Aprendizado de máquina supervisionado

Uma introdução

Introdução

Objetivos da aula

1. Compreender os conceitos básicos do aprendizado de máquina supervisionado.

​

• Reconhecer exemplos práticos de aplicação do aprendizado supervisionado.

​

• Diferenciar entre problemas de classificação e regressão.

​

• Estudar técnicas básicas de classificação e regressão.

Conteúdo

1. Introdução
1. O que é aprendizado?
2. O que é aprendizado de máquina?
3. O que é aprendizado de máquina supervisionado?
2. Exemplos e Aplicações Práticas
3. Tipos de problemas: classificação e regressão
4. Noções sobre Pré-processamento de Dados
5. KNN para Classificação
6. KNN para Regressão
7. Fechamento e atividades

​

​

O que é aprendizagem?

“Aprendizagem é um processo de mudança de comportamento obtido através da experiência construída por fatores emocionais, neurológicos, relacionais e ambientais. Aprender é o resultado da interação entre estruturas mentais e o meio ambiente.”

Fonte: Brasil Escola. Disponível em: <https://educador.brasilescola.uol.com.br/trabalho-docente/o-que-e-aprendizagem.htm> Acesso em 30/07/2024

O que é Aprendizado de Máquina?

"Uma subárea da inteligência artificial preocupada com algoritmos que permitem que computadores aprendam a partir de dados, identifiquem padrões e tomem decisões com mínima intervenção humana."

​

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.

Exemplos didáticos

Aprendizado supervisionado - Exemplo

Aprendizado supervisionado - Exemplo

Exemplos ou Instâncias

Aprendizado supervisionado - Exemplo

Rótulos ou Classes

Aprendizado supervisionado - Exemplo

• As características de cada exemplo são chamadas de atributos ou variáveis.�
• Características específicas dos exemplos de cada classe são usadas pelo Aprendizado Supervisionado.�
• Exemplos de características:
• Tamanho da orelha
• Tipo do pelo
• Detalhes das caudas
• Formato do corpo

Aprendizado supervisionado - Exemplo

Características dos gatos

Características dos cachorros

Aprendizado supervisionado - Teste

Que animal é esse?

Aprendizado supervisionado - Teste

Que animal é esse?

Exemplo prático

Clique aqui

Fonte: https://machinelearningforkids.co.uk/

Atividade:

​

Os alunos devem abrir a ferramenta em seus computadores e criar um exemplo de classificação, utilizando imagens de gatos e cachorros, como no slide anterior.

Tipos de problemas: Classificação

Tipos de problemas: Regressão

Noções sobre Pré-processamento de Dados

Noções sobre Pré-processamento de Dados

• Antes de executarmos os algoritmos de aprendizado, precisamos falar de pré-processamento de dados

​

• Esta etapa garante que os dados estejam consistentes em formato adequado para serem processados pelos algoritmos

​

• É uma “limpeza dos dados”

​

• Existem diversos critérios para o pré-processamento

Noções sobre Pré-processamento de Dados

• Consistência dos dados: remover registros com dados faltantes, duplicados ou inconsistentes.

​

Exemplo: Imagine que temos uma base de clientes de uma loja online, mas os dados foram coletados de várias fontes e podem conter:

​

• Valores faltantes (e.g., nome ou e-mail ausente);�
• Registros duplicados (o mesmo cliente aparece mais de uma vez);�
• Dados inconsistentes (e.g., idade negativa ou Email inválido).

​

Noções sobre Pré-processamento de Dados

​

• Codificação de variáveis categóricas: Dados categóricos (como “Sim/Não”) precisam ser convertidos em um formato numérico.

​

Exemplo: Imagine que temos uma base de clientes com dados categóricos, podemos converter essas categorias em números:

​

• “assinante” → Sim/Não → 1/0�
• “satisfação” → Alto / Médio / Baixo → 1/2/3�
• “cidade” → São Paulo, Salvador, Recife, etc. → 1, 2, 3…

​

Noções sobre Pré-processamento de Dados

​

• Normalização: Variáveis com escalas diferentes podem afetar negativamente o desempenho de algoritmos.

​

• Exemplo: alguns registros podem ter dados em metros e outros em centímetros.

​

​

Antes: cada coluna tem uma escala diferente

​

Depois: todas as colunas estão entre 0 e 1, facilitando a comparação.

Noções sobre Pré-processamento de Dados

​

• Normalização: Variáveis com escalas diferentes podem afetar negativamente o desempenho de algoritmos.

​

• Exemplo: alguns registros podem ter dados em metros e outros em centímetros.

​

​

Antes: cada coluna tem uma escala diferente

​

Depois: todas as colunas estão entre 0 e 1, facilitando a comparação.

x_min

x_max

x

x_norm

Noções sobre Pré-processamento de Dados

​

• Normalização: Variáveis com escalas diferentes podem afetar negativamente o desempenho de algoritmos.

​

• Exemplo: alguns registros podem ter dados em metros e outros em centímetros.

​

​

Antes: cada coluna tem uma escala diferente

​

Depois: todas as colunas estão entre 0 e 1, facilitando a comparação.

x_min

x_max

x

x_norm

Noções sobre Pré-processamento de Dados

​

• Redução de dimensionalidade: reduzir a quantidade de características para otimizar o desempenho do modelo.

​

• Exemplo: Nos dados abaixo, há forte relação (correlação) entre Gastos Online e Gastos Loja. Solução: remoção de uma coluna para simplificar.

Noções sobre Pré-processamento de Dados

Treino e teste: Dividir os dados em conjunto de treinamento e de teste.

​

Os exemplos de treinamento não podem ser utilizados para testar o aprendizado: aprender ≠ decorar 😅

​

Treinamento

Teste

Modelos básicos de classificação

Modelos básicos de classificação: KNN

O KNN é um algoritmo que classifica um novo exemplo com base nas informações dos seus vizinhos mais próximos.

​

KNN significa K-vizinhos mais próximos ou, em inglês, K-nearest neighbors.

​

A frase “Você é a média das cinco pessoas com quem mais convive” ilustra o conceito de 5-NN ou 5-vizinhos mais próximos.

Modelos básicos de classificação: KNN

Exemplo: Lara resolveu medir o peso e o tamanho de algumas maçãs e bananas que havia em casa.

Modelos básicos de classificação: KNN

Em seguida, Lara criou um gráfico com essas informações.

Modelos básicos de classificação: KNN

Sem olhar para uma nova fruta, ela conseguiria adivinhar se é maçã ou banana apenas sabendo o seu peso e tamanho?

Modelos básicos de classificação: KNN

Uma solução seria escolher a classe mais frequente entre os 3-vizinhos mais próximos!

A fruta desconhecida é uma maçã de acordo com seus 3-vizinhos mais próximos!

Modelos básicos de classificação: KNN

1. Funcionamento do KNN:
1. Defina um valor para a quantidade de vizinhos mais próximos (parâmetro K);
2. Calcule a distância entre o novo exemplo e os exemplos existentes na base de dados;
1. Pode-se usar qualquer medida de distância. Nós vamos usar a distância Euclidiana.
3. Selecione os K vizinhos com menor distância.
4. A classe que aparece com maior frequência (moda) entre os K vizinhos mais próximos é atribuída ao novo exemplo.

Distâncias

Precisamos de uma revisão de Geometria!

Distância Euclidiana

A distância se chama euclidiana porque esse conceito vem da Geometria Euclidiana, formulada pelo matemático grego Euclides (cerca de 300 a.C.), considerado o “pai da geometria”.

​

A distância euclidiana corresponde ao tamanho da reta que �liga esses pontos.

​

A distância euclidiana é diretamente baseada nos conceitos de �triângulo retângulo e no Teorema de Pitágoras!

Distância Euclidiana

Distância Euclidiana

Peso (g)

Tamanho (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

Distância Euclidiana

Peso (g)

Tamanho (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

Distância Euclidiana

Peso (g)

Tamanho (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

• Calcule a diferença entre os pesos: 138-134 = 4

4

Distância Euclidiana

Peso (g)

Tamanho (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

• Calcule a diferença entre os pesos: 138-134 = 4
• Calcule a diferença entre os tamanhos: 9-6 = 3

3

4

Distância Euclidiana

Peso (g)

Tamanho (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

• Calcule a diferença entre os pesos: 138-134 = 4
• Calcule a diferença entre os tamanhos: 9-6 = 3
• Some o quadrado das diferenças: �4² + 3² = 16 + 9 = 25

4

3

Distância Euclidiana

Peso (g)

Diâmetro (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

• Calcule a diferença entre os pesos: 138-134 = 4
• Calcule a diferença entre os tamanhos: 9-6 = 3
• Some o quadrado das diferenças: �4² + 3² = 16 + 9 = 25
• Calcule a raiz quadrada da soma: = 5

4

3

5

Distância Euclidiana

Peso (g)

Diâmetro (cm)

138

134

6

9

Qual é a distância Euclidiana entre a maçã e a banana?

• A distância entre a maçã e a banana é 5!

5

Modelos básicos de classificação: KNN

Para entender cada passo do KNN, vamos olhar as anotações que Lara fez a partir de cada fruta:

​

​

Modelos básicos de classificação: KNN

Como descobrir (classificar) se a nova fruta é maçã ou banana considerando os 2-vizinhos mais próximos?

​

​

Modelos básicos de classificação: KNN

Primeiro devemos calcular as distâncias para cada fruta conhecida!

​

​

Modelos básicos de classificação: KNN

Desafio! Você consegue encontrar as distâncias para as outras frutas?

Dica: Organize as diferenças evitando resultados negativos!

​

​

Modelos básicos de classificação: KNN

Bom trabalho!

​

​

Modelos básicos de classificação: KNN

As duas frutas mais próximas eram a 2⁠ª e a 3⁠ª da lista!

​

​

Modelos básicos de classificação: KNN

A fruta desconhecida é uma maçã!

​

​

Atividade e Discussão

Atividade: Os alunos escolhem uma classe de objetos (por exemplo, raças de cachorro). Em seguida, escolhem dois atributos (por exemplo, altura e peso) para cada classe. Finalmente, eles devem elaborar o plano cartesiano e simular a aplicação do algoritmo KNN.

Discussão: Cada grupo apresenta sua base de dados, seu gráfico, e discute o resultado do algoritmo.

Modelos básicos de regressão

Modelos básicos de regressão

Ao invés de tentar descobrir se uma fruta é maçã ou banana com base no peso e tamanho, seria possível descobrir o preço?

​

Nesse caso, mudamos de um problema de classificação (categorias: maçã e banana) para um problema de regressão (valor numérico)!

Modelos básicos de regressão

Como descobrir o preço da nova fruta?

Podemos continuar usando o KNN, mas precisamos trocar a moda pela média!

​

​

Modelos básicos de regressão

Precisamos de uma revisão de estatística!

Modelos básicos de regressão

Veja o exemplo abaixo:

Moda é o valor mais frequente!�

Moda da Dieta:�Carnívoro

Modelos básicos de regressão

Veja o exemplo abaixo:

Quantidade de animais: 6�

Média do Tamanho:�(3+2+2+1+3+2)/6 = 2,5

Modelos básicos de regressão

Começamos calculando as distâncias como antes.

​

​

Modelos básicos de classificação: KNN

Após encontrar as 2 frutas mais próximas, calculamos a média dos preços.

​

​

Modelos básicos de classificação: KNN

O preço da nova fruta será 1,30!

​

​

Atividade e Discussão

Atividade: Os alunos devem se dividir em grupos e coletar seus próprios dados sobre um tema de interesse. O tema deve envolver duas características e um valor alvo (classe).

​

Discussão: Cada grupo apresenta seus resultados e discute se a escolha do valor de k-vizinhos foi apropriada.

Atividade e Discussão

Atividade: Quais outros problemas do nosso estado poderiam ser estudados com o aprendizado supervisionado?

​

Discussão: �

• Diagnóstico médico
• Risco de deslizamento de terra em encostas
• Previsão de crescimento de mosquitos da dengue
• Preço do aluguel nas diferentes cidades da Bahia
• Estimativa de turistas no verão

Referências

Referências

​

Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. D., & Carvalho, A. C. P. D. L. F. D. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina.

​

RUSSELL, Stuart J.; NORVIG, Peter. Inteligência Artificial: uma abordagem moderna. 4. ed. São Paulo: Pearson, 2022.

​

Machine Learning for Kids. Disponível em: https://machinelearningforkids.co.uk/. Acesso em: 14/02/2025

Produção do Material

• Universidade Federal da Bahia (UFBA)�
• Universidade do Estado da Bahia (UNEB)�
• SENAI/CIMATEC�
• Universidade Estadual de Feira de Santana (UEFS)�
• Universidade Estadual do Sudoeste da Bahia (UESB)�
• Universidade Estadual de Santa Cruz (UESC)�
• Instituto Federal Baiano (IFBaiano)

65

Apoio

Apoio

67