Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- ti_publica:dicas_ia [2019/11/22 11:41] – criada cartola
+++ ti_publica:dicas_ia [2019/12/22 09:58] (atual) – [Referências] cartola
@@ Linha 1: / Linha 1: @@
-=== Referências ===
+===== Dicas =====
+Referência externa muito boa: https://chrisalbon.com/
+===  ===
+  * [[https://machinelearningmastery.com/cross-entropy-for-machine-learning/|Toda vez que a saída for binária a função objetivo é uma entropia cruzada binária]]
+  * Toda vez que saída for categorizada: Função **softmax** vai dar saída como probabilidade de um input pertencer a uma classe. Função objetivo é entropia cruzada categorizada
+  * Séries temporais com sazonalidade podem ser melhor tratadas com decomposição do que com LSTM
+=== NLP ===
+  * Imagem e áudio tem informações densas, texto é esparso
+  * Pode se fazer CNN em NLP
+  * Problema do Word embedding: não lida com contexto (ex: manga fruta, manga da roupa)
+    * Google lançou Transformer (+- embedding com contexto)
+===== Glossário =====
+  * Função de ativação
+  * Função objetivo
+  * Random forest
+  * max pooling / average pooling / global pooling - [[https://alexisbcook.github.io/2017/global-average-pooling-layers-for-object-localization/|reduz a quantidade de informação]]
+  * back propagation
+  * learning rate
+  * data augmentation - ex: [[https://github.com/aleju/imgaug|imgaug]]
+  * one hot encoding / get dummies / to categorical
+  * SVM
+  * PCA
+  * TSNE
+=== Álgebra Linear ===
+  * Matriz esparsa
+  * Convolução
+  * Variância / Desvio padrão
+  * MSE - Erro mínimo quadrático
+  * Regressão linear, logística
+=== Redes Neurais ===
+  * [[http://jmlr.org/papers/volume15/srivastava14a.old/srivastava14a.pdf|Dropout]] - descarte aleatório de informação - eficiente para evitar overfiting
+  * softmax
+  * Modelos de rede criados
+    * AlexNet
+    * VGG
+  * overfiting
+  * Redes neurais
+    * multi layer perceptor
+    * rede neural convolucional
+    * fully convolutional
+    * recorrentes - usado para NLP, séries temporais, sequências, dados seriados: tradução, respostas a perguntas, completar frases
+      * LSTM - RNN mais usada hoje em dia (Long Short-Term Memory) - Keras implementa
+=== NLP ===
+  * Word embedding - reduz dimensões mantendo significado
+  * //Corpus// de texto
+  * Stop-words - palavras que se repetem muito, como pronomes e artigos
+  * Algoritmos
+    * CBOW - Continuous Bag-of-Words - prevê próxima palavra pelas N anteriores
+    * Skip-gram - contrário do CBOW - prevê N próximas palavras a partir da anterior
+    * Word2Vec - implementação eficiente do CBOW e Skip-gram
+  * Bibliotecas
+    * [[http://www.nltk.org/|NLTK]]
+===== Referências =====
   * [[https://www.fast.ai/|Fast.AI]] - biblioteca sobre PyTorch e cursos
   * [[https://keras.io/|Keras]] - biblioteca feita sobre Tensorflow
+  * NLP
+    * [[https://scikit-learn.org/stable/tutorial/text_analytics/working_with_text_data.html|SciKit]]
+    * [[https://nlp.stanford.edu/projects/glove/|GloVe]] - usa vetores
+    * [[https://fasttext.cc/|Fast Text]] - usa vetores - tem pronto em PT
+    * [[https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html|Google Transformer]] - supra sumo, considera contexto. [[https://www.analyticsvidhya.com/blog/2019/06/understanding-transformers-nlp-state-of-the-art-models/|Análise]]
+  * RNN - [[http://colah.github.io/posts/2015-08-Understanding-LSTMs/|LSTM]]
+  * Séries temporais - decomposição de séries - [[https://facebook.github.io/prophet/docs/quick_start.html|Prophet]]
+  * [[https://www.knime.com/knime-analytics-platform|Knime]] - ferramenta opensource gráfica para ciência de dados