionado 1. Introdução 133
119 1.4. Tipos de Aprendizado Aprendizado por Reforço A máquina é treinada para otimizar um comportamento (ex: vencer um jogo, realizar uma tarefa com sucesso, aprender uma habilidade) O treinamento se dá por meio de mecanismos de recompensa/punição para as ações da máquina durante sua interação com um meio externo (real ou simulado) Tarefas de Aprendizado por Reforço Otimizar ações de modo a maximizar/minimizar as recompensas/punições recebidas 1. Introdução 134
120 1.4. Tipos de Aprendizado Aprendizado por Reforço 1. Introdução 135
121 1.4. Tipos de Aprendizado Aprendizado por Reforço 1. Introdução 136
122 1.4. Tipos de Aprendizado Aprendizado por Reforço 1. Introdução 137
123 1.4. Tipos de Aprendizado Aprendizado por Reforço 1. Introdução 138
124 1.4. Tipos de Aprendizado Aprendizado por Reforço 1. Introdução 139
125 1.4. Tipos de Aprendizado 1. Introdução 140
Informática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Informática. Aprendizado de Máquina. Professor Márcio Hunecke.
Informática Aprendizado de Máquina Professor Márcio Hunecke www.acasadoconcurseiro.com.br Informática Aula XX NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês:
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Classificação 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
Aprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Algarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
KDD E MINERAÇÃO DE DADOS:
KDD E MINERAÇÃO DE DADOS: Prof. Ronaldo R. Goldschmidt Instituto Militar de Engenharia Seção de Engenharia de Computação (SE/8) ronaldo.rgold@ime.eb.br / ronaldo.rgold@gmail.com Coleta de dados em vários
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 11 Aprendizado de Máquina Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Aprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Inteligência 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
Introdução 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
Inteligência 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
Mapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Aprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
Aprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani O que é Machine Learning? Estatística Machine Learning
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
INF 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
Aprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
10 FORMAS ESTATÍSTICA MODELAGEM PARA USAR
10 FORMAS PARA USAR MODELAGEM ESTATÍSTICA Introdução Conheça um pouco mais sobre algumas modelagens estatísticas e como você pode implantar dentro da sua organização A análise preditiva é capaz de descobrir
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Agenda. Conceitos Iniciais. Modelos de aprendizado. Oportunidades e casos de uso. Ferramentas. Desafios
Machine Learning Agenda Conceitos Iniciais Modelos de aprendizado Oportunidades e casos de uso Ferramentas Desafios Ronald Bertele Bacharelado em Ciências da Computação - UCS MBA em Gestão de Negócios
Aprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Aprendizado de Máquina
Aprendizado de Máquina Aula #8.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã Conhecimento: abstração (modelo) das relações existentes entre as informações contidas nos
Inteligência Artificial Agentes Inteligentes
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Prof.: 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
Prof. Júlio Cesar Nievola PPGIa PUCPR APRENDIZAGEM DE MÁQUINA - I
Prof. Júlio Cesar Nievola PPGIa PUCPR APRENDIZAGEM DE MÁQUINA - I CONTROLE DE ROBÔS Como obter navegação segura e eficiente, estabilidade, manipulação fina e versátil? E no caso de ambientes dinâmicos
Inteligência Artificial: Introdução
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Inteligência Artificial: Introdução DCA0121 Inteligência Artificial Aplicada Daniel Enos / Heitor Medeiros
INTELIGÊNCIA ARTIFICIAL
Agentes Inteligentes Aula 3 Mestrado em Educação (em andamento) MBA em Negócios em Mídias Digitais MBA em Marketing e Vendas Especialista em games : Produção e Programação Bacharel em Sistema de Informação
Workshop de Inteligência Artificial e Redes Neurais
Workshop de Inteligência Artificial e Redes Neurais Matheus Facure Alves Sumário 1 Introdução 2 Aprendizado de Máquina Essencial 3 Deep Learning 4 Código 5 Considerações Finais Desmistificando Aprendizado
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Automação Inteligente de Processos e Sistemas
Automação Inteligente de Processos e Sistemas Prof. Dr. Ivan Nunes da Silva USP/EESC/SEL insilva@sc.usp.br 3 de agosto de 203. Sistemas Inteligentes Conjunto de ferramentas computacionais que tentam simular
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' #$4!*.+5 #76$8 8'9
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' 2 +3 2#$4!*.+5 #76$8 8'9 :?
JAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Introdução 1 Instituto de Computação - UFF NVIDIA Center of Excellence 2 Porque Deep Learning?
Aprendizado de Máquina
Aprendizado de Máquina O que é Aprendizado? Memorizar alguma coisa Aprender fatos por meio de observação e exploração Melhorar habilidades motoras/cognitivas por meio de prática Organizar novo conhecimento
Técnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 01 Introdução, motivação e áreas de aplicação Prof. Max Pereira O futuro, das máquinas inteligentes,
Fundamentos de Inteligência Artificial [5COP099]
![Fundamentos de Inteligência Artificial [5COP099]](/thumbs/93/113266147.jpg "Fundamentos de Inteligência Artificial [5COP099]")
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 1 Fundamentos de Inteligência Artificial 2 de 18 Sumário Introdução
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
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Por que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
Avaliação da qualidade de imagens 2D reconstruídas a partir de imagens holoscópicas 3D
Avaliação da qualidade de imagens 2D reconstruídas a partir de imagens holoscópicas 3D A tecnologia de imagens holoscópica, também conhecidas como imagens plenópticas, imagens integrais ou imagens de campo
CIÊNCIA DOS DADOS E A ANÁLISE PREDITIVA ABSTRATO. Extrair conhecimento dos dados para tomar melhores decisões
ABSTRATO Num mundo onde tudo acontece muito depressa e a mudança é constante, o que podemos fazer? Porque a qualquer momento podem surgir novos concorrentes, novos produtos, novos clientes, a importância
INTRODUÇÃO À MICROINFORMÁTICA
INTRODUÇÃO À MICROINFORMÁTICA PROF.: EDSON WANDERLEY E-MAIL: EDSON@EDSONWANDERLEY.COM.BR SITE: WWW.EDSONWANDERLEY.COM.BR WHATSAPP: (81) 9 9743-3576 MINHA FORMAÇÃO Bacharel em Ciência da Computação Técnico
Aprendizagem de máquina
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
Mineração 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 Introdução Mineração de Dados Extração e descoberta de conhecimentos de bases de dados. Interdisciplinar: aprendizado
Prova 2 - FEELT Valor: 25 pontos 14/11/2018. Data limite para entregar a prova: 22/11/2018 (quinta-feira).
Instrucões Utilize um método randômico 1 para selecionar 5 das 20 questões que irão compor sua prova. Por exemplo, simule o lançamento de um dado de 20 faces (www.roll-dice-online.com) para obter 5 números
RESOLUÇÃO N.º 1010/2005 ANEXO II MODALIDADE ELÉTRICA NIVALDO J. BOSIO
RESOLUÇÃO N.º 1010/2005 ANEXO II MODALIDADE ELÉTRICA NIVALDO J. BOSIO 1. CATEGORIA ENGENHARIA 1.2 - CAMPOS DE ATUAÇÃO PROFISSIONAL DA MODALIDADE ELÉTRICA 1.2.1 Eletricidade Aplicada e Equipamentos Eletroeletrônicos
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Aprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
Quão longe da ficção científica está nossa. realidade?
Quão longe da ficção científica está nossa realidade? 1 INTRODUÇÃO Em maio de 2018, o Google apresentou uma nova faceta do seu já conhecido assistente virtual durante uma convenção. Agora, além de auxiliar
Programação de Computadores
Programação de Computadores Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo Alguns Conceitos sobre Linguagens Conceito de Algoritmo Pseudocódigo
Reconhecimento 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
Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
![Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]](/thumbs/73/68656289.jpg "Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]")
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Introdução aos Computadores e Programação
Introdução aos Computadores e Programação ISCTEM Março 2017 Docente: eng a Tatiana Kovalenko Assistente: eng Darmite Denessechandra Monitor: Ibrahimo Hussein AULA TEÓRICA 1 Tema 1. Introdução à disciplina
Machine Learning e IoT
Machine Learning e IoT Kenio Carvalho CognIO na Manutenção Industrial Inteligência Artificial É a inteligência similar à humana exibida por um hardware ou software. O termo foi criado por John MacCarthy
Projetando interfaces inteligentes
Projetando interfaces inteligentes Machine learning como ferramenta de personalização #Webbr2017 Era 1. Por 2. Botando 3. Próximos 4. da informação que machine learning? em prática passos Isa Silveira
Sobre o curso. Fabrício Olivetti de França. Universidade Federal do ABC
Sobre o curso Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Sobre mim 2. Sobre a Disciplina 1 Sobre mim Sobre mim Formado em Engenharia Elétrica com ênfase em Computação pela Universidade
Fundamentos de Programação. Introdução
Fundamentos de Programação Introdução Prof. M.Sc.: João Paulo Q. dos Santos E-mail: joao.queiroz@ifrn.edu.br Página: http://docente.ifrn.edu.br/joaoqueiroz/ Introdução A necessidade de desenvolver ferramentas
Programação e Algoritmos I 1 o semestre
Programação e Algoritmos I 1 o semestre ISCTEM Março 2015 Docente: eng a Tatiana Kovalenko Assistente: eng o Darmite Meggi Aula Teórica 1 Tema 1. Introdução aos Computadores Conceitos básicos Informação
MCTA028 Programação Estruturada Aula 07: - Mapa de memória de um processo - Ponteiros (parte 1)
MCTA028 Programação Estruturada Aula 07: - Mapa de memória de um processo - Ponteiros (parte 1) Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 3Q-2017 1 Mapa de memória de um processo 2 Alocação de
Computadores, Algoritmos e Linguagens
Computadores, Algoritmos e Linguagens INF 1025 - Introdução à Programação Pontifícia Universidade Católica Departamento de Informática Modelo de um Computador 1 CPU: Unidade Central de Processamento Principal
Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando em Computação Aplicada - PIP/CA)
Seminário de Pesquisa - Mestrado em Computação Aplicada Robótica Autônoma: Projeto de Sistemas Inteligentes usando Aprendizado de Máquinas Desenvolvido por: Prof. Dr. Fernando Osório* Farlei Heinen* (Mestrando
Aprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Resolução de problemas por meio de busca. Inteligência Artificial. Formulação de problemas. Estratégias de busca
Inteligência Artificial Aula 4 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Resolução de problemas por meio de busca Capítulo 3 Russell & Norvig Seções 3.4 e 3.5 Formulação de problemas Algoritmo
Disciplina Gestão da Informação e do Conhecimento (ACA603)
Universidade Federal do Rio de Janeiro Centro de Ciências Jurídicas e Econômicas Faculdade de Administração e Ciências Contábeis Biblioteconomia e Gestão de Unidades de Informação Disciplina Gestão da
Natureza - OBRIGTEÓRICA
1 de 5 01 CON101 - Algorítmos e Programação - Ativa desde: CON102 - Cálculo I - Ativa desde: 16/11/2007 CON103 - Comunicação e Produção Técnico-Científica - Ativa desde: 16/11/2007 CON104 - Expressão Gráfica
Algoritmos e Técnicas de Programação. Professora Luciana Faria
Algoritmos e Técnicas de Programação Professora Luciana Faria luciana.faria@ifs.ifsuldeminas.edu.br Conceitos Básicos Computadores??? Máquina composta de elemento físicos do tipo eletrônico É uma máquina
Inteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
lnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Fundamentos da Computação Digital
Fundamentos da Computação Digital BIBLIOGRAFIA Bibliografia Básica: Introdução à Ciência da Computação Guimarães, Ângelo de Moura, Lages, Newton Alberto LTC Editora, 1984 Elementos de Eletrônica Digital
Tecnologias. de Informação e Comunicação. 7ºAno. Unidade 1 Introdução às Tecnologias da Informação e Comunicação. 1.º Período. Aula 3 e 4.
Tecnologias de e Comunicação 7ºAno Unidade 1 Introdução às Tecnologias da e Comunicação. 1.º Período Aula 3 e 4 1 - Introdução às Tecnologias da e Comunicação. 1.1 Conceitos básicos Tecnologias de e Comunicação
Inteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
INTELIGÊNCIA 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
SSC5887 SSC5887. Histórico. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER. Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER
Grupo de Sistemas Embarcados Evolutivos e Robóticos - SEER Áreas de atuação: SSC5887 Introdução aos Sistemas Robóticos Denis Fernando Wolf 1º semestre 2010 Sistemas embarcados Computação reconfigurável
Introdução à Informática
Grupo V Mestrado Informática Educacional Introdução à Informática Conceitos Fundamentais Dados conjuntos de informação em bruto que, através de determinados processos, se transformam em informação. Processamento
Existem diversas formas de tratar dados e este conjunto de formas chama-se Data
INSTITUCIONAL/IFSP PROJETO DE PESQUISA TÍTULO DO PROJETO: Text Mining na classificação de notícias Área do Conhecimento (Tabela do CNPq): 1. 0 3. 0 3. 0 0-6 1. RESUMO O volume de informações disponíveis
INTRODUÇÃO. Prof. Msc. Luis Filipe Alves Pereira 2015
INTRODUÇÃO Prof. Msc. Luis Filipe Alves Pereira 2015 INTRODUÇÃO 02/21 QUAIS AS OPERAÇÕES BÁSICAS REALIZADAS EM UM COMPUTADOR DIGITAL? INTRODUÇÃO 03/21 QUAIS AS OPERAÇÕES BÁSICAS REALIZADAS EM UM COMPUTADOR
TÉCNICO EM MANUTENÇÃO E SUPORTE EM INFORMÁTICA FORMA SUBSEQUENTE. Professora: Isabela C. Damke
TÉCNICO EM MANUTENÇÃO E SUPORTE EM INFORMÁTICA FORMA SUBSEQUENTE Professora: Isabela C. Damke isabeladamke@hotmail.com Linguagem de Programação Uma linguagem de programação é um conjunto de símbolos (
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
Informática Básica. Prof.: Clayton Maciel Costa. 1. Informática Básica -
Informática Básica Prof.: Clayton Maciel Costa clayton.maciel@ifrn.edu.br 1 Agenda Sistema de Numeração Binário; Sistema de Numeração Hexadecimal; Representação de Dados no Computador; Grandezas Computacionais.
SEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Introdução a Machine Learning Prof. Me. Fernando Xavier 02/10/2018
Prof. Me. Fernando Xavier 02/10/2018 Objetivos Conhecer os principais conceitos relacionados ao Aprendizado de Máquina Conhecer algumas das tecnologias existentes Exercitar a aplicação de aprendizado de
Aprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendendo com Exemplos 2. Classificação 3. Conceitos Gerais 4. Vizinho Mais Próximo 1 Aprendendo com Exemplos
Computadores podem ser úteis em problemas que envolvem: Grande número de dados. Grande número de cálculos. Complexidade. Precisão.
O uso do computador Computadores podem ser úteis em problemas que envolvem: Grande número de dados. Grande número de cálculos. Complexidade. Precisão. Exemplos: Modelos meteorológicos. Cálculo estrutural.
Mineração de Dados. Eduardo Raul Hruschka. Baseado no curso de Gregory Piatetsky-Shapiro, disponível no sítio
Mineração de Dados Eduardo Raul Hruschka Baseado no curso de Gregory Piatetsky-Shapiro, disponível no sítio http://www.kdnuggets.com Visão Geral: Introdução: motivação, aplicações, conceitos básicos. Agrupamento
Apresentação da Disciplina
Apresentação da Disciplina Profs. Leandro Balby & Andrey Brito Análise de Dados II Profs. Leandro Balby & Andrey Brito 1 / 18 UFCG DSC Roteiro 1. Introdução 2. Motivação 3. Organização do Curso Profs.
Redes 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
Quando um determinado programa gera um arquivo, sua extensão é variada de acordo com cada tipo.
1 2 ENTENDENDO Tudo que funciona em um pc, é basicamente a base de arquivos. Vamos entender o que é um arquivo: Arquivo é tudo aquilo que um determinado programa gera. Arquivos tem nome e sobrenome. Aqui
Visão 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
Aula 5 e 6. Unidade 1. Introdução às Tecnologias da Informação e Comunicação. Conceitos Introdutórios
Aula 5 e 6 Unidade 1 Introdução às Tecnologias da Informação e Comunicação Conceitos Introdutórios Índice 1. Conceitos Básicos 2. Áreas de aplicação das TIC 1. Conceitos Básicos 1.1 1.2 1.3 1.4 Informática
Introdução e Windows. Instrutor: Antonio Fernando de Oliveira
Introdução e Windows : Antonio Fernando de Oliveira antonio@nce.ufrj.br Informação e Tratamento Uma informação pode ser: Notícia Conhecimento Comunicação Esclarecimento Tratamentos da informação:: Receber
Aprendizado indutivo. Marcelo K. Albertini. 17 de Abril de 2014
Aprendizado indutivo Marcelo K. Albertini 17 de Abril de 2014 2/22 Aprendizado indutivo O que é? Porque é difícil? Como podemos resolver problemas de indução? 3/22 Aprendizado supervisionado Temos: exemplos
Redes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Aplicações de Sistemas Inteligentes
Aplicações de Sistemas Inteligentes Germano C. Vasconcelos Centro de Informática - UFPE 14/6/2010 1 Roteiro Inteligência Computacional Aplicações Mineração de Dados Métodos Exemplo em Análise de Crédito
INF 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
SISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS
SISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS Alessandro Lins Alves 23ª Semana de Tecnologia Metroferroviária CONTEÚDO Introdução. TÍTULO DO TRABALHO Justificativas.