View
52
Download
8
Category
Preview:
DESCRIPTION
Introdução ao Aprendizado de Máquina. Anne Magály de Paula Canuto. Por que é necessário o aprendizado de máquina?. Em geral, é difícil articular o conhecimento que precisamos para construir um sistema de IA Na verdade, algumas vezes, não temos nem este conhecimento - PowerPoint PPT Presentation
Citation preview
Introdução ao Aprendizado de Máquina
Anne Magály de Paula Canuto
Por que é necessário o aprendizado de máquina?
Em geral, é difícil articular o conhecimento que precisamos para construir um sistema de IA
Na verdade, algumas vezes, não temos nem este conhecimento
Em alguns casos, podemos construir sistemas em que eles mesmos aprendem o conhecimento necessário
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 em representações efetivas e gerais
Aprendizado de Máquina
Principal preocupação
Construção de programas de computador que melhoram seu desempenho por meio de experiência
Técnicas orientadas a dados
Aprendem automaticamente a partir de grandes volumes de dados
Geração de hipóteses a partir dos dados
Inferência Indutiva
Indução Um processo de raciocínio para uma conclusão sobre todos os
membros de uma classe por meio do exame de apenas uns poucos membros da classe
De maneira geral, raciocínio do particular para o geral Por exemplo, se eu noto que:
Todos os pacientes com Déficit de Atenção atendidos em 1986 sofriam de Ansiedade
Todos os pacientes com Déficit de Atenção atendidos em 1987 sofriam de Ansiedade
... Posso inferir logicamente que Todos os pacientes que
sofrem de Déficit de Atenção também sofrem de Ansiedade
Isto pode ser ou não verdade, mas propicia uma boa generalização
Aprendizado de Máquina - uma definição
Um programa aprende a partir da experiência E, em relação a uma classe de tarefas T, com me-dida de desempenho P, se seu desempenho em T, medido por P, melhora com E
Mitchell, 1997
Também chamado de Aprendizado Indutivo
Aprendizado de Máquina - Exemplo
Detecção de bons clientes para um cartão de crédito
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 em que os clientes já conhecidos são previamente classificados como bons ou maus pagadores
Tipos de Aprendizado de Máquina (1/3)
Aprendizado Supervisionado
O algoritmo de aprendizado (indutor) recebe um conjunto de exemplos de treinamento para os quais os rótulos da classe associada são conhecidos
Cada exemplo (instância ou padrão) é descrito por um vetor de valores (atributos) e pelo rótulo da classe associada
O objetivo do indutor é construir um classificador que possa determinar corretamente a classe de novos exemplos ainda não rotulados
Para rótulos de classe discretos, esse problema é chamado de classificação e para valores contínuos como regressão
Tipos de Aprendizado de Máquina (2/3)
Aprendizado Não-Supervisionado
O indutor analisa os exemplos fornecidos e tenta determinar se alguns deles podem ser agrupados de alguma maneira, formando agrupamentos ou clusters
Após a determinação dos agrupamentos, em geral, é necessário uma análise para determinar o que cada agrupamento significa no contexto problema sendo analisado
Tipos de Aprendizado de Máquina (3/3)
AM
SupervisionadoNão-
Supervisionado
Classificação Regressão
k-NNÁrvores de DecisãoNaive BayesPerceptron/AdalineMulti-Layer Perceptron
k-NNAdalineMulti-Layer Perceptron
k-meansMetódos HierárquicosSOM
Tópicos
Terminologia O que é um Conceito?
Classificação, associação, agrupamento, previsão numérica
O que é um exemplo? Relações, flat files, recursão
O que é um atributo? Nominal, ordinal, intervalar, razão
Preparação da entrada ARFF, atributos, valores perdidos, ...
Terminologia
Componentes da Entrada
Conceitos “Coisas” que podem ser aprendidas
Instâncias Exemplos individuais e independentes de um
conceito Formas mais complicadas também são possíveis
Atributos Medidas de características de uma instância
O que é um Conceito?
Tipos de Aprendizado de Máquina (Objetivos da Mineração de Dados)
Aprendizado supervisionado (Atividades de Predição) Classificação: previsão de classes discretas pré-definidas Regressão: previsão de um valor numérico contínuo
Aprendizado não-supervisionado (Atividades de Descrição) Agrupamentos: agrupar instâncias similares em
aglomerados Regras de associação (Atividades de Descrição)
Detecção de associações entre atributos Mais geral que a Classificação: qualquer associação entre
atributos, não apenas com uma classe específica Conceito: coisa a ser aprendida Descrição do conceito: saída do algoritmo (esquema) de
aprendizado
O que é uma Instância?
Definições Objeto a ser classificado, associado ou agrupado Exemplo individual e independente do conceito a ser
aprendido Carecterizada por um conjunto pré-determinado de atributos
Entrada para o indutor (algoritmo ou esquema de aprendizado): conjunto de instâncias ou conjunto de dados Representado como uma única relação (flat file)
Forma bastante restrita de entrada Não representa relações entre objetos
Forma mais comum para a maioria dos indutores
O que é um atributo?
Cada instância é descrita por um conjunto fixo pré-determinado de características - Atributos Na prática, porém, o número de atributos pode variar
Solução possível: uma sinalizador de “valor irrelevante”
Problema relacionado: a existência de um atributo pode depender do valor de um outro
Tipos possíveis de atributos (escalas de medidas) Escalas não-métricas (qualitativas)
Nominal e Ordinal Escalas métricas (quantitativos)
Intervalar e Razão
Escala Nominal ou Categórica
Valores são símbolos distintos que servem apenas para rotular ou identificar Atributo “Sexo”: Masculino e Feminino Atributo “Religião”: Católica, Protestante, Budismo,... Atributo “Partido Político”: PT, PFL, PSDB, ...
Não existem relações entre valores nominais - ordenação ou distância Não faz sentido o teste “Masculino > Feminino”
Apenas testes de igualdade podem ser feitos “Sexo” = Masculino
Escala Ordinal
Os valores podem ser ordenados os ranqueados Toda subclasse pode ser comparada com uma outra
em termos de uma relação da forma “maior que” ou “menor que”
Atributo “Temperatura”: Quente > Morno > Frio (no entanto, não faz sentido “Quente + Frio” ou “2*Morno”)
Distinção entre Nominal e Ordinal não é sempre clara
Atributo “Tempo”: Ensolarado, Nublado, Chuvoso
Escala Intervalar
Quantidades intervalares além de ordenadas, também possuem unidades constantes de medidas
Diferenças entre quaisquer dois pontos adjacentes em qualquer parte da escala são iguais
O ponto zero é arbitrário Soma e produto não fazem sentido
As escalas intervalares mais familiares são as escalas de temperatura Fahrenheit e Celsius
Cada uma tem um ponto zero arbitrário e nenhum indica uma quantia nula ou ausência de temperatura
Podemos dizer que 80oF tem o dobro de temperatura de 40oF?
Escala de Razão
Difere da escala intervalar por possuir um zero absoluto
Todas as operações matemáticas são possíveis com medidas em escala de razão
Números reais Atributo “Distância”: a distância entre um objeto e
ele mesmo é zero Atributo “Peso”: os aparelhos usados para medir
peso têm um ponto zero absoluto
Para que tipos específicos de atributos?
Compreender os diferentes tipos de escalas de medidas é importante por duas razões O pesquisador deve identificar a escala de medida de
cada atributo usado, de forma que dados não-métricos não sejam incorretamente usados como dados métricos e vice-versa
“Partido Político” > PFL não faz sentido, enquanto que“Temperatura” > Frio ou“Peso” < 38 fazem
A escala de medida é crítica ao determinar que algoritmos de aprendizado de máquina são mais apropriados
Preparação da Entrada
Poblema: fontes diferentes de dados (ex., departamento de vendas, departamento de cobrança, ...) Diferenças: estilos de manter os registros,
convenções, períodos de tempo, agregação dos dados, chaves primárias, erros
Os dados precisam ser integrados e limpos Data warehouse
Denormalização não é o único problema Dados externos podem ser necessários Crítico: tipo e nível de agregação dos dados
O formato ARFF
%% ARFF file for weather data with some numeric features%@relation weather
@attribute outlook {sunny, overcast, rainy}@attribute temperature numeric@attribute humidity numeric@attribute windy {true, false}@attribute play? {yes, no}
@datasunny, 85, 85, false, nosunny, 80, 90, true, noovercast, 83, 86, false, yes...
Tipos de Atributos no WEKA
ARFF trabalha com atributos numéricos e nominais Interpretação depende do algoritmo de aprendizado
Atributos numéricos são interpretados como: Escala ordinal se são usadas comparações do
tipo “menor-que” e “maior-que” Escala de razão se cálculos de disntâncias são
efetuados (normalização e padronização podem ser necessárias)
Algoritmos baseados em instâncias definem distância entre valores nominais (0 se o valores são iguais, 1 caso contrário)
Inteiros: escala nominal, ordinal, ou razão?
Valores Perdidos (Missing Values)
Em geral, indicados por valores fora do escopo Tipos: desconhecidos, não registrados, irrelevantes Razões
Mau-funcionamento do equipamento Mudanças na definição do experimento Incapazidade de mesuração
Valores perdidos podem, de fato, significarem alguma coisa A maioria dos métodos de aprendizado não assumem
isto No entanto, este tipo de informação pode ser
codificado como um valor adicional
Valores Perdidos - Exemplo
Value may be missing because it is unrecorded or because it is inapplicable
In medical data, value for Pregnant? attribute for Jane is missing, while for Joe or Anna should be considered Not applicable
Some programs can infer missing values
Hospital Check-in Database
..
-F2Anna
-M30Joe
-F27Jane
NF25Mary
Pregnant?SexAgeName
Valores Imprecisos
Razões: os dados não foram obtidos para mineração Resultado: erros e omissões que não afetam o objetivo
original dos dados (ex., idade do cliente) Erros tipográficos em atributos nominais -> valores
devem ser checados para verificar consistência Erros tipográficos de mesuração em atributos numéricos
-> observações atípicas (outliers) devem ser identificados
Erros podem ser deliberados (e.g., código postal) Outros problemas: duplicação, ...
Se familiarizando com os dados
Ferramentas simples de visualização são muito úteis
Atributos nominais: histogramas (a distribuição é consistente com o conhecimento do domínio?)
Atributos numéricos: gráficos (alguma observação atípica óbvia?)
Gráficos bi e tri-dimensionais mostram dependências Necessidade de consultar um especialista do domínio Muitos dados a inspecionar? Faz uma amostragem!
Recommended