Introducao a inteligencia artificial na educacao
•Transferir como PPT, PDF•
6 gostaram•3,954 visualizações
Este documento fornece uma introdução a machine learning, discutindo conceitos como regressão linear, classificação, redes neurais e agrupamento. O documento também apresenta exemplos de como essas técnicas podem ser usadas para prever comportamentos, agrupar itens e clientes e responder perguntas.
Denunciar
Compartilhar
Introducao a inteligencia artificial na educacao
- 1. Uma introdução a Machine Learning Guilherme Silveira http://www.caelum.com.br
- 2. Uma introdução a Machine Learning Guilherme Silveira http://www.alura.com.br
- 4. quem sou eu
- 6. decidi ir de carro <== piada
- 9. decidi ir de metrô
- 10. quem conhece são paulo? são paulo? quem conhece o metrôem são paulo?
- 12. além do trânsito minha vida pessoal
- 16. mudança
- 17. o preço dos imóveis está caro? Tamanho Preço 100 750000 200 860000 150 977000 140 81900 160 984000 180 1127000 130 638000 80 647000 40 346000
- 18. p: qual um preço justo para esse imóvel?
- 19. está caro?
- 20. regressão linear f(x) = ax + b
- 21. planilha preço = 5053x + 57758preço = 5053x + 57758
- 22. regressão linear f(x) = ax + b polinômios f(x) = a + bx + cx^2 + ... + dx^n preço = a + ... + dx^npreço = a + ... + dx^n
- 23. p: como estimar o valor de algo? possível resposta: regressão possível resposta: regressão p: quanto tempo os alunos precisarão para essa prova? p: qual a nota que o aluno vai tirar na prova final? p: qual será a nota do hipólito na próxima olimpíada?
- 25. função Brad Pitt (a função perfeita?)
- 26. e o número de dormitórios? Tamanho Preço 100 750000 200 860000 150 977000 140 81900 160 984000 180 1127000 130 638000 80 647000 40 346000
- 27. e o número de dormitórios? Tamanho Dormitório Preço 100 2 750000 200 3 860000 150 4 977000 140 3 81900 160 3 984000 180 4 1127000 130 3 638000 80 3 647000 40 1 346000
- 28. bibliotecas http://math.nist.gov/javanumerics/jama/ http://mahout.apache.org/ http://commons.apache.org/math/ google: language + regression
- 30. abro os emails
- 32. p: classificação É spamzis!É spamzis! Não é!Não é! 11 00
- 33. treino!
- 35. valido!
- 36. p: ele é 1? acredito que sim, comacredito que sim, com chance de 78%chance de 78%
- 37. classificação humana lista com 1000 itens treino da máquina valida a qualidade 99% de acerto99% de acerto
- 38. p: ele é 1? chance de x%chance de x% r: regressão logística
- 39. p: o email é spam? p: qual a chance do aluno acertar esse exercício? p: o aluno está com dificuldade? p: o aluno domina o conteúdo? p: qual a chance de essa imagem ser o número 3? ou 8? p: qual a chance de essa imagem ser um cancêr?
- 41. e o cartão de credito?
- 42. você gastou 50 dia 30 loja 15 loja 15 loja 15
- 43. você gastou 30 dia 30 loja 17 loja 17 loja 17
- 44. você gastou 25 dia 30 loja 21 loja 21 loja 21
- 45. você gastou 25 dia 30 loja 21 loja 21 loja 21
- 46. você gastou 2500 dia 30 loja 7 loja 7 loja 7
- 47. dia valor loja 30 30 15 30 35 17 30 100 8 1 37 9 30 2500 7
- 48. dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1
- 49. dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 treina 37% de acerto37% de acerto valida eu continuoeu continuo roubandoroubando
- 50. regressão logística é, em geral, linear ou lerdíssima regularização polinômios outras
- 51. dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 87% de acerto87% de acerto treina treina treina treina treina treina dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 o seu telefone tocao seu telefone toca
- 52. p: o email é spam? p: essa movimentação é uma fraude? p: qualquer pergunta sim/não como antes? http://neuroph.sourceforge.net/
- 54. dia valor loja 30 30 MAX PAD 30 35 MUNI TR 30 149 CAELUM 1 499 FACULDADE 30 5 BUTECO o que é isso?o que é isso? o que é isso?o que é isso? alimentaçãoalimentação profissionalprofissional profissionalprofissional
- 55. p: a movimentação 15 é?
- 56. p: a movimentação 15 é entretenimento ou não? (0 ou 1) p: a movimentação 15 é alimentação ou não? (0 ou 1) p: a movimentação 15 é profissional ou não? (0 ou 1)
- 57. dia valor loja categoria 30 30 MAX PAD alimentação 30 35 MUNI TR transporte 30 149 CAELUM profissional 1 499 FACULDADE profissional 30 5 BUTECO alimentação onde estão osonde estão os 0 e 1?0 e 1?
- 58. dia valor loja categoria 30 30 MAX PAD 0 30 35 MUNI TR 1 30 149 CAELUM 2 1 499 FACULDADE 2 30 5 BUTECO 0 é 0, 1 ou 2?é 0, 1 ou 2?
- 59. dia valor loja categoria 30 30 MAX PAD é 30 35 MUNI TR resto 30 149 CAELUM resto 1 499 FACULDADE é 30 5 BUTECO resto é 0 ou o resto?é 0 ou o resto? 77%77%
- 60. dia valor loja categoria 30 30 MAX PAD resto 30 35 MUNI TR é 30 149 CAELUM resto 1 499 FACULDADE resto 30 5 BUTECO é é 1 ou o resto?é 1 ou o resto? 53%53%
- 61. dia valor loja categoria 30 30 MAX PAD resto 30 35 MUNI TR resto 30 149 CAELUM é 1 499 FACULDADE é 30 5 BUTECO resto é 2 ou o resto?é 2 ou o resto? 64%64%
- 62. dia valor loja label 30 30 15 0 30 35 17 0 30 100 8 0 1 37 9 1 30 2500 7 0 dia valor loja label 30 30 15 0 30 35 17 1 30 100 8 1 1 37 9 0 30 2500 7 0 dia valor loja label 30 30 15 1 30 35 17 0 30 100 8 0 1 37 9 0 30 2500 7 1 77%77% entretenimento alimentação profissional treina você ficou esperando o outro robô aparecer né? 53%53% 64%64% entretenimentoentretenimento
- 63. One vs All
- 64. p: dentre as categorias A,B,C a qual categoria ele pertence? p: o aluno está motivado, desanimado, desiludido, decepcionado, contente ou malandrão?
- 65. o aluno não terminou :(
- 66. será que eu poderia ter ajudado ele?
- 67. qto tempo em cada exercício? alunos = []alunos << [12, 150, 3, 15]alunos << [4, 170, 32, 25]alunos << [1, 10, 3, 25]alunos << [12, 20, 31, 15]
- 68. se ele termina o curso em 3 meses ou não labels = [1, 1, 0, 0] alunos = []alunos << [12, 150, 3, 15]alunos << [4, 170, 32, 25]alunos << [1, 10, 3, 25]alunos << [12, 20, 31, 15]
- 69. treina
- 70. e o guilherme? guilherme = [6, 140, 25, 10] model.predict(Node.features(guilherme))
- 71. adivinhe!
- 72. SVM
- 73. dados fake labels = [1, 1, 0, 0] alunos = []alunos << [12, 150, 3, 15]alunos << [4, 170, 32, 25]alunos << [1, 10, 3, 25]alunos << [12, 20, 31, 15]
- 74. dados reais
- 75. dados reais C utilizado ACERTOS NO TREINO PREVISOES COM ACE 0.08 93.18% 85.71% C utilizado ACERTOS NO TREINO PREVISOES 0.001 70.45454545454545 61.9047619 0.04 88.63636363636364 71.4285714 0.08 93.18181818181819 85.7142857 0.2 100.0 100.0
- 76. SVM para classificar (0,1, ...)
- 77. p: dentre as categorias A,B,C a qual categoria ele pertence? p: o aluno vai desistir do curso? p: essa pessoa tem perfil de terrorista?
- 78. grupos de alunos
- 79. dificuldade != facilidade user id 15 ?? user id 17 user id 15 ?==? user id 17 333784321236738126783 ?==? 1238793923832178612397
- 80. características em comum número de respostas erradas tempo gasto número de exercícios feitos feedbacks dados notas de feedback recebidos likes cursos quantidade de caracteres altura???
- 81. joga no plano
- 82. olha eles aqui!
- 84. genial X X
- 85. melhora X X X X
- 86. e melhora... e melhora... e melhora... e melhora... e melhora... e melhora... e melhora...
- 87. esses são os grupos
- 88. grupos esperados: muitas perguntas, muitos erros poucos erros, poucas perguntas poucos erros, poucas perguntas, ajuda bastante X X X
- 89. grupos encontrados: muitas perguntas, poucos erros muitos erros, poucas perguntas muitos erros, poucas perguntas, ajuda bastante entre outros
- 90. p: como meus _____ se agrupam? p: como os alunos se comportam? p: como os instrutores se comportam? p: como os exercícios se comportam?
- 91. p: como meus clientes se agrupam? p: como meus produtos se agrupam? p: como minhas features se agrupam? p: como os clientes usam o sistema?
- 92. resumindo
- 93. machine learning regressão linear classificadores redes neurais logistic k-cluster
- 96. não dirija
- 97. se beber não dirija
- 100. eu quero beber e ler eu não quero dirigir
- 102. detectando... margem de erromargem de erro
- 103. o que você quer saber sobre um cliente? sobre um cliente? o que o cliente quer saber sobre ele mesmo? como os clientes se agrupam? como seus itens se agrupam? quando o cliente fará algo?
- 104. nós respondemos 2 levante as suas