Machine Learning: como ensinar uma máquina a aprender | Nerdologia Tech 

Aqui tem um link falando sobre: ru-vid.com/video/%D0%B2%D0%B8%D0%B4%D0%B5%D0%BE-jAu1ZsTCA64.html

Paulo Belarmino curiosamente foi a mesma estratégia que a Skynet usou no filme 4 de exterminador do futuro pois no filme à inteligência artificial cria uma falsa chance de vitória para resistência. Como a resistência não resistiu em usar essa “chance” acabaram dando a localização deles mesmos e foram destruídos... ops desculpa pelo spoiler...

Essa IA está muito longe de poder competir com os jogadores comuns, tem muita coisa pré determinada na partida. Daqui alguns anos sim, vai ser um embate crível.

Mas no fim, ele não ganham?

sim, sim. No caso do 1v1 eles jogam em uma situação muito específica. Mas mesmo assim, pra mim, o fato dela ter conseguido vencer, ainda que nesse ambiente, tendo aprendido sozinha tudo o que sabe sobre o jogo, é um progresso e tanto na direção certa! Os próprios jogadores comentam no vídeo que são necessárias pelo menos 12 mil horas de jogo pra ser um jogador em nível profissional. São muitas habilidades e situações imprevisíveis que requerem decisões e combinações de ações...

Baidu em segundo lugar

Eu gostaria de ler mais sobre isso, você recomenda algum material?

Cara, tem um artigo do Estadão que fala sobre isso que pode ser um primeiro passo. O nome dele é "Google dá ‘salto’ na inteligência artificial". Dá uma olhada também na Teachable Machine, um site do Google que te faz usar câmera e algumas outras funções do teu pc pra mostrar como é o funcionamento básico de machine learning (dá pra experienciar algumas coisas aqui do vídeo mesmo)

. Eu votaria no Watson, da IBM. Muito deep learning que agora atua como cozinheiro, médico, advogado, professor...

Ainda assim nao Consefue me dar o Nome de uma Misera Por$Star ....

será que logo estaremos vendo gameplays de maquinas te substituindo no oxygen not include?

Mechjeb já substituiu o Renan

Caramba, só notei o detalhe das telas deslizantes depois que terminei de assistir e vi o seu comentário. Eu sou desligado mesmo.

era exatamente o que eu ia comentar... Deep learning pode ser aplicado para qualquer tipo de aprendizado, seja supervisionado, não-supervisionado ou por reforço

Lucas Bondan Ele não falou isso (pelo menos não entendi isso)

Pois é, e a rede que aprende a reconhecer o rosto da Sarah não tem a ver com aprendizado por reforço.

Oi Carlos, acredito que ele não tenha tido essa intenção, mas da maneira que foi explicado aos 4:00, dá a entender que o deep learning seria um subset do aprendizado por reforço, o que não é verdadeiro. No meu mestrado trabalhei com técnicas de aprendizado por reforço e a aplicação de redes neurais e deep learning foram alternativas que estudei ao que propus.

que massa o algoritmo vai sendo sempre aperfeiçoado ou vc chega num ponto de estagnaçao? sempre tive essa duvida

Então se voce trabalhar com o mesmo conjunto de dados sempre acontece que em um determinado momento ao invés de você prever o comportamento dos dados você passa a ter overfitting, que é ajustar uma reta para passar em todos os pontos (por exemplo). Para saber o ponto ideial para parar a gente divide o conjunto de dados em dados para treino e para teste. A rede calcula os parametros para o primeiro (maior parte dos dados... eu uso 80%) e depois tenta prever os dados de teste. Se o erro para os dados de teste começar a aumentar é um indício de overfitting e o algoritmo para no menor erro. Claro que você pode fazer inserções de novos dados e daí melhorar cada vez mais a rede. Por exemplo: eu prevejo a densidade do vidro com a rede, daí eu vou e meço no laboratório. Provavelmente vai ter uma diferença por conta do erro associado a previsão da rede. Entao eu insiro esse valor que eu medi e a rede pode melhorar a previsão dela a partir disso :) Eu trabalho com algoritmo supervisionado.

queria dados pra fazer uma rede neural convolucional pra me ajudar a escolher laranja na feira, tá chato se distrair e colocar umas laranjas cascudas

Meu futuro tema de mestrado :D

​ Graziela Pentean Uma correção, o fato de você trabalhar com o mesmo conjunto de dados não necessariamente vai levar a overfitting, se você adicionar uma quantidade maior de dados a um próximo modelo e esses dados estiverem enviesado (com alto bias) a hipótese do seu modelo pode não ter uma ajuste legal, levando ao underfitting, caso contrário, se você adicionou mais exemplos de treinamentos (vamos assumir que os dados não estão enviesados) mas a ordem dos polinômios da sua hipótese é alta, esse modelo pode se ajustar demais, ai sim levando ao overfitting. Ou seja, um bom modelo não depende apenas da separação (80|20 por exemplo) de dados de validação e teste ou a adição de novos exemplos, você pode até conseguir uma percentual de acerto legal, mas você sempre consegue melhorar (a ponto de fazer uma tremenda diferença) se você der prioridade ao pré-processamento (EDA, geração de variáveis, tratamento de outliers entre outras técnicas) e a definição de hiperparametros do modelo.

Sim depende se for tank,mago,assasino. Erro comum de inciante fazer a mesma build em toda partida mesmo o inimigo sendo magico ou guerreiro ai ele perde por falta de resistencia fisica ou magica tmb. Falta de itens contra atordoamento. Se pega um time de 3 pessoas que dão stun e vc nao faz nenhum ja era. Ou contra o anti mage nao fazer itens que aumentam a sua mana etc

Desculpa incomodar, mas eu gostaria muito de saber se existe algum livro ou alguma fonte inicial, mas conceitual e bem estruturada, sobre o assunto?

Tem alguns livros que dá uma base sobre o assunto. Vou passar meu link dos livros drive.google.com/file/d/1lnSN2QMeeNYDZscyzd2bjGmhRUBGpbsY/view?usp=sharing drive.google.com/file/d/0BwYmbMcHNcSwZHZVY1FiV3lobHc/view?usp=sharing Mas os livros só vão de dar uma ideia geral sobre Inteligencia computacioanal. Aconselho, logo depois de ler os livross, ir para programas para a criação as redes neurais. Softwares mais comuns, R, MATLAB, PYTHON, SCILAB. Fora o MATLAB os outros são gratuitos. Lembrando que esses softwares não são especificamente para criação e treinamento de redes neurais, mas eles tem toolboxes que permitem fazer isso. Aconselho a comprar cursos da UDEMY que tbm são muito bons. sucesso

kkkkkkkkkk até hoje me surpreendo com as pessoas que dão um dislike em um vídeo assim, Mas vai que de repente o cara é muito fã de LoL e tenha ficado puto pelo Atila ter utilizado como exemplo o Dota.

Sempre tem gente que não gosta de nada.

Ser o unico que deu dislike>>>ser um dos milhares que deram like hahahahaha

bot

Quando o cara chega aqui procurando nerdice baseada em anime, e vê uma aula de informática.

aah malandro, bem pescado :D

Ele já coloca as fontes na descrição do vídeo. É só procurar o link da imagem lá.

Por que não? O que limita isso? Eu quero começar a aprender e provavelmente irei encaixar um tempinho na minha rotina pra me dedicar a isso durante um longo período. Gostaria de saber se é algo restrito a pessoas com uma sólida formação computacional ou é possível desenvolver com uma linguagem de programação acessível e um computador comum.

Rual de Olira, machine learning não é restrito pra pessoas com muita experiência em computação. Qualquer pessoa com um domínio básico de uma linguagem de programação simples, como Python ou R (as linguagens mais utilizadas para machine learning), pode aprender a aplicar técnicas simples de aprendizado supervisionado (Árvores de decisão, KNN, regressão linear, etc). A internet é a melhor faculdade. Basta interesse e você conseguirá aprender, aplicar e solucionar diversos tipos de problemas utilizando ML.

pq só agora chegamos em um ponto bom de processamento e quantidade de dados - os próximos trilhões da próxima revolução na economia vai vir de ML - e a China está bem na frente

Na maioria das vezes não é só coletar uma quantidade de dados e treinar um modelo (o que seria muito bom) kkkkkkkk, se você for realizar isso em um mundo corporativo os passos iniciais são: entender o problema de forma comercial (o que fazer, para que, como eu posso ajudar meus usuários), formalizar o problema (ex: definir o que será considerado spam e não spam), coletar dados (que dados utilizar, como separar os dados). Isso por si só algumas vezes se torna trabalhoso, burocrático (se você não tem acesso a certo tipo de dados). Então entra a parte de definição do modelo estatístico, você precisa estudar como esses dados se comportam, qual a relação entre todos as suas variáveis, qual o melhor modelo para trabalhar com esses dados (a idéia aqui é não sair fazendo o que os cientistas da área chamam de "hard modeling" já de inicio, um exemplo disso é, se o modelo possui uma clara tendencia linear, você pode utilizar modelos baseados em funções lineares). Depois disso entra a parte de pré-processamento: filtrar outliers, pré processar as variáveis de acordo com o tipo, gerar novas variáveis (na maioria das vezes essa parte pode ser a chave do problema para algums modelos), pensar de forma intuitiva em cima dos dados (o que é chamado de EDA), formar hipóteses (SEM MODELAR EM UM ALGORITMO) e tentar prova-las. Nessa etapa plotagens de dispersões, histogramas são muito uteis. Depois dessa etapa você precisa definir a sua métrica de avaliação, a função para estimar o quão errado se encontra o seu modelo estatístico (loss logaritmico, entropia cruzada etc). Após todo esse processo, você começa a modelar, você tem os dados (pré-processados), você tem a intuição sobre os dados, e você tem uma forma de avaliar o seu modelo. Então você cria o modelo que mais se adéqua com a sua conclusão, dependendo do que acontecer por aqui, você vai precisar voltar ao pré-processamento, o forte dessa etapa é o teste de diferente hiperparametros do modelo escolhido. O ponto do @William Antônio Siqueira também é uma das causas.

Você chegou a aprender IA e Ciência de Dados?

@@Ruan-tv1ji estou pensando em fazer... Mas no interior um cientista de dados só se ferra kk

@@GabrielVitor-rh6cv Nossa! 2 anos desse comentário, faz muito tempo. Não estou na área, abandonei os estudos e estou trabalhando em outra área, não relacionada com tecnologia. Mas ainda acho que Ciência de Dados é o futuro e que você ainda pode aproveitar muito do crescimento da área se começar a se capacitar agora. Mas não sou do ramo, então minha opinião não é a melhor para te embasar sobre o assunto.

@@Ruan-tv1ji agora são quase 5 anos hahaha e aí, como anda o trabalho na sua área? tem estado realizado? voltei nesse vídeo do Átila justamente por ter sido um dos estopins para eu entrar na T.I e acabei vendo os comentários de vcs agora.