---
presentation
theme: beige.css
slideNumber: true
width: 1024
height: 768
---
## Aprendizado de Máquina
#### Wrap up
#### Prof. Ronaldo Cristiano Prati
[ronaldo.prati@ufabc.edu.br](mailto:ronaldo.prati@ufabc.edu.br)
Bloco A, sala 513-2
### Tópicos não abordados
### Tópicos não abordados
- Aprendizado bayesiano
- modelos gráficos
- redes bayesianas
- Gaussian process
![](bayes.png)
### Tópicos não abordados
- Aprendizado simbólico
- Árvores de decisão (decision trees)
- Regras
![](simb.png)
### Tópicos não abordados
- Aprendizado evolutivo
- Algoritmos Genéticos
- Programação Genética
![](gen.png)
### Tópicos não abordados
- Teoria do aprendizado
- Dimensão VC
- PAC-learning
![](vc.png)
### Tópicos não abordados
- Aprendizado por reforço
- Iteração de valor
- Q-learning
![](rl.png)
### Tópicos não abordados (RNAs)
- Text Embeddings
- Generative Adversarial Networks
- Siamese Networks
- Differentiable Neural Computer
# Limitações e desafios
### Explicação e transparência
- **Dasafio:** Como confiamos em um sistema de AM?
- Avaliar o desempenho cuidadosamente
- Identificar vantagens e pontos fracos
- Entender como funciona
- Entender o resultado gerado
### Avaliar o desempenho cuidadosamente
- Além de uma avaliação quantitativa, em muitos casos é preciso fazer uma avaliação qualitativa.
- As predições fazem sentido?
- Tem casos que falham?
### Mundo fechado
- Modelo estado da arte em geração de rótulos de imagens
- Não tinha nenhuma escova de dentes no treinamento!
### O que deu errado?
- Devido a uma amostra viciada, um algoritmo de reconhecimento de imagens do Google classificava pessoas negras como gorilas
- Dificilmente pensamos em como nosso modelo pode errar
- Provavelmente o conjunto de treinamento tinha poucos exemplos de negros.
### Testes com dados FAKE
![](fool.png)
### Entender como funciona:
- Distinção importante:
- Entender as decisões de um modelo (por que um classificador atribuiu uma certa classe)
- Entender como o modelo foi criado (qual é o funcionamento do algoritmo)?
### Entender como funciona:
- Para entender um modelo (e a sua saída), não necessariamente precisamos entender como ele foi feito
- Mas entender o funcionamento e a saída pode ajudar a melhorar o desempenho!
- Alguns modelos são mais fáceis de entender que outros!
### Entender o funcionamento
![](horse.png)
### Entender como funciona:
- Muitas vezes se quer "enganar" um modelo
- Pode ter consequências sérias:
- Ataque cibernético
- Fraude
### Aprendendo a enganar a um modelo
### Aprendendo a enganar a um modelo
### Aprendendo a enganar a um modelo
### Enganando um carro autonomo
## Algorithm bias
## Algorithm bias
![](gender.jpeg)
## Algorithm bias
![](genderbias.png)
### Algorithm bias (causas)
- amostra viciada: mais exemplos de um determinado grupo apesar de uma menor prevalência.
- amostra contaminada: o rotulador pode dar viciar a amostra de acordo com as suas própias convicções
- atributos ruins: algumas features podem ser mais difíceis de objter para certos grupos
- proxies: algumas informações são baseadas em medidas indiretas, que podem conter generalizações indevidas
### Bias não intencional
![](mexican.png)
### Bias não intencional
![](names.png)
### Bias não intencional
![](names2.png)
## Algorithm bias
## Algorithm bias
### Aspectos sociais
![](bubble.png)
### Experimento do FACEBOOK/Cornell
- 689.003 pessoas
- Uma semana em 2012
- Dois grupos:
- Grupo A: remover conteúdo considerado negativo do feed
- Grupo B: remover conteúdo considerado positivo do feed
### Experimento do FACEBOOK/Cornell
![](facebook.png)
### Aspectos éticos
![](ethics.jpeg)
### Gerenciando mudanças
- Sistemas mudam continuamente
- Os resultados ainda são válidos?
- Caso Famoso: "Gripe do google" (https://www.google.org/flutrends/about/)
- Predições foram boas por um tempo
- Então quebraram
### Disciplinas relacionadas
- MCTAO14-13 - Inteligência Artificial
- MCZA030-13 - Vida Artificial na Computação
- MCZA006-13 - Computação Evolucionista e Conexionista
- MCZA017-13 - Processamento de Linguagem Natural
- MCZA015-13 - Mineração de Dados
- ESZI014-17 - Sistemas Inteligentes
- ESZA019-17 - Visão Computacional