P2.1 Flashcards
(28 cards)
Machine Learning
Área de estudo que dá aos computadores a habilidade de aprenderem sem ser explicitamente programados
Well posed Learning Problem
Um programa de computador aprende de uma experiência com respeito a uma classe de tarefas e uma medida de performance se sua performance na execução medida melhora com sua experiência.
Aprendizado Supervisionado
Observa se alguns pares de exemplos de entrada e saída de forma a aprender uma função que mapeia a entrada para a saída.
Aprendizado Não Supervisionado
O agente reconhece padrões nos dados de entrada mesmo sem nenhum feedback de saída.
Aprendizado por Reforço
O agente recebe uma série de reforços, recompensas ou punições, calculadas com base no ambiente.
Estado
Conjunto de características que descrevem o ambiente.
Função de recompensa
Feedback do ambiente sobre o comportamento do agente.
Função de transição
Indica em qual estado o agente está.
Política de ações
Função que modela o comportamento do agente.
Função valor dos estados
Expressa se um determinado estado é bom ou ruim em termos das recompensas e da política de ações.
Função valor das ações
Indica a soma das recompensas a obter.
Fases do Aprendizado Supervisionado
○ Treinamento
§ Apresenta-se exemplos ao sistema;
§ O sistema “aprende” a partir dos exemplos.
§ O sistema modifica gradualmente os seus parâmetros para que a saída se aproxime da saída desejada.
○ Utilização/Teste
§ Novos exemplos jamais vistos são apresentados ao sistema
§ O sistema deve generalizar e reconhecê-los.
Overfitting
Erro baixo sobre os exemplos de treinamento, porém elevado para os exemplos de teste
Underfitting
Erro elevado na fase de treinamento.
Teoria do Aprendizado Computacional
Qualquer hipótese que é consistente com um conjunto suficientemente grande de exemplos é pouco provável de estar seriamente errada.
Árvore de Decisão
Uma árvore de decisão toma as suas decisões através de uma sequência de testes.
Cluster
É uma coleção de objetos que são similares uns aos outros e dissimilares à objetos pertencentes a outros clusters.
Clusterização
É o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares.
Etapas do processo de aprendizado não-supervisionado
1) Seleção de atributos
2) Medida de proximidade
3) Critério de agrupamento
4) Algoritmo de agrupamento
5) Verificação dos resultados
6) Interpretação dos resultados
Os algoritmos de clusterização hierárquica podem ser divididos em 2 subcategorias
Aglomerativos e Divisivos
Aglomerativos
Produzem uma sequência de agrupamentos com um número decrescente de clusters a cada passo.
Divisivos
Produzem uma sequência de agrupamentos com um número crescente de clusters a cada passo.
RNA(Rede Neural Artificial)
São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.
Arquitetura das RNAs
Feedforward (única direção)
Recorrente (realimentação)
