book

Aprendizagem automática aplicada e IA para engenheiros

by Jeff Prosise

April 2025

Intermediate to advanced

428 pages

12h 6m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Quem deve ler este livroPorque escrevi este livroExecuta as amostras de código do livroComo navegar neste livroConvenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
O que é a aprendizagem automática?Aprendizagem automática versus inteligência artificialAprendizagem supervisionada versus não supervisionadaAprendizagem não supervisionada com k-Means ClusteringAplicação do k-Means Clustering a dados de clientesSegmentar clientes usando mais de duas dimensõesAprendizagem supervisionadak-vizinhos mais próximosUsando k-Nearest Neighbors para classificar floresResumo
Regressão linearÁrvores de decisãoFlorestas aleatóriasMáquinas de aumento de gradienteMáquinas de vetor de suporteMedidas de precisão para modelos de regressãoUtilizar a regressão para prever as tarifas de táxiResumo
Regressão logísticaMedidas de precisão para modelos de classificaçãoDados categóricosClassificação bináriaClassifica os passageiros que viajaram no TitanicDetetar fraudes com cartões de créditoClassificação multiclasseConstruir um modelo de reconhecimento de dígitosResumo
Preparar o texto para classificaçãoAnálise de sentimentosNaive BayesFiltragem de spamSistemas de recomendaçãoSemelhança de cossenoCriar um sistema de recomendação de filmesResumo
Como funcionam as máquinas de vetor de suporteNúcleosTruques do kernelAfinação de hiperparâmetrosNormalização de dadosPipeliningUtilização de SVMs para reconhecimento facialResumo
Compreender a análise de componentes principaisFiltragem de ruídoAnonimização de dadosVisualizando dados de alta dimensãoDeteção de anomaliasUtilizar a ACP para detetar fraudes com cartões de créditoUtilização de PCA para prever a falha de rolamentosDeteção multivariada de anomaliasResumo
Consumir um modelo Python a partir de um cliente PythonControlo de versões de ficheiros PickleConsumir um modelo Python a partir de um cliente C#Contentorizar um modelo de aprendizagem automáticaUtilizar o ONNX para colmatar o fosso linguísticoCriar modelos ML em C# com ML.NETAnálise de sentimentos com ML.NETGuardar e carregar modelos ML.NETAdicionar capacidades de aprendizagem automática ao ExcelResumo

Compreender as Redes NeuronaisTreinar redes neuraisResumo
Criar redes neurais com o Keras e o TensorFlowDimensiona uma rede neuralUtiliza uma Network+ para prever as tarifas de táxiClassificação binária com redes neuraisFazendo previsõesTreina uma rede neural para detetar fraudes com cartões de créditoClassificação multiclasse com redes neuraisTreina uma Network+ para reconhecer rostosAbandonoGuardar e carregar modelosCallbacks do KerasResumo
Compreender as CNNsUsa o Keras e o TensorFlow para criar CNNsTreina uma CNN para reconhecer a vida selvagem do ÁrticoCNNs pré-treinadasUtilizar o ResNet50V2 para classificar imagensAprendizagem por transferênciaUtiliza a aprendizagem por transferência para identificar a vida selvagem do ÁrticoAumento de dadosAumento da imagem com ImageDataGeneratorAumento de imagem com camadas de aumentoAplicação da ampliação de imagens à vida selvagem do ÁrticoPooling globalClassificação de áudio com CNNsResumo
Deteção de rostoDeteção de rostos com Viola-JonesUsando a implementação OpenCV de Viola-JonesDeteção de rostos com redes neurais convolucionaisExtrair rostos de fotografiasReconhecimento facialAplicar a aprendizagem por transferência ao reconhecimento facialReforçar a aprendizagem por transferência com pesos específicos da tarefaArcFaceJuntando tudo: Detetar e reconhecer rostos em fotografiasLidar com rostos desconhecidos: Classificação de Conjuntos Fechados e de Conjuntos AbertosResumo
R-CNNsMáscara R-CNNYOLOYOLOv3 e KerasDeteção de objectos personalizadaTreinar um modelo de deteção de objectos personalizado com o serviço de visão personalizadaUtilização do modelo exportadoResumo
Preparação do textoEmbeddings de palavrasClassificação do textoAutomatiza a vetorização de textoUtiliza a vectorização de texto num modelo de análise de sentimentosFatorizar a ordem das palavras nas previsõesRedes Neuronais Recorrentes (RNNs)Utilizar modelos pré-treinados para classificar textoTradução automática neuralCodificadores-Decodificadores LSTMTransformador Codificador-DecodificadorConstrução de um modelo NMT baseado em transformadoresUtilizar modelos pré-treinados para traduzir textoRepresentações de codificadores bidireccionais a partir de transformadores (BERT)Construir um sistema de resposta a perguntas baseado no BERTAperfeiçoar o BERT para efetuar análises de sentimentoResumo
Apresentando os Serviços Cognitivos do AzureChaves e pontos finaisChamando as APIs dos Serviços Cognitivos do AzureContentores dos Serviços Cognitivos do AzureO serviço de visão por computadorO serviço linguísticoO serviço de traduçãoO serviço de discursosJunta tudo: Contoso TravelResumo

Content preview from Aprendizagem automática aplicada e IA para engenheiros

Capítulo 4. Classificação de textos

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

Uma das mais recentes utilizações da classificação binária é a análise de sentimentos, que examina uma amostra de texto, como uma crítica de um produto, um tweet ou um comentário deixado num sítio Web, e atribui-lhe uma pontuação numa escala de 0,0 a 1,0, em que 0,0 representa um sentimento negativo e 1,0 um sentimento positivo. Uma avaliação como "ótimo produto a um ótimo preço" pode ter uma pontuação de 0,9, enquanto "produto muito caro que mal funciona" pode ter uma pontuação de 0,1. A pontuação é a probabilidade de o texto expressar um sentimento positivo. Os modelos de análise de sentimentos são difíceis de construir algoritmicamente, mas são relativamente fáceis de criar com a aprendizagem automática. Para ver exemplos de como a análise de sentimentos é utilizada atualmente nas empresas, consulta o artigo "8 Sentiment Analysis Real-World Use Cases" de Nicholas Bianchi.

Sentimento análise é um exemplo de uma tarefa que envolve a classificação de dados textuais em vez de dados numéricos. Como a aprendizagem automática trabalha com números, é necessário converter o texto em números antes de treinar um modelo de análise de sentimentos, um modelo que identifique e-mails de spam ou qualquer outro modelo que classifique texto. Uma abordagem comum é construir uma tabela de frequências de palavras chamada saco de palavras. O Scikit-Learn ...