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 6. Análise de componentes principais

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

A análise de componentes principais, ou PCA, é um dos pequenos milagres da aprendizagem automática. É uma técnica de redução da dimensionalidade que reduz o número de dimensões num conjunto de dados sem sacrificar uma quantidade proporcional de informação. Embora à primeira vista isso possa parecer pouco surpreendente, tem implicações profundas para os engenheiros e programadores de software que trabalham para criar modelos de previsão a partir dos seus dados.

E se eu te dissesse que podes pegar num conjunto de dados com 1000 colunas, utilizar a ACP para o reduzir a 100 colunas e reter 90% ou mais da informação do conjunto de dados original? Isso é relativamente comum, acredites ou não. E presta-se a uma variedade de utilizações práticas, incluindo:

Reduzir dados de grande dimensão para duas ou três dimensões, de modo a poderem ser representados e explorados
Reduzir o número de dimensões num conjunto de dados e depois restaurar o número original de dimensões, o que encontra aplicação na deteção de anomalias e na filtragem de ruído
Anonimizar conjuntos de dados para que possam ser partilhados com outros sem revelar a natureza ou o significado dos dados

E não é tudo. Um efeito secundário da aplicação de PCA a um conjunto de dados é que as caraterísticas menos importantes - colunas de dados que têm menos relevância ...