Aprendizagem de Máquina

I Aprendizagem de Máquina

I Primeiro semestre de 2020

I Francisco Carvalho (fatc) e Leandro Almeida (lma3)

I Universidade Federal de Pernambuco - UFPE

I Centro de Informtica - CIn

Objetivos da disciplina

I Estudo de técnicas computacionais que apresentemcaracteŕısticas de aprendizagem automática

I Fornecer uma visão geral da área de aprendizagem de máquinaI Estudar métodos e técnicas de aprendizagem de máquina

estat́ıstca, simbólica, conexionista e evolucionistaI Estudar aspectos teóricos e práticos da aprendizagem de

máquina

Bibliografia

I Mitchell, T. Machine Learning. McGraw Hill, 1997

I Bishop, C. M. Pattern recognition and Machine Learning.Springer, 2006

I Duda, R. O., Hart, P.E. e Stork, D.G. Pattern Classification, 2nd Ed. Wiley-Interscience,2000

I Braga, A., Carvalho, A.C.P.L.F. e Ludermir, T. Redes NeuraisArtificiais: Teoria e Aplicaes. LTC

I Facelli, K., Lorena, A.C., Gama, J., Carvalho, A.C.P.L.F.Inteligência Artificial. Uma abordagem de Aprendizado deMáquina

Método de avaliação

I Conceito baseado em duas provas + 2 trabalhos com relatórioe apresentao

I Prova Francisco: terça 16/06/2020

I Prova Leandro: quinta 25/06/2020

I Entrega e apresentação do trabalho (Prof. Francisco): terça30/06/2020

I Entrega e apresentação do trabalho (Prof. Leandro): quinta02/07/2020

Programa da primeira parte

I Teoriada Decisão Bayesiana

I Estimao Paramétrica

I Misturas

I Combinação de Modelos

I Avaliação de Modelos

I Aprendizagem não Supervisionada e Clustering

I http://www.cin.ufpe.br/˜ fatc/AM/

Programa da segunda parte

I Árvoresde Decisão

I Aprendizado Baseado em Instâncias

I Sistemas Conexionistas

I Computação Evolutiva

I Planejamento e Avaliação de Experimentos

Bons cursos na web

I Learning from DataI Yaser S. Abu-MostafaI CaltechI itunesU, Youtube

I Machine LearningI Andrew NgI StanfordI Coursera, Youtube

O problema do aprendizado

I Exemplo: Prever como um usuário avalia um filme

I 10% melhora = Prêmio de 1 milho de dólares (Netflix)I A essência do aprendizado de máquina:

I Existe um padrãoI Não é posśıvel construir uma equaçãoo matemáticaI Existem dados dispońıveis

Componentes do aprendizado

I Metafora: Aprovação de crédito

I Aprovar crédito?

Componentes do aprendizado

Componentes do aprendizado

Componentes do aprendizado

Aprendizado de Máquina

Aprendizado de Máquina (Exemplos)

Inferncia Indutiva (1/2)

Inferncia Indutiva (2/2)

Aprendizado de Máquina

Aprendizado de Máquina - Exemplo (1/2)

Aprendizado de Máquina - Exemplo (2/2)

Aprendizado de Máquina

Paradigmas de AM

Paradigma Simbólico

Paradigma Baseado em Instâncias

Paradigma Estat́ıstico

Paradigma Evolucionário

Paradigma Conexionista

Tipos de Aprendizado de Máquina (1/3)

Exemplo: Reconhecimento de moedas

Exemplo: Reconhecimento de moedas

Tipos de Aprendizado de Máquina (2/3)

Tipos de Aprendizado de Máquina (2/3)

Tipos de Aprendizado de Máquina (2/3)

Tipos de Aprendizado de Máquina (3/3)

Tipos de Aprendizado de Máquina (3/3)

Learning approaches

I Supervised approachesI Technique centered: Feature selection methods, Probabilistic

methods, Decision trees, Rule-based methods, Instance-basedlearning, SVM classifiers, Neural networks

I Data-Type centered: Large scale data (big data, datastreams), Text classification, Multimedia classification, Timeseries and sequence data classification, Network dataclassification, Uncertainty data classification

I Variations: Rare class learning, Distance function learning,Ensemble learning, semi-supervised learning, transfer learning,active learning, visual learning

Learning approaches

I Unsupervised approachesI Technique centered: Feature selection methods, Probabilistic

models, Distance-based algorithms, Density- and grid-basedmethods, Dimensionality reduction methods (generativemodels, matrix factorization, co-clustering, spectral methods),Scalable techniques (streaming algorithms, big dataframework)

I Data-Type centered: Categorical data, Text data, Multimediadata, time-seires data, Discrete sequences, Network data,Uncertainty data

I Variations: Visual clustering, Supervised insights, Multi-viewand ensemble-based clustering

Conceitos e Definições

Escala Nominal ou Categórica

Escala Ordinal

Escala Intervalar

Escala de Razão

Para que tipos espećıficos de atributos?

Conceitos e Definições

Conceitos e Definições

Conceitos e Definições

Conceitos e Definições

Conceitos e Definições

Conceitos e Definições

Resources: Datasets