C onceitosB á sicose A pl
icaç ões
A ndré G ustavo H och ul
i
DeepL earning- C onceitosB á sicose A pl
icaç ões 1
• B ach arel( PU C PR - 2 0 0 4 ) e M estre ( PU C PR - 2 0 0 7 ) em C iê nciadaC omputaç ã o
• Doutorem C iê nciadaC omputaç ã o ( U F PR - 2 0 1 9 )
• PostDoc( PU C PR - 2 0 2 0 )
• PostDoc( U niversité de R ouen- F R - A tual )
• A gregaexperiê ncianaind stria( P& D)
• Á reasde interesse:
• A prendiz ado de M á quina
• R econh ecimento de Padrões
• V isã o C omputacional
DeepL earning- C onceitosB á sicose A pl
icaç ões 2
• N mero de projetosem M L armaz enadospel
osservidoresdo googl
e desde 2 0 1 2
DeepL earning- C onceitosB á sicose A pl
icaç ões 3
• G oogl
eN G RA M
• G oogl
e Search
DeepL earning- C onceitosB á sicose A pl
icaç ões 4
• Decorar! = A prender
• R á pido ! = Intel
igente
• A prendiz agem é adquirconh ecimento e h abil
idadesatravé sde estudose experiê ncias
• Intel
igê nciaé acapacidade de compreendere resol
vernovosprobl
emase confl
itose de adaptar- se
anovassituaç ões
DeepL earning- C onceitosB á sicose A pl
icaç ões 5
P rocesso A utom á tico P rocesso Intel
igente
C orretorO rtográ fico Sumariz adorde T exto
L imitadorde V el
ocidade C arro A utonô mo
R obô de Sol
da R obo de Inspeç ã o
Sensores T omadade Decisã o
DeepL earning- C onceitosB á sicose A pl
icaç ões 6
DeepL earning- C onceitosB á sicose A pl
icaç ões 7
DeepL earning- C onceitosB á sicose A pl
icaç ões 8
• M odel
osmaté maticoscapaz esde interpretaro dado e descobrirpadrões
DeepL earning- C onceitosB á sicose A pl
icaç ões 9
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 0
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 1
• C ompreende boaparte dasabordagensde M ach ine L earning
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 2
• F rank R osenbl
at, 1 9 5 8
• Cl
assificadorB iná rio
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 3
• M ul
ti- L ayerPerceptronouM L P
• Perceptronsinterconectadosentre camadasformando umarede
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 4
• Processo de otimiz aç ã o dospesos
• B ackpropagtionA l
gorith m
• R umel
h art, H inton& W il
liams1 9 8 6
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 5
• A representaç ã o do dado ( feature extractionstep) erao gargal
o do processo
• A perguntacabivé lera: E se apró priamá quina/ model
o extrairosdados?
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 6
• Paratal
, redesextremamente densasforam propostas
• Primeirarede ( C N N ) forcriadaem 1 9 9 8 pel
o F rancê sY annL ecun
• Popul
ariz adaapartirde 2 0 1 0 com ach egadade G PU sparaDesktop
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 7
• Al
tosní veisde abstraç ã o do dado
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 8
• Existem in merasredesparadiferentespropositos:
• R N N and L ST M : T ime series, SignalProcessing, etc
• C N N : ImagesB ased probl
ems
DeepL earning- C onceitosB á sicose A pl
icaç ões 1 9
• Existem in merasredesparadiferentespropó sitos:
• R N N and L ST M
• T ime series, SignalProcessing, etc
• CN N :
• ImagesB ased probl
ems
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 0
• A uto- Encoders:
• DataR eduction, Denoinsing
• G ansand C ycl
e- G ans
• C ontex T ransl
ation
• DataA ugmentation
• Deep F akes
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 1
• Image Segmentation
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 2
• Image T ransl
ation/ DeepF akes
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 3
• Systemasde R ecomendaç ã o
• A migosem R ede Social
• F il
mes
• Produtos
• Etc.
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 4
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 5
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 6
• V antagens
• R obustez
• Eliminao processo manualde extraç ã o de caracteristicas
• C onsegue el
iminar ruí doscom maior precisã o
• G eneral
iz aç ã o
• F uncionabem em vá riosprobl emas
• El evou osestado daarte em vá riasá reasde pesquisa
• Desvantagens
• Devido ao alto n merosde parâ metros, requererumabase n merosparao correto aprendiz ado
• H ardware de alto desempenh o ( G PU )
• Elevadabase matemá tico parao correto entendimento
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 7
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 8
DeepL earning- C onceitosB á sicose A pl
icaç ões 2 9
DeepL earning- C onceitosB á sicose A pl
icaç ões 3 0
• T ensorfl
ow: h ttps: / / www. tensorfl
ow. org/
• K eras: h ttps: / / keras. io/
• PyT orch : h ttps: / / pytorch . org/
• C affe: h ttps: / / caffe. berkel
eyvision. org/
• G oogl
e C ol
ab: h ttps: / / col
ab. research . googl
e. com
• K aggl
e: h ttps: / / www. kaggl
e. com/
DeepL earning- C onceitosB á sicose A pl
icaç ões 3 1
• C anivete- Suí co
• O bjetivos: A nal isardadose extrairinformaç õesrel evantes
• C onh ecimentos: SQ L , R , Pyth on, Estatí stica, M ach ine L earning. . . . . .
• A plicaç ões: B ancos/ Serviç osao C onsumidor/ V endas/ Sistemasde R ecomendaç ã o, etc. . .
DeepL earning- C onceitosB á sicose A pl
icaç ões 3 2
• DeepL earningnã o é um temaisol
ado
• DeepL earningnã o é caixa- preta( Entradado, sai resul
tado)
• N em tudo é deepl
earning
• DeepL earningé custoso
• C onh ecimento do Ingl
ê se B oabase matemá ticaé essencial
DeepL earning- C onceitosB á sicose A pl
icaç ões 3 3
M U IT O O B R IG A DO PEL A A T EN Ç Ã O
DÚ V IDA S ?
DeepL earning- C onceitosB á sicose A pl
icaç ões 3 4
