Inteligência Artificial

Começar. É Gratuito
ou inscrever-se com seu endereço de e-mail
Rocket clouds
Inteligência Artificial por Mind Map: Inteligência Artificial

1. Tipos de IA

1.1. Analítica

1.1.1. possui características consistentes com a inteligência cognitiva gerando representações do mundo e usando a aprendizagem baseada em experiências passadas para tomar decisões futuras

1.2. Inspirada em Humanos

1.2.1. possui elementos da inteligência cognitiva e emocional, compreendendo também as emoções humanas e considerando-as em sua tomada de decisão

1.3. Humanizada

1.3.1. mostra características de todos os tipos de competência da inteligência (cognitiva, emocional e social), capaz de ser autoconsciente e adaptável em suas interações

2. IA é o desenvolvimento de sistemas computacionais que são capazes de executar tarefas que requer inteligência

2.1. IA Fraca

2.1.1. Máquinas são capazes de responder a situações específicas, mas não podem pensar por si mesma.

2.2. IA Forte

2.2.1. Uma máquina capaz de pensar e agir como humanos, além de aprender com suas experiências.

3. Capacidades da Inteligência Artificial

3.1. Automação Inteligente

3.1.1. Sistemas que realizam tarefas repetitivas e intensivas em mão-de-obra que requerem inteligência e as concluem automaticamente

3.2. Assistente Inteligente

3.2.1. Sistemas que revisam e revelam padrões em dados históricos e ajudam as pessoas a executar tarefas mais rapidamente e melhor usando as informações coletadas

3.3. Inteligência Aumentada

3.3.1. Sistemas que usam AI para ajudar as pessoas a entender e prever um futuro incerto

3.4. Inteligência Autônoma

3.4.1. Sistemas que automatizam a tomada de decisões sem intervenção humana

4. Aprendizado de Máquina

4.1. Subárea da Inteligência Artificial

4.2. Estudo científico de algoritmos e modelos estatísticos

4.3. Modelos matemáticos a partir dos dados

4.4. Conceitos Básicos para Aprendizado de Máquina

4.4.1. Dados

4.4.1.1. Informações em formato eletrônico que podem ser armazenadas e usadas por um computador

4.4.1.1.1. Dados são o novo petróleo da era digital e a nova moeda da democracia.

4.4.1.2. Qualquer sequência de um ou mais símbolos que tenham significado específico (são interpretáveis)

4.4.1.3. Requerem interpretação para se tornarem informação

4.4.1.4. Dados Digitais

4.4.1.4.1. Dados que representam outras formas de dados usando sistemas de linguagem de máquina

4.4.1.4.2. Podem ser interpretados por várias tecnologias

4.4.1.4.3. Armazenamento binário, que simplesmente armazena informações complexas de áudio, vídeo ou texto em uma série de caracteres binários (0 ou 1)

4.4.1.5. Dados e Metadados

4.4.1.5.1. Os dados podem vir acompanhados de outros dados - Conhecidos como metadados

4.4.1.6. Problemas comuns

4.4.1.6.1. Uma tarefa comum de quem trabalha com dados é sua preparação, devido a problemas como:

4.4.1.7. Dataset

4.4.1.7.1. Os problemas mais difíceis de resolver em Aprendizado de Máquina não tem nada a ver com algoritmo

4.4.1.7.2. Preparação do Dataset

4.4.1.7.3. Dataset e Aprendizado de Máquina

4.4.1.8. Tipos de Dados

4.4.1.8.1. conceito estatístico

4.4.1.8.2. Categóricos

4.4.1.8.3. Numéricos

4.4.2. Avaliação

4.4.2.1. Função para medir a performance de uma hipótese

4.4.2.2. Permite separar as hipóteses boas das ruins

4.4.3. Features

4.4.3.1. Atributos

4.4.3.1.1. Especificação que define uma propriedade de um objeto, elemento ou arquivo

4.4.3.1.2. Também pode se referir ou definir o valor específico para uma determinada instância

4.4.3.1.3. Geralmente chamados de metadados

4.4.3.1.4. Apesar dessas definições, o termo depende da tecnologia que está sendo discutida

4.4.3.1.5. O processamento de um atributo envolve regras particulares

4.4.3.2. Variáveis de entrada utilizadas para predição (representação de uma instância)

4.4.3.2.1. Diferente de um atributo, faz mais sentido no contexto de um problema

4.4.3.2.2. Atributo útil ou significativo para o seu problema

4.4.3.3. Feature é uma propriedade mensurável individual ou característica de um fenômeno sendo observado

4.4.3.4. A escolha das features é um passo crucial para algoritmos efetivos

4.4.3.5. Para os algoritmos aprenderem sobre a estrutura do problema que está sendo modelado

4.4.3.6. Features são normalmente numéricas

4.4.3.6.1. Recursos estruturais, como strings e gráficos, são usados no reconhecimento de padrões sintáticos

4.4.3.7. tipos de features

4.4.3.7.1. Features Categóricas

4.4.3.7.2. Features Textuais

4.4.3.7.3. Features de Imagens / Áudios / Vídeos

4.4.3.7.4. Features Derivadas

4.4.4. Engenharia de Features

4.4.4.1. Processo de definição de quais variáveis serão usadas na representação para solução do problema

4.4.4.1.1. Tópico informal, mas que é absolutamente conhecido

4.4.4.1.2. Chave para o sucesso em aplicações de Aprendizado de Máquina

4.4.4.1.3. Transformar dados brutos em características que melhor representem o problema subjacente aos modelos preditivos

4.4.4.1.4. Objetivo: Generalização

4.4.4.1.5. Obter melhores resultados dos modelos de Aprendizado de Máquina

4.4.4.1.6. Extrair o máximo de informação dos dados

4.4.4.1.7. Mesmo um modelo “errado” ou “simples” pode ter bons resultados devido a boa representação das features

4.4.4.1.8. Tarefa que exige despender maior esforço

4.4.4.1.9. Algoritmos de aprendizado de máquina aprendem uma solução para um problema a partir dos dados

4.4.4.1.10. A ideia principal é transformar o dado bruto (entrada) em valores que um algoritmo possa “compreender”

4.4.4.2. Feature Importance

4.4.4.2.1. Podemos gerar milhares de features para um determinado problema

4.4.4.2.2. Avaliar as features e manter apenas aquelas com maior “nota” (ou importance score)

4.4.4.2.3. Auxilia na extração e construção de novas features similares

4.4.4.2.4. Importante -> Alta correlação com a variável objetivo (dependente)

4.4.4.2.5. Alguns algoritmos fazem internamente feature importance (selection também)

4.4.4.2.6. Podemos usar o resultado do feature importance realizado durante a preparação do modelo

4.4.4.3. Feature Selection

4.4.4.3.1. Nem todas as features precisam ser usadas

4.4.4.3.2. Se um atributo é irrelevante para o problema, então é necessário removê-lo

4.4.4.3.3. Processo automático para selecionar um subconjunto de features usuais para o problema

4.4.4.3.4. Alguns algoritmos ordenam as features por um score (feature importance, por exemplo)

4.4.4.3.5. Outra forma comum é tentativa e erro, incluindo e removendo features

4.4.4.3.6. Métodos de regularização como o LASSO e o RIDGE também podem ser considerados como algoritmos com feature selection

4.4.4.3.7. Ativamente buscam remover ou descartar a contribuição de features como parte do processo de construção do modelo

4.4.4.4. Feature Extraction

4.4.4.4.1. Algumas observações são muito “volumosas” em sua forma bruta para serem modeladas diretamente

4.4.4.4.2. Forma automática de geração de novas features a partir do dado bruto

4.4.4.5. Feature Construction

4.4.4.5.1. Construção manual de novas features a partir de dados brutos

4.4.4.5.2. Feature importante e selection pode mostrar a utilidade das features em relação ao objetivo

4.4.4.5.3. Requer muito tempo

4.4.4.5.4. Requer pensar e analisar sobre a forma subjacente do problema

4.4.4.5.5. Dados Tabulares

4.4.4.5.6. Dados Textuais

4.4.4.5.7. Imagens

4.4.4.5.8. Feature Learning

4.4.4.6. Entender o problema, analisar os dados, estudar e propor o conjunto de features

4.4.4.7. Usar feature extraction automáticas e criação de features manuais (ou os dois)

4.4.4.8. Usar feature importance e selection, crie visões para os modelos

4.4.4.9. Estimar a precisão (qualidade) dos modelos usando as features selecionadas

4.4.5. Generalização

4.4.5.1. Capacidade de um modelo de Aprendizado de Máquina funcionar para novos casos, tão bem quanto aqueles apresentados no treino

4.4.6. Matriz de Confusão (Matriz de Erro)

4.4.6.1. Uma tabela NxN que resume o sucesso das previsões de um modelo de classificação

4.4.6.2. Correlação entre o realidade e predição do modelo

4.5. Componentes do Aprendizado de Máquina

4.5.1. Aprendizado

4.5.2. Representação

4.5.3. Avaliação

4.5.3.1. Função para medir a performance de uma hipótese

4.5.3.2. Permite separar as hipóteses boas das ruins

4.5.4. Otimização

4.5.4.1. Forma como exploramos o espaço de hipóteses

4.5.4.2. Gradient Descent

4.5.4.3. Conjugate Gradient

4.5.4.4. Branch-and-bound

4.5.4.5. Programação Linear