Conceitos básicos do treinamento de aprendizado de máquina não supervisionado Ppt

Slide 1

Este slide mostra que o aprendizado de máquina não supervisionado tem o benefício de trabalhar com dados não rotulados. Isso implica que nenhum trabalho humano é necessário para tornar o conjunto de dados legível por máquina, implicando que o software funcione em conjuntos de dados muito maiores.

Slide 2

Este slide apresenta o clustering no Machine Learning, que categoriza uma população ou define pontos de dados em clusters para que os pontos de dados em um grupo semelhante sejam mais idênticos entre si e diferentes dos pontos de dados em outros grupos. É uma classificação de objetos com base em suas semelhanças e diferenças.

Slide 3

Este slide lista que há uma variedade de técnicas de Clustering disponíveis. A seguir estão as abordagens de clustering mais comuns usadas no aprendizado de máquina: clustering de particionamento, clustering baseado em densidade, clustering baseado em modelo de distribuição, clustering hierárquico e clustering difuso.

Slide 4

Este slide mostra que os dados são divididos em grupos não hierárquicos no Partitioning Clustering ou na técnica Centroid-Based. A técnica K-Means Clustering é um exemplo bem conhecido. O conjunto de dados é particionado em K grupos, onde K denota o número de grupos predefinidos. O centro do cluster é projetado de forma que a distância entre os pontos de dados de um cluster e o centróide de outro cluster seja a menor possível.

Slide 5

Este slide afirma que a abordagem de clustering baseada em densidade une áreas densas para formar clusters, e distribuições arbitrárias são geradas desde que a região densa possa ser vinculada. O programa consegue isso detectando clusters distintos no conjunto de dados e conectando áreas de alta densidade em clusters.

Notas do instrutor: Se o conjunto de dados tiver alta densidade e múltiplas dimensões, esses algoritmos podem ter dificuldade para agrupar os pontos de dados.

Slide 6

Este slide explica que a abordagem de agrupamento baseada em modelo de distribuição divide os dados com base na chance de um conjunto de dados corresponder a uma distribuição específica. O agrupamento é realizado assumindo distribuições específicas, principalmente a distribuição gaussiana.

Notas do instrutor: O método Clustering de maximização de expectativas, que emprega modelos de mistura gaussiana, é um exemplo desse tipo (GMM) de clustering.

Slide 7

Este slide mostra que, como alternativa ao agrupamento particionado, o agrupamento hierárquico pode ser usado, pois não há necessidade de listar o número de agrupamentos a serem formados. O conjunto de dados é separado em clusters para formar uma estrutura semelhante a uma árvore conhecida como dendrograma.

Slide 8

Este slide afirma que Fuzzy Clustering é uma técnica suave na qual um objeto de dados pode ser atribuído a mais de um grupo chamado clusters. Cada conjunto de dados tem uma coleção de coeficientes de pertinência proporcional ao grau de pertinência de um cluster.

Slide 9

Este slide fornece uma visão geral do algoritmo de agrupamento, que é uma abordagem não supervisionada na qual a entrada não é rotulada. A resolução de problemas depende da experiência do algoritmo adquirida ao resolver problemas semelhantes durante o cronograma de treinamento.

Notas do instrutor:

• Os métodos de agrupamento podem ser categorizados com base nos modelos descritos acima. Muitos métodos de agrupamento foram descritos, mas apenas alguns são amplamente utilizados
• O tipo de dados que está sendo usado determina o algoritmo de agrupamento. Alguns algoritmos, por exemplo, devem adivinhar o número de clusters em um determinado conjunto de dados, enquanto outros devem descobrir a distância mais curta entre as observações do conjunto de dados.

Slide 10

Este slide lista os diferentes tipos de algoritmos de agrupamento em aprendizado de máquina não supervisionado. Isso inclui K-Means, média-deslocamento, DBSCAN, agrupamento de maximização de expectativa usando GMM, algoritmo hierárquico aglomerativo e propagação de afinidade.

Slide 11

Este slide fornece uma visão geral do algoritmo de clustering K-Means, que é uma abordagem não supervisionada na qual as amostras são divididas em clusters separados com variâncias iguais para classificar os dados.

Slide 12

Este slide apresenta o algoritmo de deslocamento médio, que tenta localizar áreas densas dentro de uma distribuição suave de pontos de dados. É um exemplo de modelo baseado em centroide que atualiza os candidatos a centroide para serem o centro de pontos dentro de uma região especificada.

Slide 13

Este slide afirma que o algoritmo DBSCAN significa agrupamento espacial baseado em densidade de aplicativos com ruído. É um modelo baseado em densidade comparável ao modelo de deslocamento médio, mas com algumas melhorias notáveis. As zonas de alta densidade são distinguidas das áreas de baixa densidade usando esta abordagem.

Slide 14

Este slide mostra que o clustering de maximização de expectativa usando o algoritmo GMM pode ser usado como um substituto para o algoritmo k-means ou em situações em que o algoritmo k-means falha. Os pontos de dados no GMM devem ser distribuídos gaussianamente.

Slide 15

Este slide lista que o algoritmo hierárquico Aglomerativo realiza o agrupamento hierárquico de baixo para cima. Cada ponto de dados é inicialmente considerado como um único cluster e gradualmente mesclado neste método.

Slide 16

Este slide fornece uma visão geral da propagação de afinidade, que é diferente de outros métodos de agrupamento, pois não requer a especificação do número de agrupamentos. Cada ponto de dados entrega uma mensagem entre o par de pontos de dados até a convergência.

Slide 17

Este slide lista alguns usos conhecidos da abordagem de agrupamento em Machine Learning, como: Na detecção de células cancerígenas, mecanismos de pesquisa, segmentação de clientes, ciências biológicas e uso da terra.

Notas do instrutor:

• Na detecção de células cancerígenas: Técnicas de agrupamento são comumente empregadas para identificar células malignas. Ele separa os conjuntos de dados cancerígenos e não cancerígenos em categorias distintas
• Usado em mecanismos de pesquisa: Os mecanismos de pesquisa também usam a abordagem de agrupamento. O resultado da pesquisa é baseado no objeto mais próximo da consulta de pesquisa. Ele consegue isso combinando objetos de dados relacionados em um único grupo separado de outras coisas diferentes. A qualidade do método de agrupamento usado determina a precisão dos resultados de uma consulta
• Segmentação de clientes: é usado em pesquisas de mercado e mídias sociais para segregar clientes com base em seus interesses e escolhas
• Em ciências biológicas: É usado em biologia para classificar espécies de plantas e animais usando a abordagem de reconhecimento de imagem
• No uso da terra: A abordagem de agrupamento é empregada no banco de dados GIS para descobrir áreas de uso da terra semelhante. Isso pode ser vantajoso para determinar qual função uma parcela de terra específica deve ser usada para

Slide 18

Este slide apresenta o aprendizado de regras de associação, que é uma forma de abordagem de aprendizado não supervisionado que detecta a dependência de um item de dados em outro e os mapeia adequadamente para insights superiores sobre os dados.

Notas do instrutor:

Os algoritmos de aprendizado de regra de associação são classificados em três tipos:

• A priori
• Éclat
• Algoritmo de Crescimento FP

Slide 19

Este slide informa que o algoritmo Apriori é usado para análise de cesta de compras e auxilia na compreensão dos itens que podem ser comprados juntos. Também pode ser usado na profissão médica para identificar reações a drogas em pacientes.

Slide 20

Este slide lista que Eclat significa algoritmo Equivalence Class Transformation. Essa abordagem emprega uma estratégia de pesquisa em profundidade para localizar conjuntos de itens comuns em um banco de dados de transações e é executada mais rapidamente do que o Algoritmo Apriori.

Slide 21

Este slide explica o algoritmo FP Growth, que significa Padrão Frequente. O algoritmo de crescimento FP é uma versão mais avançada do Algoritmo Apriori. Ele descreve o banco de dados como uma estrutura de árvore conhecida como padrão ou árvore frequente. O objetivo dessa árvore frequente é encontrar os padrões mais comuns.

Slide 22

Este slide lista que o aprendizado de regras de associação tem muitos usos no aprendizado de máquina. Alguns usos comuns do aprendizado de regras de associação estão listados abaixo.

Notas do instrutor:

• Análise da Cesta de Mercado: É um exemplo bem conhecido e aplicação de aprendizagem de regras de associação. Grandes comerciantes costumam usar esse método para descobrir a relação entre mercadorias
• Diagnóstico médico: os pacientes podem ser prontamente diagnosticados com o uso de regras de associação, pois ajudam a determinar a probabilidade de doença para uma doença específica
• Sequência de Proteínas: As regras de associação auxiliam na criação de proteínas sintéticas
• Também é utilizado em design de catálogo, análise de perda líder e várias outras aplicações

Slide 23

Este slide fornece uma visão geral do Modelo Oculto de Markov. É um modelo estatístico usado em Machine Learning e pode explicar a evolução de eventos observáveis influenciados por variáveis internas que não são aparentes ou visíveis.

Slide 24

Este slide apresenta uma introdução ao aprendizado por reforço, inspirado diretamente em como os humanos aprendem com os dados em suas vidas diárias. Ele inclui um algoritmo que usa tentativa e erro para melhorar a si mesmo e aprender com novos cenários. Resultados favoráveis são promovidos ou "reforçados", enquanto resultados desfavoráveis são desencorajados.

Notas do instrutor: O aprendizado por reforço funciona colocando o algoritmo em um ambiente de trabalho com um intérprete e um sistema de recompensa baseado no conceito psicológico de condicionamento. Cada iteração do algoritmo entrega o resultado de saída ao intérprete, que avalia se o resultado é favorável ou não.