Curso 1 - Aula 10: Algoritmos

00:06:06
https://www.youtube.com/watch?v=I-zb67hnoIQ

概要

TLDREl video presenta una introducción a los algoritmos de aprendizaje automático, dividiéndolos en diferentes categorías basadas en su tipo de aprendizaje (supervisado o no supervisado) y el tipo de problema que buscan resolver, como la clasificación, regresión, clusterización y optimización. Se ilustran con ejemplos prácticos, mostrando cómo estos algoritmos se implementan en situaciones cotidianas y cómo los científicos de datos utilizan estas herramientas para obtener percepciones valiosas a partir de datos.

収穫

  • 🔍 **Clasificación:** Identifica la categoría de una información, con respuestas binarias como sí o no.
  • 📈 **Regresión:** Estima valores numéricos a partir de datos históricos.
  • 🗂️ **Clusterización:** Agrupa datos similares en patrones identificables.
  • ⚙️ **Optimización:** Compara diferentes soluciones posibles para encontrar la mejor opción.
  • 💳 **Ejemplo de Clasificación:** Proveedores de tarjetas clasifican compras como fraudulentas o no.
  • 🛒 **Ejemplo de Clusterización:** Walmart ajusta la disposición de productos basándose en patrones de compra.
  • 🌟 **Modelos Disponibles:** KNN y Naive Bayes son ejemplos comunes utilizados por científicos de datos.
  • 🌦️ **Ejemplo de Regresión:** Predicción de ventas de frutas según el clima y el día de la semana.

タイムライン

  • 00:00:00 - 00:06:06

    Los algoritmos de aprendizaje se pueden clasificar en varias categorías según el tipo de problema que resuelven. Existe la clasificación, que identifica a qué categoría pertenece una determinada información, como decidir si una imagen muestra un gato o un perro. La regresión estima valores numéricos, como la fijación de precios de un producto. La clusterización agrupa datos similares, como identificar patrones de consumo. Finalmente, la optimización busca la mejor solución entre diversas alternativas. Los científicos de datos emplean estos algoritmos para obtener percepciones y soluciones efectivas a partir de los datos disponibles.

マインドマップ

ビデオQ&A

  • ¿Qué es la clasificación en algoritmos?

    La clasificación tiene como objetivo identificar a qué categoría pertenece una determinada información.

  • ¿Cómo funciona la regresión en algoritmos?

    La regresión se utiliza para estimar un valor numérico a partir de datos históricos.

  • ¿Qué es la clusterización?

    La clusterización busca agrupar datos similares en patrones.

  • ¿Qué significa optimización en algoritmos?

    La optimización compara diversas soluciones para encontrar una solución óptima o satisfactoria.

  • ¿Cuáles son ejemplos de algoritmos de clasificación?

    Ejemplos de algoritmos de clasificación incluyen KNN y Naive Bayes.

ビデオをもっと見る

AIを活用したYouTubeの無料動画要約に即アクセス！
字幕
pt
オートスクロール:
  • 00:00:03
    além da divisão dos algoritmos Com base
  • 00:00:05
    no tipo de aprendizado seja
  • 00:00:06
    supervisionado ou não supervisionado
  • 00:00:08
    podemos dividi-los Com base no tipo de
  • 00:00:10
    resposta ou melhor no tipo de problema
  • 00:00:13
    que buscam resolver dentre eles Podemos
  • 00:00:15
    destacar alguns o primeiro deles é a
  • 00:00:17
    classificação na classificação o
  • 00:00:19
    objetivo é Identificar qual categoria
  • 00:00:22
    determinada informação faz parte em
  • 00:00:24
    outras palavras escolher dentre uma
  • 00:00:26
    lista pré-definida de diversas
  • 00:00:28
    possibilidades se uma imagem diz
  • 00:00:30
    respeito à categoria de cachorro ou gato
  • 00:00:32
    como no exemplo que já trouxemos
  • 00:00:34
    anteriormente o segundo modelo seria a
  • 00:00:36
    regressão nesse caso procura-se estimar
  • 00:00:39
    um valor numérico e não uma categoria ou
  • 00:00:42
    rótulo a regressão pode ser utilizada
  • 00:00:44
    para estimar a precificação de um
  • 00:00:46
    produto por exemplo o terceiro modelo
  • 00:00:48
    seria a claster claster zar nada mais é
  • 00:00:51
    do que agrupar o objetivo desse
  • 00:00:54
    algoritmo é agrupar dados semelhantes
  • 00:00:56
    por exemplo os casos de consumidores que
  • 00:00:59
    possuem um o mesmo perfil ou até mesmo
  • 00:01:01
    fotos que contém a mesma pessoa nas
  • 00:01:03
    redes sociais o último modelo que vamos
  • 00:01:06
    tratar aqui é a otimização que faz a
  • 00:01:08
    comparação de diversas soluções
  • 00:01:10
    possíveis que ocorrem até buscar uma
  • 00:01:12
    solução ótima Ou pelo menos satisfatória
  • 00:01:15
    que seja encontrada em síntese o
  • 00:01:18
    objetivo é buscar a melhor solução
  • 00:01:20
    possível como a caso de um jogo no qual
  • 00:01:23
    tem diversos inimigos que buscam criar o
  • 00:01:25
    melhor caminho até o herói vamos trazer
  • 00:01:27
    alguns exemplos para entender esses
  • 00:01:29
    modelos na prática a classificação
  • 00:01:32
    normalmente tem uma resposta binária sim
  • 00:01:35
    ou não faz parte ou não faz parte
  • 00:01:37
    pensemos no exemplo de uma compra de
  • 00:01:39
    cartão de crédito como o provedor sabe
  • 00:01:41
    se é ou não uma compra ou uma fraude
  • 00:01:44
    Você já pensou nisso por trás dessa
  • 00:01:46
    análise existe uma classificação o
  • 00:01:49
    provedor de cartão de crédito Analisa as
  • 00:01:51
    suas diversas compras e a partir daí ele
  • 00:01:54
    faz uma previsão para saber se é ou não
  • 00:01:57
    uma fraude ele está classificando já a
  • 00:02:00
    clusterização o sistema busca agrupar os
  • 00:02:03
    dados nos diversos padrões aqui temos um
  • 00:02:06
    exemplo muito conhecido que é o caso do
  • 00:02:09
    Walmart você já deve ter ido ao
  • 00:02:11
    supermercado e analisado os padrões
  • 00:02:14
    normalmente as sessões são divididas
  • 00:02:16
    seja por alimentos seja por churrasco no
  • 00:02:19
    qual você vai encontrar bebidas carne e
  • 00:02:22
    até mesmo carvão ou seja especificamente
  • 00:02:25
    na parte de crianças com fraldas
  • 00:02:28
    mamadeiras chupetas você acha que existe
  • 00:02:30
    alguma correlação entre fraldas e
  • 00:02:33
    cerveja é isso mesmo que o Walmart
  • 00:02:36
    conseguiu clusterizar eles perceberam
  • 00:02:38
    padrão de consumo de seus clientes
  • 00:02:40
    Muitas vezes os pais iam ao supermercado
  • 00:02:43
    e comprar fraldas e compravam cerveja
  • 00:02:45
    também e a partir daí eles criaram uma
  • 00:02:47
    nova sessão agora quando os clientes vão
  • 00:02:50
    ao Walmart Eles encontram a cerveja
  • 00:02:53
    junto com a fralda por um momento pode
  • 00:02:55
    não fazer sentido mas certamente gera
  • 00:02:57
    muito mais vendas para o provedor no
  • 00:02:59
    final das contas com base em todos esses
  • 00:03:02
    modelos disponíveis os cientistas de
  • 00:03:04
    dados buscam implementar o melhor
  • 00:03:07
    algoritmo cada um com seu objetivo sendo
  • 00:03:10
    mais ou menos acurado que tem uma melhor
  • 00:03:13
    ou pior resposta que precisa de mais ou
  • 00:03:16
    menos processamento ou até mesmo mais ou
  • 00:03:19
    menos programação Esses são os famosos
  • 00:03:21
    algoritmos que os cientistas de dados
  • 00:03:23
    usam para buscar percepções sobre as
  • 00:03:26
    informações Além de todos esses
  • 00:03:28
    algoritmos que eu apresentei existem
  • 00:03:30
    outros no mercado como KNN camins e
  • 00:03:34
    modelos de nave base puxa complexos
  • 00:03:37
    esses termos vou trazer um exemplo para
  • 00:03:39
    tentar facilitar Imagine que você é o
  • 00:03:41
    dono de uma barraca de frutas na fira
  • 00:03:43
    Você acaba de receber uma fruta nova da
  • 00:03:46
    estação que não tem ideia do que se
  • 00:03:48
    trata normalmente as frutas têm padrões
  • 00:03:51
    seja de Cheiro de gosto de tamanho de
  • 00:03:54
    cor de peso então como você vai
  • 00:03:57
    classificar essa fruta desconhecida com
  • 00:03:59
    base nas suas vizinhas ou melhor com
  • 00:04:01
    base nas correlações que você já tem e
  • 00:04:04
    já conhece das outras frutas a
  • 00:04:06
    classificação de múltiplas classes é o
  • 00:04:09
    can nearest neighbor um modelo
  • 00:04:11
    disponível no mercado Pense em um
  • 00:04:13
    diagrama no qual nós vamos plotar essas
  • 00:04:16
    diversas informações disponíveis e
  • 00:04:18
    tentar achar exatamente onde essa fruta
  • 00:04:21
    desconhecida se encaixa seja no grupo
  • 00:04:24
    das maçãs das bananas ou das peras
  • 00:04:27
    muitas vezes o computador não sabe
  • 00:04:29
    exatamente onde a informação irá se
  • 00:04:31
    encaixar porque a sua fruta desconhecida
  • 00:04:33
    pode ter o cheiro de uma banana mas o
  • 00:04:35
    gosto de uma perira e até mesmo a cor de
  • 00:04:38
    uma maçã então ele irá buscar o dado
  • 00:04:41
    mais próximo e que faz mais sentido com
  • 00:04:43
    base nos clusters disponíveis ainda no
  • 00:04:46
    exemplo da barraca de frutas poderíamos
  • 00:04:48
    aplicar outro modelo de Inteligência
  • 00:04:50
    Artificial que seria a regressão a
  • 00:04:53
    regressão Analisa os dados passados para
  • 00:04:55
    prever um dado futuro então imagine
  • 00:04:58
    aplicar a regressão para prever venda de
  • 00:05:00
    frutas com base nos dias da semana
  • 00:05:02
    previsão do tempo ou até mesmo local da
  • 00:05:04
    feira para resumir acho que vocês
  • 00:05:07
    perceberam que existem diversos modelos
  • 00:05:09
    e algoritmos no mercado os cientistas de
  • 00:05:11
    dados misturam todas essas informações
  • 00:05:14
    para criar os melhores modelos possíveis
  • 00:05:16
    e tirar resultados para suas
  • 00:05:19
    empresas
  • 00:05:23
    recapitulando
  • 00:05:25
    algoritmos classificação identificar a
  • 00:05:27
    qual categoria determinada em formação
  • 00:05:30
    faz parte normalmente tem uma resposta
  • 00:05:32
    binária sim ou não faz parte ou não faz
  • 00:05:35
    parte etc regressão busque estimar um
  • 00:05:39
    valor numérico a partir de uma análise
  • 00:05:41
    de dados históricos identificando o
  • 00:05:43
    padrão de tendência por exemplo elaborar
  • 00:05:45
    a precificação de um
  • 00:05:47
    produto clusterização o objetivo desse
  • 00:05:51
    algoritmo é agrupar dados semelhantes
  • 00:05:53
    otimização compara diversas soluções
  • 00:05:56
    possíveis até encontrar uma solução
  • 00:05:58
    ótima ou
  • 00:06:04
    satisfatória
タグ
  • algoritmos
  • aprendizaje automático
  • clasificación
  • regresión
  • clusterización
  • optimización
  • cientistas de datos
  • KNN
  • modelos
  • análisis de datos