Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Projetando interfaces inteligentes v2

Projetando interfaces inteligentes v2

Apresentada na Webbr 2017

Isabella Silveira

October 24, 2017
Tweet

More Decks by Isabella Silveira

Other Decks in Technology

Transcript

  1. 1. Era da informação 2. Por que machine learning? 3.

    Botando em prática 4. Próximos passos
  2. X

  3. X

  4. X

  5. 2005 - 130 EB 2010 - 1.200 EB 2015 -

    7.900 EB 2020 - ~40.900 EB
  6. X

  7. “Machine learning provides computers the ability to learn without being

    explicitly programmed.” Arthur Mitchell, 1959
  8. Permite que a máquina aprenda. Com algoritmos de ML é

    possível parsear dados, aprender com eles e fazer classificações ou predições em massa. Ao invés de criarmos algoritmos cheios de regras específicas para executar uma tarefa, treinamos a máquina com datasets enormes para que ela aprenda como executar a tarefa por si só.
  9. Com machine learning, podemos usar dados para tirar conclusões sobre

    uma grande quantidade dados de forma automatizada.
  10. Uma grande quantidade de dados é alimentada ao algoritmo que

    então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. O algoritmo interage com um ambiente dinâmico onde deve executar determinada tarefa. A partir disso são oferecidos feedbacks positivos ou negativos quanto ao desempenho frente à tarefa. Unsupervised learning Reinforcement learning Supervised learning Tipos de algoritmos
  11. Uma grande quantidade de dados é alimentada ao algoritmo que

    então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. O algoritmo interage com um ambiente dinâmico onde deve executar determinada tarefa. A partir disso são oferecidos feedbacks positivos ou negativos quanto ao desempenho frente à tarefa. Unsupervised learning Reinforcement learning Supervised learning Tipos de algoritmos
  12. 1. Escolha do algoritmo adequado. 2. Treinamento do algoritmo. 3.

    Validação do treinamento. 4. Uso em produção.
  13. 01 Algoritmos usados para descobrir produtos ou itens dentro do

    padrão de compra ou preferência do usuário. Recomendação
  14. 01 Agrupar usuários em grupos de comportamentos e preferencias similares

    e realizar recomendações a partir do padrão do grupo. Collaborative filtering
  15. Um desafio é o famoso “cold start”, ou seja, quando

    você não tem nenhuma informação sobre o usuário ainda pra poder bota-lo em algum grupo e assim fazer recomendações.
  16. Outro problema é a escalabilidade, já que quando você tem

    milhões de usuários cadastrados, agrupa- los e monitorar suas ações requer um poder computacional muito brabo.
  17. 02 Cruzam informações sobre os itens com preferências do usuário,

    fazendo recomendação de itens parecidos com os que usuário comprou ou visualizou no passado. Content-based filtering
  18. O maior desafio é a falta de novidades porque você

    fica recomendando sempre coisas parecidas e precisa de pessoas muito entendidas de cada item pra classificar cada um direito, já que isso afeta a sua recomendação..
  19. 02 Situações onde temos um grande volume de dados e

    queremos categorizá-los de forma automatizada. Classificação
  20. 03 Técnica também conhecida como regressão, consegue prever resultados mais

    prováveis a partir de dados anteriores. Predição
  21. 04 A partir de uma imagem, é possível identificar elementos

    ou descobrir o que ela representa. Reconhecimento de imagem
  22. X

  23. Perfis de comportamento de cada aluno moldam o conteúdo e

    a forma como ele é exibido na plataforma.
  24. Valor de K 10 20 30 40 0,1 0,2 0,3

    0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 Erro de treinamento Erro de classificação
  25. Valor de K 10 20 30 40 0,1 0,2 0,3

    0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 Erro de validação Erro de classificação
  26. • Programei o algoritmo; • Prepararei o dataset; • Realizei

    o treinamento; • Achei k; • Colhi os resultados; • Usei em produção. Em 7 dias:
  27. $ node knnStudentClassify.js Tamanho dataset treinamento = 53 Erros de

    classificação = 4 ————————RESULTADO————————- Principiantes = 32 Experts = 21
  28. Com ML, a experiência de cada usuário pode se aproximar

    cada vez mais das suas necessidades.
  29. Machine learning não é rocket science e está ao nosso

    alcance para aprendizado e contribuição.
  30. Com o aumento do poder computacional, algoritmos de ML se

    tornarão cada vez mais acessíveis.