Revelando os principais conceitos do treinamento de aprendizado de máquina Ppt

Slide 4

Este slide apresenta o Machine Learning, que é o estudo de algoritmos de computador que podem se aprimorar automaticamente com base na experiência e nos dados. É um componente da Inteligência Artificial.

Notas do instrutor:

Os algoritmos de aprendizado de máquina têm muitas aplicações, como na medicina, filtragem de e-mail, reconhecimento de fala e visão computacional, onde é difícil ou inviável desenvolver algoritmos convencionais para executar as tarefas necessárias.

Slide 5

Este slide fornece informações sobre a história do 'Machine Learning'. Arthur Samuel, um pioneiro nas áreas de jogos de computador e Inteligência Artificial, inventou a frase "Machine Learning" em 1959.

Slide 6

Este slide lista que os algoritmos de aprendizado de máquina são capazes de autoaperfeiçoamento por meio de treinamento. Atualmente, três estratégias proeminentes são usadas para treinar algoritmos de ML: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.

Slide 7

Este slide fornece uma visão geral do aprendizado supervisionado, que é um dos tipos mais básicos de aprendizado de máquina. Nesse caso, o algoritmo de Machine Learning é treinado em dados rotulados. Embora os dados devam ser marcados adequadamente para que esse método funcione, o aprendizado supervisionado é poderoso quando utilizado nas situações certas.

Slide 8

Este slide demonstra que a análise de regressão é a abordagem fundamental usada no aprendizado de máquina para resolver problemas de regressão, usando modelagem de dados. Implica estabelecer a melhor linha de ajuste, que passa por todos os pontos de dados, minimizando a distância entre a barra e cada ponto de dados. A abordagem de regressão é usada principalmente para identificar a força do preditor, tendência de previsão, séries temporais e no caso de uma relação de causa e efeito.

Slide 9

Este slide descreve que regressão linear e logística são duas abordagens de análise de regressão usadas para resolver problemas usando Machine Learning; essas são as abordagens de regressão mais populares. No entanto, existem muitos tipos de abordagens de análise de regressão no Machine Learning, e seu uso varia dependendo da natureza dos dados.

Slide 10

Este slide afirma que a análise de regressão tem muitos tipos e a aplicação de cada abordagem depende do número de componentes. Essas variáveis incluem o tipo de variável de destino, a forma da linha de regressão e o número de variáveis independentes.

Slide 11

Este slide descreve que a regressão linear é uma das formas mais fundamentais de regressão no Machine Learning. O modelo de regressão linear vincula uma variável preditora e uma variável dependente linearmente.

Slide 12

Este slide afirma que a regressão polinomial é um tipo de abordagem de análise de regressão no aprendizado de máquina. É semelhante à regressão linear múltipla, mas com algumas diferenças. Como estimador, um modelo linear é usado. O Método dos Mínimos Quadrados Médios também é usado na Regressão Polinomial.

Slide 13

Este slide afirma que esse tipo de regressão no aprendizado de máquina é empregado quando as variáveis independentes têm uma forte correlação. Isso ocorre porque, em dados multicolineares, as estimativas de mínimos quadrados produzem resultados imparciais. No entanto, se a colinearidade for muito alta, pode haver algum valor de viés.

Slide 14

Este slide lista que a regressão de laço é um tipo de regressão no Machine Learning que inclui regularização e seleção de recursos. Proíbe o tamanho absoluto dos coeficientes de regressão; e, como resultado, o valor do coeficiente se aproxima de 0, o que não é o caso da Regressão Ridge.

Slide 15

Este slide mostra que a regressão bayesiana é um tipo de regressão de aprendizado de máquina que usa o teorema de Bayes para determinar o valor dos coeficientes de regressão. Em vez de calcular os mínimos quadrados, essa abordagem de regressão determina a distribuição posterior dos recursos.

Slide 16

Este slide afirma que as árvores de decisão são uma ferramenta útil e têm muitas aplicações. As árvores de decisão podem ser usadas para resolver problemas de classificação e regressão. O nome indica que ele exibe as previsões provenientes de uma série de divisões baseadas em recursos usando uma estrutura de árvore semelhante a um fluxograma. Tudo começa com um nó raiz e termina com uma escolha de folha.

Slide 17

Este slide fornece uma visão geral do algoritmo de floresta aleatória. Uma Floresta Aleatória é um agrupamento de árvores de decisão. Cada árvore é classificada e a árvore "vota" para essa classe para classificar um novo item com base em suas propriedades. A floresta escolhe a classificação com o maior número de votos (sobre todas as árvores da floresta).

Slide 18

Este slide fornece uma visão geral da regressão logística, que é um tipo de abordagem de análise de regressão empregada quando a variável dependente é descontínua: por exemplo, 0 ou 1, verdadeiro ou falso e assim por diante. A função Logit é usada na Regressão Logística para avaliar a conexão entre a variável alvo e as variáveis independentes.

Slide 19

Este slide demonstra que o KNN é um algoritmo simples que mantém todas as instâncias existentes e classifica novos casos com base na maioria dos votos de seus k vizinhos.

Notas do instrutor:

KNN pode ser entendido com uma analogia da vida real. Por exemplo, se você quiser saber mais sobre alguém, converse com seus amigos e colegas de trabalho.

Considere o seguinte antes de decidir sobre o Algoritmo dos K Vizinhos Mais Próximos:

• KNN é caro para calcular e chegar a
• As variáveis devem ser normalizadas, ou variáveis de maior alcance farão com que o algoritmo seja tendencioso
• Os dados ainda devem ser pré-processados

Slide 20

Este slide afirma que Naive Bayes é uma técnica probabilística de Machine Learning baseada no Teorema de Bayes e é usada para uma ampla gama de problemas de classificação. Um modelo Naive Bayesian é simples de construir e funciona bem com grandes conjuntos de dados. É simples de usar e supera até mesmo os algoritmos de classificação mais sofisticados.

Slide 21

Este slide mostra que o algoritmo SVM é um processo de classificação no qual os dados brutos são mostrados como pontos em um espaço n-dimensional (n sendo o número de recursos que você possui). O valor de cada característica é então atribuído a um local específico, simplificando a categorização dos dados. As linhas do classificador podem dividir dados e plotá-los em um gráfico.

Slide 23

Este slide mostra que o aprendizado de máquina não supervisionado tem o benefício de trabalhar com dados não rotulados. Isso implica que nenhum trabalho humano é necessário para tornar o conjunto de dados legível por máquina, implicando que o software funcione em conjuntos de dados muito maiores.

Slide 24

Este slide apresenta o clustering no Machine Learning, que categoriza uma população ou define pontos de dados em clusters para que os pontos de dados em um grupo semelhante sejam mais idênticos entre si e diferentes dos pontos de dados em outros grupos. É uma classificação de objetos com base em suas semelhanças e diferenças.

Slide 25

Este slide lista que há uma variedade de técnicas de Clustering disponíveis. A seguir estão as abordagens de clustering mais comuns usadas no aprendizado de máquina: clustering de particionamento, clustering baseado em densidade, clustering baseado em modelo de distribuição, clustering hierárquico e clustering difuso.

Slide 26

Este slide mostra que os dados são divididos em grupos não hierárquicos no Partitioning Clustering ou na técnica Centroid-Based. A técnica K-Means Clustering é um exemplo bem conhecido. O conjunto de dados é particionado em K grupos, onde K denota o número de grupos predefinidos. O centro do cluster é projetado de forma que a distância entre os pontos de dados de um cluster e o centróide de outro cluster seja a menor possível.

Slide 27

Este slide afirma que a abordagem de clustering baseada em densidade une áreas densas para formar clusters, e distribuições arbitrárias são geradas desde que a região densa possa ser vinculada. O programa consegue isso detectando clusters distintos no conjunto de dados e conectando áreas de alta densidade em clusters.

Notas do instrutor: Se o conjunto de dados tiver alta densidade e múltiplas dimensões, esses algoritmos podem ter dificuldade para agrupar os pontos de dados.

Slide 28

Este slide explica que a abordagem de agrupamento baseada em modelo de distribuição divide os dados com base na chance de um conjunto de dados corresponder a uma distribuição específica. O agrupamento é realizado assumindo distribuições específicas, principalmente a distribuição gaussiana.

Notas do instrutor: O método Clustering de maximização de expectativas, que emprega modelos de mistura gaussiana, é um exemplo desse tipo (GMM) de clustering.

Slide 29

Este slide mostra que, como alternativa ao agrupamento particionado, o agrupamento hierárquico pode ser usado, pois não há necessidade de listar o número de agrupamentos a serem formados. O conjunto de dados é separado em clusters para formar uma estrutura semelhante a uma árvore conhecida como dendrograma.

Slide 30

Este slide afirma que Fuzzy Clustering é uma técnica suave na qual um objeto de dados pode ser atribuído a mais de um grupo chamado clusters. Cada conjunto de dados tem uma coleção de coeficientes de pertinência proporcional ao grau de pertinência de um cluster.

Slide 31

Este slide fornece uma visão geral do algoritmo de agrupamento, que é uma abordagem não supervisionada na qual a entrada não é rotulada. A resolução de problemas depende da experiência do algoritmo adquirida ao resolver problemas semelhantes durante o cronograma de treinamento.

Notas do instrutor:

• Os métodos de agrupamento podem ser categorizados com base nos modelos descritos acima. Muitos métodos de agrupamento foram descritos, mas apenas alguns são amplamente utilizados
• O tipo de dados que está sendo usado determina o algoritmo de agrupamento. Alguns algoritmos, por exemplo, devem adivinhar o número de clusters em um determinado conjunto de dados, enquanto outros devem descobrir a distância mais curta entre as observações do conjunto de dados.

Slide 32

Este slide lista os diferentes tipos de algoritmos de agrupamento em aprendizado de máquina não supervisionado. Isso inclui K-Means, média-deslocamento, DBSCAN, agrupamento de maximização de expectativa usando GMM, algoritmo hierárquico aglomerativo e propagação de afinidade.

Slide 33

Este slide fornece uma visão geral do algoritmo de clustering K-Means, que é uma abordagem não supervisionada na qual as amostras são divididas em clusters separados com variâncias iguais para classificar os dados.

Slide 34

Este slide apresenta o algoritmo de deslocamento médio, que tenta localizar áreas densas dentro de uma distribuição suave de pontos de dados. É um exemplo de modelo baseado em centroide que atualiza os candidatos a centroide para serem o centro de pontos dentro de uma região especificada.

Slide 35

Este slide afirma que o algoritmo DBSCAN significa agrupamento espacial baseado em densidade de aplicativos com ruído. É um modelo baseado em densidade comparável ao modelo de deslocamento médio, mas com algumas melhorias notáveis. As zonas de alta densidade são distinguidas das áreas de baixa densidade usando esta abordagem.

Slide 36

Este slide mostra que o clustering de maximização de expectativa usando o algoritmo GMM pode ser usado como um substituto para o algoritmo k-means ou em situações em que o algoritmo k-means falha. Os pontos de dados no GMM devem ser distribuídos gaussianamente.

Slide 37

Este slide lista que o algoritmo hierárquico Aglomerativo realiza o agrupamento hierárquico de baixo para cima. Cada ponto de dados é inicialmente considerado como um único cluster e gradualmente mesclado neste método.

Slide 38

Este slide fornece uma visão geral da propagação de afinidade, que é diferente de outros métodos de agrupamento, pois não requer a especificação do número de agrupamentos. Cada ponto de dados entrega uma mensagem entre o par de pontos de dados até a convergência.

Slide 39

Este slide lista alguns usos conhecidos da abordagem de agrupamento em Machine Learning, como: Na detecção de células cancerígenas, mecanismos de pesquisa, segmentação de clientes, ciências biológicas e uso da terra.

Notas do instrutor:

• Na detecção de células cancerígenas: Técnicas de agrupamento são comumente empregadas para identificar células malignas. Ele separa os conjuntos de dados cancerígenos e não cancerígenos em categorias distintas
• Usado em mecanismos de pesquisa: Os mecanismos de pesquisa também usam a abordagem de agrupamento. O resultado da pesquisa é baseado no objeto mais próximo da consulta de pesquisa. Ele consegue isso combinando objetos de dados relacionados em um único grupo separado de outras coisas diferentes. A qualidade do método de agrupamento usado determina a precisão dos resultados de uma consulta
• Segmentação de clientes: é usado em pesquisas de mercado e mídias sociais para segregar clientes com base em seus interesses e escolhas
• Em ciências biológicas: É usado em biologia para classificar espécies de plantas e animais usando a abordagem de reconhecimento de imagem
• No uso da terra: A abordagem de agrupamento é empregada no banco de dados GIS para descobrir áreas de uso da terra semelhante. Isso pode ser vantajoso para determinar qual função uma parcela de terra específica deve ser usada para

Slide 40

Este slide apresenta o aprendizado de regras de associação, que é uma forma de abordagem de aprendizado não supervisionado que detecta a dependência de um item de dados em outro e os mapeia adequadamente para insights superiores sobre os dados.

Notas do instrutor:

Os algoritmos de aprendizado de regra de associação são classificados em três tipos:

• A priori
• Éclat
• Algoritmo de Crescimento FP

Slide 41

Este slide informa que o algoritmo Apriori é usado para análise de cesta de compras e auxilia na compreensão dos itens que podem ser comprados juntos. Também pode ser usado na profissão médica para identificar reações a drogas em pacientes.

Slide 42

Este slide lista que Eclat significa algoritmo Equivalence Class Transformation. Essa abordagem emprega uma estratégia de pesquisa em profundidade para localizar conjuntos de itens comuns em um banco de dados de transações e é executada mais rapidamente do que o Algoritmo Apriori.

Slide 43

Este slide explica o algoritmo FP Growth, que significa Padrão Frequente. O algoritmo de crescimento FP é uma versão mais avançada do Algoritmo Apriori. Ele descreve o banco de dados como uma estrutura de árvore conhecida como padrão ou árvore frequente. O objetivo dessa árvore frequente é encontrar os padrões mais comuns.

Slide 44

Este slide lista que o aprendizado de regras de associação tem muitos usos no aprendizado de máquina. Alguns usos comuns do aprendizado de regras de associação estão listados abaixo.

Notas do instrutor:

• Análise da Cesta de Mercado: É um exemplo bem conhecido e aplicação de aprendizagem de regras de associação. Grandes comerciantes costumam usar esse método para descobrir a relação entre mercadorias
• Diagnóstico médico: os pacientes podem ser prontamente diagnosticados com o uso de regras de associação, pois ajudam a determinar a probabilidade de doença para uma doença específica
• Sequência de Proteínas: As regras de associação auxiliam na criação de proteínas sintéticas
• Também é utilizado em design de catálogo, análise de perda líder e várias outras aplicações

Slide 45

Este slide fornece uma visão geral do Modelo Oculto de Markov. É um modelo estatístico usado em Machine Learning e pode explicar a evolução de eventos observáveis influenciados por variáveis internas que não são aparentes ou visíveis.

Slide 46

Este slide apresenta uma introdução ao aprendizado por reforço, inspirado diretamente em como os humanos aprendem com os dados em suas vidas diárias. Ele inclui um algoritmo que usa tentativa e erro para melhorar a si mesmo e aprender com novos cenários. Resultados favoráveis são promovidos ou "reforçados", enquanto resultados desfavoráveis são desencorajados.

Notas do instrutor: O aprendizado por reforço funciona colocando o algoritmo em um ambiente de trabalho com um intérprete e um sistema de recompensa baseado no conceito psicológico de condicionamento. Cada iteração do algoritmo entrega o resultado de saída ao intérprete, que avalia se o resultado é favorável ou não

Slide 48

Este slide descreve a importância do aprendizado de máquina, pois fornece às organizações informações sobre tendências no comportamento do consumidor e padrões operacionais de negócios e auxilia no desenvolvimento de novos produtos. Muitas organizações importantes, como Facebook, Google e Uber, fizeram do Machine Learning um aspecto central de suas operações.

Slide 49

Este slide lista sete etapas principais que tornam relativamente simples o objetivo de incorporar computadores com inteligência, desde a coleta de dados até a realização de previsões.

Slide 50

Este slide descreve a primeira etapa do aprendizado de máquina: coleta de dados. As máquinas começam aprendendo com os dados que você fornece a elas. É fundamental obter dados confiáveis para identificar os padrões corretos para o seu modelo de Machine Learning. Certifique-se de usar dados de uma fonte confiável, pois isso afetará diretamente a saída do seu modelo. Bons dados são significativos, têm poucos números ausentes ou duplicados e representam com precisão as subcategorias/classes disponíveis.

Slide 51

Este slide lista os principais pontos envolvidos na preparação de dados. Começando por reunir todos os seus dados e randomizá-los, garantindo que os dados sejam dispersos uniformemente e que a ordenação não interfira no processo de aprendizado. Separando os dados limpos em dois conjuntos, um para treinamento e outro para teste. O conjunto de treinamento é o conjunto a partir do qual seu modelo aprende, e um conjunto de teste é usado para avaliar a correção de seu modelo após ele ter sido treinado.

Slide 52

Este slide mostra que um modelo de aprendizado de máquina resulta da execução de um algoritmo de aprendizado de máquina nos dados adquiridos. É fundamental selecionar um modelo que seja apropriado para o trabalho em questão. Cientistas e engenheiros criaram modelos adequados para tarefas como reconhecimento de fala, reconhecimento de imagem, previsão e assim por diante.

Slide 53

Este slide lista que a fase mais crítica no aprendizado de máquina é o treinamento. Durante o treinamento, você alimenta o modelo de aprendizado de máquina com os dados preparados, que procura padrões e faz previsões.

Slide 54

Este slide fornece uma visão geral da avaliação do modelo. Depois de treinar seu modelo, você vai querer ver como ele está se saindo. Isso é feito avaliando o desempenho do modelo com dados desconhecidos. Se o teste for feito nos mesmos dados usados para treinamento, você obterá um nível de precisão desproporcionalmente alto. O programa, neste caso, já está familiarizado com os dados e vê os mesmos padrões que via anteriormente.

Slide 55

Este slide lista as etapas envolvidas no ajuste de parâmetros. Depois de construir e testar seu modelo, verifique se você pode aumentar sua precisão Isso é feito ajustando os parâmetros em seu modelo. Parâmetros são as variáveis no modelo que geralmente são determinadas pelo programador. A precisão será maior em um determinado valor de parâmetro, e encontrar essas configurações é chamado de ajuste de parâmetro.

Slide 56

Este slide fornece uma visão geral da previsão. Fazer previsões refere-se ao resultado de um algoritmo após ele ter sido treinado em um conjunto de dados anterior e aplicado a novos dados enquanto se antecipa a probabilidade de um determinado resultado, como se um cliente desistiria ou não em 30 dias.

Slide 57

Este slide lista as vantagens do aprendizado de máquina: tendências e padrões são facilmente identificados; nenhuma interação humana é necessária (automação); melhoria contínua; manipulação de dados multidimensionais e diversos e novos aplicativos estão sempre em andamento.

Slide 58

Este slide apresenta as desvantagens do aprendizado de máquina: coleta de dados, tempo e recursos, interpretação dos resultados e alta vulnerabilidade a erros.

Notas do instrutor:

• Coleta de dados: Machine Learning exige conjuntos de dados extensos para treinar, que devem ser inclusivos/imparciais e de alta qualidade. Eles também podem precisar esperar que novos dados sejam criados às vezes
• Tempo e recursos: ML requer tempo adequado para permitir que os algoritmos aprendam e evoluam o suficiente para cumprir seu propósito com alta precisão e relevância. Também exige muitos recursos para funcionar, e isso pode exigir requisitos adicionais de poder de computação
• A interpretação dos resultados: Outro problema significativo é a capacidade de entender adequadamente os resultados dos algoritmos. Você precisa ser muito seletivo na escolha dos algoritmos para sua aplicação
• Alta vulnerabilidade a erros: o Machine Learning é autossuficiente e, portanto, propenso a erros. Suponha que você treine um algoritmo usando conjuntos de dados muito pequenos para serem inclusivos. Como resultado de um conjunto de treinamento tendencioso, você tem previsões tendenciosas. Como resultado, os compradores são expostos a anúncios irrelevantes. No aprendizado de máquina, esses erros podem desencadear uma cascata de erros que podem passar despercebidos por longos períodos. Quando eles são detectados, leva muito tempo para identificar a causa raiz do problema e muito mais para consertar as coisas.

Slide 59

Este slide lista os cinco domínios previstos para futuras melhorias no aprendizado de máquina.

Notas do instrutor:

• Resultados de pesquisa do mecanismo da Web que são precisos: Ao percorrer o Google, procurando por um artigo, pode-se não saber que a classificação e a ordem hierárquica desses resultados são feitas de propósito. Recentemente, as técnicas de aprendizado de máquina influenciaram significativamente os resultados dos mecanismos de pesquisa. Mecanismos de busca futuros serão substancialmente mais úteis na geração de respostas que são notavelmente relevantes para pesquisadores online, pois as redes neurais continuam a se expandir e evoluir com técnicas emergentes de aprendizado profundo
• Precisão Personalização sob medida: as empresas podem usar o aprendizado de máquina para ajustar sua compreensão de seu público-alvo para impactar o aprimoramento de produtos existentes, criação de novos produtos, merchandising e obtenção de maior receita bruta. Com desenvolvimentos e descobertas adicionais no campo dinâmico de aprendizado de máquina e seus algoritmos, começaremos a testemunhar segmentação precisa e personalização ajustada para clientes em escala
• Aumento da computação quântica: espera-se que a computação quântica desempenhe um papel significativo no futuro do aprendizado de máquina. Como vemos processamento rápido, aprendizado rápido, capacidades aumentadas e capacidades aprimoradas, a incorporação da computação quântica ao aprendizado de máquina transformaria a área. Isso significa que desafios complexos que talvez não possamos enfrentar usando abordagens tradicionais e a tecnologia atual podem ser resolvidos em uma fração de segundo.
• As unidades de dados estão crescendo em um ritmo rápido: Espera-se que novos avanços no aprendizado de máquina melhorem as operações diárias das unidades de dados e as ajudem a atingir seus objetivos com mais eficiência. O aprendizado de máquina será uma das formas fundamentais para gerar, sustentar e desenvolver aplicativos digitais nas próximas décadas. Isso indica que curadores de dados e desenvolvedores de tecnologia gastam menos tempo programando e atualizando abordagens de ML e, em vez disso, concentram-se em entender e melhorar continuamente seus processos
• Sistema de autoaprendizagem totalmente automatizado: o aprendizado de máquina será simplesmente outro elemento na engenharia de software. Além de padronizar como os indivíduos criam algoritmos de aprendizado de máquina, estruturas de código aberto como Keras, PyTorch e Tensorflow removeram as restrições fundamentais. Parte disso pode parecer utopia, mas com tanta tecnologia, informação e recursos disponíveis online, esses tipos de ecossistemas estão surgindo lenta mas seguramente. Isso resultaria em ambientes com codificação quase zero e o surgimento de sistemas totalmente automatizados

Slide 74 a 89

Esses slides contêm atividades energizadoras para envolver o público da sessão de treinamento.

Diapositivo 90 a 117

Esses slides contêm uma proposta de treinamento que abrange o que a empresa que oferece treinamento corporativo pode realizar para o cliente.