Um algoritmo é uma sequência de instruções que informa ao computador o que ele deve fazer.
Os computadores são compostos por bilhões de minúsculas chaves chamadas transistores, e os algoritmos ligam e desligam essas chaves bilhões de vezes por segundo.
Claude Shannon, conhecido como o pai da teoria da informação, foi a primeira pessoa a entender que o que os transistores fazem, quando ligam ou desligam em resposta a outros transistores, chama-se raciocínio.
Algoritmo
Acredite ou não, todos os algoritmos, não importando sua complexidade, podem ser reduzidos a apenas três operações: E, OU e NÃO. Algoritmos simples podem ser representados por diagramas, com o uso de diferentes símbolos para as operações E, OU e NÃO.
Por exemplo, se influenza ou malária causam febre, e Tylenol cura febre ou dor de cabeça, ou seja, desejamos representar as seguintes relações:
Influenza OU Malária -> Febre
Tylenol -> Cura Febre OU Dor de Cabeça
Algoritmo
Influenza e Malária são conectadas a Febre, representando que elas podem causar febre. Tylenol Cura, representado por um losango, é conectado a Febre e Dor de Cabeça, indicando que Tylenol pode curar ambos.
Algoritmo
library(DiagrammeR)# Criando os nósndf <-create_node_df(n =5,label =c("Influenza", "Malária", "Febre", "Dor de Cabeça", "Tylenol Cura"),type =c("condition", "condition", "condition", "condition", "action"),shape =c("rectangle", "rectangle", "rectangle", "rectangle", "diamond"))# Criando as arestasedf <-create_edge_df(from =c(1, 2, 5, 5),to =c(3, 3, 3, 4))# Criando e renderizando o gráficograph <-create_graph(nodes_df = ndf,edges_df = edf)render_graph(graph)
Algoritmo
A figura anterior é denominada de Diagrama de bloco, e é uma representação gráfica de um algoritmo ou de um processo, e em geral:
Retângulos representam operações ou instruções;
Losangos representam decisões, como E, OU e NÃO;
Setas representam a sequência de execução.
O diagrama de blocos é uma ferramenta de modelagem de processos que permite representar graficamente a sequência de passos de um algoritmo, facilitando a compreensão do processo e a identificação de possíveis falhas.
Machine Learning
Todo algoritmo tem uma entrada e uma saída: os dados entram no computador, o algoritmo faz o que precisa com eles, e um resultado é produzido.
O machine learning faz o contrário: entram os dados e o resultado desejado, e é produzido o algoritmo que transforma um no outro.
Os algoritmos de aprendizado – também conhecidos como aprendizes – são aqueles que criam outros algoritmos. Com o machine learning, os computadores escrevem seus próprios programas, logo não precisamos mais fazê-lo.
Machine Learning
Os computadores escrevem seus próprios programas.
Essa é uma ideia poderosa, talvez até um pouco assustadora.
Quando consideramos o machine learning, duas coisas se destacam imediatamente:
A primeira: é que quanto mais dados temos, mais aprendemos. Se não houver dados? Não há nada a aprender. Muitos dados? Muito a aprender. É por isso que o machine learning está surgindo em todos os lugares, conduzido pela quantidade exponencialmente crescente de dados.
Se fosse algo que pudesse ser comprado em um supermercado, sua embalagem diria: “Basta adicionar dados”.
Machine Learning
A segunda: é que o machine learning é uma arma com a qual podemos derrotar o monstro da complexidade. Se receber dados suficientes, um programa de aprendizado contendo apenas algumas centenas de linhas pode gerar com facilidade um programa com milhões de linhas, e pode fazê-lo repetidamente para diferentes problemas.
A redução da complexidade para o programador é assombrosa. É claro que, como a Hidra, o monstro da complexidade gerará novas cabeças assim que cortarmos as anteriores, mas inicialmente elas serão menores e demorarão um pouco para crescer, logo ainda teremos uma grande vantagem.
Machine Learning
Figure 1: Hidra de Lerna, a criatura mitológica.(fonte:Wikipedia)
Machine Learning
Alguns aprendizes obtêm conhecimento e outros adquirem aptidões.
“Todos os humanos são mortais” é conhecimento.
Andar de bicicleta é aptidão.
No machine learning, com frequência o conhecimento assume a forma de modelos estatísticos, porque em grande parte ele é estatístico:
todos os humanos são mortais, mas apenas 4% são americanos.
Machine Learning
As aptidões costumam assumir a forma de procedimentos:
se a estrada virar à esquerda, vire a direção nesse sentido; se um cervo pular na sua frente, pise no freio.
Em geral, os procedimentos são bem simples e o conhecimento é que é complexo.
Se você conseguir distinguir quais emails são spam, saberá quais excluir.
Se souber qual posição é boa em um tabuleiro de xadrez, saberá qual jogada fazer (a que leva à melhor posição).
Machine Learning
O machine learning assume muitas formas e é conhecido por muitos nomes:
reconhecimento de padrões
modelagem estatística
mineração de dados
descoberta de conhecimento
análise preditiva
ciência de dados
sistemas adaptativos
sistemas auto-organizados
Alguns terão vida longa, outros durarão menos.
Machine Learning
O machine learning às vezes é confundido com IA, mas como já sabem, ele é um subcampo da IA, entretanto, cresceu tanto e foi tão bem-sucedido que ofusca sua orgulhosa mãe.
Inteligência Artificial
Machine Learning
Deep Learning
Machine Learning
O machine learning às vezes é confundido com IA, mas como já sabem, ele é um subcampo da IA, entretanto, cresceu tanto e foi tão bem-sucedido que ofusca sua orgulhosa mãe.
Inteligência Artificial
Machine Learning
Deep Learning
Machine Learning
Formulação Geral
A função \(f\) é desconhecida. Representa a solução IDEAL.
Os algoritmos de ML buscan uma função \(g \approx f\).
Machine Learning
Conceitos importantes incluem:
Aprendizado supervisionado - algoritmos treinados com dados rotulados, mapeando entradas para saídas desejadas.
Aprendizado não supervisionado - algoritmos que clusterizam e fazem inferências sobre conjuntos de dados não rotulados.
Aprendizado por reforço - algoritmos que aprendem com tentativa e erro interagindo com um ambiente dinâmico.
Machine Learning
Conceitos importantes incluem:
Aprendizado supervisionado - algoritmos treinados com dados rotulados, mapeando entradas para saídas desejadas.
Aprendizado não supervisionado - algoritmos que clusterizam e fazem inferências sobre conjuntos de dados não rotulados.
Aprendizado por reforço - algoritmos que aprendem com tentativa e erro interagindo com um ambiente dinâmico.
Aprendizado supervisionado - ML
Aprendizado supervisionado
O aprendizado supervisionado é o tipo mais comum de aprendizado de máquina. Ele é usado para prever um resultado com base em um conjunto de variáveis de entrada.
O aprendizado supervisionado é chamado assim porque o algoritmo aprende a partir de um conjunto de dados rotulados, ou seja, um conjunto de dados que contém entradas e saídas desejadas.
O aprendizado supervisionado é usado em uma ampla variedade de aplicações, incluindo classificação, regressão.
Aprendizado supervisionado - ML
Quando a saída desejada é uma variável qualitativa \((y \in \mathbb{R})\), o problema é chamado de CLASSIFICAÇÃO.
Obtém um modelo otimizado por meio de treinamento e aprendizado baseado em observações \(x_i\), com \(i = 1, 2, \ldots, N\), para as quais se tem a respectiva resposta \(y_i\) desejada.
Cada observação \(x_i\) pode ser formada por \(n\)variáveis (features) independentes \(x_{i1}, x_{i2}, \ldots, x_{in}\), com \(n \geq 1\).
Aprendizado supervisionado - ML
O objetivo é usar o modelo criado para mapear novas entradas.
Quando a saída desejada é referentes a uma variável quantintativa seja essa, pertencente aos números inteiros \((y \in \mathbb{Z})\) ou aos números reais \((y \in \mathbb{R})\), o problema é chamado de REGRESSÃO.
Por exemplo:
Qual o peso médio dos jogadores de futebol?
Qual a temperatura média em Recife no mês de Junho?
Quanto vale um apartamento de \(100m^2\) em Boa Viagem?
Aprendizado não supervisionado - ML
Aprendizado não supervisionado
O aprendizado não supervisionado é o tipo de aprendizado de máquina que é usado para fazer inferências a partir de conjuntos de dados não rotulados.
O aprendizado não supervisionado é chamado assim porque o algoritmo não é treinado com dados rotulados. Em vez disso, o algoritmo aprende com os dados de treinamento e é capaz de fazer inferências sobre novos dados.
O aprendizado não supervisionado é usado em uma ampla variedade de aplicações, incluindo clusterização, redução de dimensionalidade.
Aprendizado não supervisionado - ML
Obtém um modelo otimizado processando diretamente os dados de entrada, sem conhecer a saída desejada. Novamente, temos um conjunto de observações \(x_i\), com \(i = 1, 2, \ldots, N\) e \(n\) features.
Aprendizado não supervisionado - ML
Clusterização é a técnica de aprendizado não supervisionado mais comum. Ela é usada para agrupar dados em grupos com base em suas características (variáveis, features)
Novas observações podem ser agrupadas calculando sua semelhança em relação aos demais grupos formados.
Aprendizado por reforço - ML
Dentre os três tipos apresentados, é a área mais “próxima” da IA em termos de “borda de conhecimento.
Representa uma quebra de paradigma, pois não depende de receber a resposta certa, nem de buscar semelhanças entre amostras. Buscar “recompensas” que são obtidas quando “bons” resultados são obtidos.
Intuitivamente, o diferencial é claro:
O algoritmo pode aprender além da informação que consta na base de dados.
Aprendizado por reforço - ML
No lugar da amostra, temos uma sequência de ações que são tomadas em um ambiente, e o algoritmo aprende a melhor sequência de ações para maximizar uma recompensa.
Para cada ação, há um feedback que indica se a ação foi boa ou ruim.
Por exemplo: Após várias jogadas, ganhou o jogo de damas.
Aprendizado por reforço - ML
Objetivo é o algoritmo controlar o braço robótico e aprender a chegar no ponto vermelho.
Referências para serem utilizadas
Imagens retiradas de um Curso de ML da Huawei.
The Elements of Statistical Learning: Data Mining, Inference and Prediction, Hastie, T., Tibshirani, R. and Friedman, J., 2nd ed., Springer-Verlag, 2009.
An Introduction to Statistical Learning: With Applications in R, James, G., Witten, D., Hastie, T. and Tibshirani, R., Springer-Verlag, 2013.
Aprendizado de máquina: uma abordagem estatística, Izbicki, R. and Santos, T. M., 2020.
Extras:
Morris, Meredith Ringel, et al. “Levels of AGI: Operationalizing Progress on the Path to AGI.” arXiv preprint arXiv:2311.02462 (2023).
Weijermars, Ruud, Umair bin Waheed, and Kanan Suleymanli. “Will ChatGPT and Related AI-tools Alter the Future of the Geosciences and Petroleum Engineering?.” First Break 41.6 (2023): 53-61.
