Devcamp 2015
-
Upload
evertongago -
Category
Presentations & Public Speaking
-
view
51 -
download
0
Transcript of Devcamp 2015
Neurônio:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
Neurônio:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Erro
0 – 1 = -1
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 1X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0.3 + 0.1 + 0.6U = 1
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Erro
0 – 1 = -1
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 1X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0.3 + 0.1 + 0.6U = 1
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Erro
0 – 1 = -1
1 – 1 = 0
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.3W1 = 0.1W2 = 0.6
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.1 + 0.6U = 0.7
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 0X1 = 1X2 = 1
Pesos:
W0 = 0.1W1 = 0.2W2 = 0.3
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0 + 0.2 + 0.3U = 0.5
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Erro
0 – 0 = 0
Treinar:Redes Neurais Artificiais.
Entradas:
X0 = 1X1 = 1X2 = 1
Pesos:
W0 = 0.1W1 = 0.2W2 = 0.3
SIGMA (função de soma):
U = (X0 * W0) + (X1 * W1) + (X2 * W2)U = 0.1 + 0.2 + 0.3U = 0.6
F. Transf. (Y):
SE (U > 0.5)Y = 1.0
SENAOY = 0.0
X0 X1 X2 S. Esperada
0 1 1 0
1 1 1 1
Erro
0 – 0 = 0
1 – 1 = 0
Perfil de risco:
Redes Neurais Artificiais.
SEXO IDADE E. CIVIL USA P/ TRABALHAR FILHOS
M JOVEM SOL SIM NAO
M ADULTO SOL SIM NAO
F ADULTO CAS SIM SIM
M IDOSO CAS NAO SIM
F JOVEM SOL SIM NAO
M JOVEM CAS SIM SIM
F IDOSO CAS NAO SIM
Perfil de risco:
Redes Neurais Artificiais.
SEXO IDADE E. CIVIL USA P/ TRABALHAR FILHOS RISCO
0 0 0 1 0 1
0 0.5 0 1 0 1
1 0.5 1 1 1 0
0 1 1 0 1 0
1 0 0 1 0 1
0 0 1 1 1 0
1 1 1 0 1 0
Redes Neurais Artificiais.
Case: Como treinar?
- Não existia volume suficiente de dados para treinamento;
● Definimos um conjunto de regras “estáticas” para relacionar os candidatos e as vagas de emprego. Atribuímos um peso para cada informação do currículo do candidato.
● Também adicionamos um “fator de relevância”, que crescia de acordo o “feedback” dos usuários. Essa informação foi utilizada para calcular a “similaridade / aderência” do candidato a vaga.
Redes Neurais Artificiais.
Case: Resultados
● No início o sistema se baseava em regras estáticas para recomendação, após um período de uso passou a recomendar candidatos de acordo com as subjetividades / critérios de cada empresa;
● Trouxe mais agilidade e assertividade ao processo de contratação.
● Mesmo que as subjetividades / critérios de contratação mudem, o sistema será capaz de se adaptar ao novo cenário.
Redes Neurais Artificiais.
Cuidados:
● Treinamento:
● Treinamento on-line nem sempre é possível;● Algumas API's não oferecem acesso ao conhecimento da rede neural
(vetores), neste caso é preciso serializar objetos para o repositório de dados;
● Importante separar seu conjunto de dados entre treino e teste (Cross Validation). Essa é uma forma de avaliar a capacidade de generalização da rede neural;
● Tuning:
● Eliminar redundâncias do conjunto de treino;● Algumas API's não permitem “parametrizar” variáveis internas do
algoritmo, que poderiam melhorar o desempenho e performance.
Redes Neurais Artificiais.
Conclusões:
● Seu sistema pode começar com regras “estáticas” e “aprender” com os usuários, dando mais relevância às regras “aprendidas”.
● O “treinamento contínuo” trazido pelos mecanismos de feedback permite que as aplicações acompanhem as tendências / mudanças do negócio. Isso aumenta a efetividade do sistema e diminui o número de “chamados” ao TI para acrescentar “regrinhas” :)
● API's são estáveis bem documentadas, no entanto você pode “sofrer” com a falta de parametrização e o acesso aos dados internos do algoritmo.
● A escolha do algoritmo de aprendizado de máquina não precisa se restringir às RNA. Existem outros algoritmos com melhor performance em problemas específicos.