APRENDIZAGEM DE MÁQUINA: APLICAÇÕES EM EDUCAÇÃO. Nov/2020 Prof. Herbert Kimura

(1)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

Prof. Herbert Kimura Nov/2020

(2)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ ORIGENS

• 1956: Workshop Dartmouth College

• Pioneiros: Allen Newell (CMU), John McCarthy (MIT), Herbert Simon (CMU), Marvin

Minsky (MIT), Arthur Samuel (IBM), etc..

• Questões políticas: Norbert Wiener (cibernética). Marvin Minsky (perceptron)

(3)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ EVOLUÇÃO

• Décadas de 1950, 1960: jogo de damas, problemas lógicos, etc...

• Simon: em duas décadas, máquinas farão qualquer tarefa que o homem faz

• Minsky: em uma geração, o problema de criar Inteligência Artificial será

solucionado.

• Década de 1970: inverno da IA

(4)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ EVOLUÇÃO

• Década de 1980: sistemas especialistas, LISP, microcomputadores

• Década de 1990: data mining, Deep Blue, Internet

• Década de 2000, 2010: telecomunicações, computação, redes sociais, Internet das

coisas, Alpha Go....

• Década de 2020: avanços práticos e avanços teóricos

(5)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ MARCOS “FAMOSOS”

Prof. Herbert Kimura Fonte da figura: https://mc.ai/amazing-coincidence-in-the-matches-of-deep-blue-and-alphago%E2%80%8A-%E2%80%8Amove-37-game-2/

1996: Gary Kasparov (4,0) x Deep Blue/IBM (2,0) 1997: Gary Kasparov (2,5) x Deep Blue/IBM (3,5)

Método:

(6)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

2015: Fan Hui (0,0) x AlphaGo/DeepMind (5,0) 2016: Lee Sedol (1,0) x AlphaGo/DeepMind (4,0)

▪ MARCOS “FAMOSOS”

AlphaGo: The movie - https://www.youtube.com/watch?v=WXuK6gekU1Y

Dica de documentário:

Método:

• Aprendizagem por exemplos

• Regras

• Banco de dados de partidas • Geração de partidas

Impacto:

• Corrida Espacial/1961 (EUA x URSS)

(7)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ MARCOS “FAMOSOS”

Prof. Herbert Kimura Fonte: https://mc.ai/amazing-coincidence-in-the-matches-of-deep-blue-and-alphago%E2%80%8A-%E2%80%8Amove-37-game-2/

Deep Blue/IBM: Lance 37 - Be4 Gary Kasparov AlphaGo/DeepMind: Lance 37 – P10 Lee Sedol 1997 Partida 2 2016 Partida 2 1/10.000

Partida 2 – AlphaGo: Lance 37 Partida 4 – Lee Sedol: Lance 78

Lances polêmicos:

(8)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ MARCOS “FAMOSOS”

2017: Professionals (0,0) x AlphaGo Master/DeepMind (60,0) 2017: AlphaGo/DeepMind (0,0) x AlphaGo Zero (100,0)

2017: Ke Jie (0,0) x AlphaGo/DeepMind (3,0)

Times de profissionais

AlphaGo: 3 dias

AlphaGo Master: 21 dias

Qualquer versão anterior: 40 dias

2017: Xadrez/Shogi/Go x Alpha Zero (vencedor)

Stockfish, Elmo, AlphaGo Zero

(9)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ MARCOS “FAMOSOS”

Método:

• Aprendizagem por exemplos (AlphaGo, AlphaGo Master) • Aprendizagem do “zero” (AlphaGo Zero, Alpha Zero)

• Regras

• Banco de dados de partidas • Geração de partidas

• Regras

2017: Professionals (0,0) x AlphaGo Master/DeepMind (60,0) 2017: AlphaGo/DeepMind (0,0) x AlphaGo Zero (100,0)

2017: Ke Jie (0,0) x AlphaGo/DeepMind (3,0)

2017: Xadrez/Shogi/Go x Alpha Zero (vencedor)

(10)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CASO: JOGOS DE VIDEOGAME BREAKOUT

Prof. Herbert Kimura Fonte: https://www.youtube.com/watch?v=TmPfTpjtdgg

Máximo de pontos; 448 Vidas restantes: 5

(11)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

Prof. Herbert Kimura

▪ APRENDIZADO

https://www.youtube.com/watch?v=W2CAghUiofY https://www.youtube.com/watch?v=qv6UVOQ0F44 https://www.youtube.com/watch?v=T1XXHC8lXcU

(12)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ APRENDIZADO

Prof. Herbert Kimura Fonte: https://en.wikipedia.org/wiki/Game_complexity/ Estado-Espaço: 1047 Árvore de decisão: 10123 Estado-Espaço: 1071 Árvore de decisão: 10226 Estado-Espaço: 10170 Árvore de decisão: 10360 XADREZ SHOGI GO

(13)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

INTELIGÊNCIA ARTIFICIAL

▪ APRENDIZADO

Alpha Zero: Complexidade, Diversidade

(14)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CONCEITO

▪ INTELIGÊNCIA ARTIFICIAL

• Inteligência demonstrada por máquinas

• Máquinas imitam funções cognitivas humana

como, por exemplo, aprendizagem

▪ APRENDIZAGEM DE MÁQUINA

• Estudo de algoritmos computacionais que

aprimoram automaticamente uma tarefa por

meio de experiência

Prof. Herbert Kimura Fontes:

Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 978-0-13-604259-4.

Mitchell, Tom (1997). Machine Learning. New York: McGraw Hill. ISBN 0-07-042807-7. OCLC 36417892.

INTELIGÊNCIA ARTIFICIAL

(15)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CONCEITOS

▪ CIÊNCIA DE DADOS

• Campo do conhecimento voltado à extração de

Conhecimento a partir de um conjunto de dados

▪ BIG DATA

• Área que aborda mecanismos de tratamento e

análise de conjunto de dados grandes ou

complexos

CIÊNCIA DE DADOS

(16)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

TIPOS DE INTELIGÊNCIA ARTIFICIAL

▪ IA RESTRITA (FRACA)

• Artificial Narrow Intelligence (ANI)

• Foco em atividade específica

• Simulação/imitação do comportamento humano

▪ IA GERAL (FORTE)

• Artificial General Intelligence (AGI)

• Demonstração de inteligência humana

▪ SUPER IA

• Artificial Super Intelligence (ASI)

• Superação da inteligência humana em tudo

SUPER AI

ANI

AGI

(17)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

TIPOS DE APRENDIZAGEM DE MÁQUINA

▪ APRENDIZAGEM SUPERVISIONADA

• Geração de modelo matemático a partir de dados

de entrada e de saída

▪ APRENDIZAGEM NÃO-SUPERVISIONADA

• Geração de modelo matemático a partir de dados

de entrada

▪ APRENDIZAGEM POR REFORÇO

• Geração de modelo matemático a partir de

recompensas acumuladas

SUPERVISIONADA

NÃO-SUPERVISIONADA

POR REFORÇO

(18)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

TIPOS DE APRENDIZAGEM DE MÁQUINA

▪ APRENDIZAGEM SUPERVISIONADA

• Geração de modelo matemático a partir de dados de entrada e de saída

Entradas

Saídas

Obs X1 X2 X3 ... Xk Y 1 x11 x21 x31 ... xk1 y1 2 x12 x22 x32 ... xk2 y2 3 x13 x23 x33 ... xk3 y3 ... ... ... ... ... ... ... n x1n x2n x3n ... xkn yn Obs X1 X2 X3 ... Xk Y 1 x11 x21 x31 ... xk1 ? ... ... m x1m x2m x3m ... xkm ?

Base de

Teste

(Validação)

Base para

Previsão

Base de

Treinamento

(Calibração)

(19)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CASO: REPROVAÇÃO DE ALUNOS

▪ APRENDIZAGEM SUPERVISIONADA

Entradas

Saídas

Classificação

• Número de faltas (inteiro)

• Disciplinas anteriores (lista de categóricas) • Notas nas disciplinas anteriores (lista de reais) • Tempo de dedicação (real)

• Escola do ensino médio (categórica/ordinal) • Tempo de locomoção (real0

• Trabalha (dummy)

• Renda familiar mensal (real) • Acesso a Internet (ordinal) • Filhos (dummy/inteiro) • Residência (categórica) • Renda média • Grau de absenteísmo • Estado civil... • Aprovação (dummy) • Menção (ordinal) • Nota (real)

Regressão

Modelos tradicionais:

𝑌 = 𝛽

₀

+ 𝛽

₁

𝑋

₁

+ 𝛽

₁

𝑋

₁

+ ⋯ + 𝛽

_𝑛

𝑋

_𝑛

Modelos de ML

𝑌 = 𝑓 𝑋

₁

, 𝑋

₂

⋯ , 𝑋

_𝑛,

𝑊

_𝑖

, 𝑍

_𝑗

⋯ ,

(20)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CASO: REPROVAÇÃO DE ALUNOS

▪ APRENDIZAGEM SUPERVISIONADA

Entradas

Saídas

Classificação

• Dia/horário da aula • Razão aluno/professor

• Quantidade de computadores por aluno • Laboratório/Biblioteca

• Quantidade de banheiros por aluno • Recursos por aluno

• Localização da escola

• Renda média dos professores • Formação média dos professores

• Grau de absenteísmo dos professores • Estilo de ensino • Estado civil • Filhos • ... • Aprovação (dummy) • Menção (ordinal) • Nota (real)

Regressão

Modelos tradicionais:

Modelos de ML

• Regressão linear, não-linear

• Regressão em dados de painel

• Redes neurais

• Support vector machines

• Ensemble methods

(21)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CASO: REPROVAÇÃO DE ALUNOS

▪ APRENDIZAGEM SUPERVISIONADA

Entradas

Saídas

Classificação

• Localização da escola

• Acesso por transporte público • Localização do aluno

• Clima/temperatura

• Histórico de navegação (redes sociais, sites, ...) • Perfil de consumo • Estilo de aprendizagem • ... • Aprovação (dummy) • Menção (ordinal) • Nota (real)

Regressão

Modelos tradicionais:

Modelos de ML

• Regressão linear, não-linear

• Regressão em dados de painel

• Redes neurais

• Support vector machines

• Bagging

• Boosting

• Random forest

• ...

(22)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

CASO: ESTILO DE APRENDIZAGEM

▪ APRENDIZAGEM NÃO-SUPERVISIONADA

Entradas

Saídas

• Características dos alunos • Características das escolas • Características dos professores • Características das disciplinas • ...

• ? • ? • ?

Modelos tradicionais:

_{Modelos de ML:}

• Análise de conglomerados

• Análise componentes principais

• Análise fatorial

• ...

• Neural networks

• k-Means clustering

• Density clustering

• Self-organizing maps

• …

Teoria e Prática

• Aprendizado cognitivo

• Aprendizado comportamental

• Aprendizado construtivista

• Aprendizado humanista

• Aprendizado conectivista

• …

(23)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Indicação de vídeos Tempo de visualização Compartilhamento Joinha

Consumo de propaganda Fornecimento de informação

(24)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Métodos de filtragem colaborativa

Métodos baseados em conteúdo

(25)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Item

• Filmes • Livros • Produtos • Viagens • Pessoas • ...

Usuário

• Assinantes • Compradores • Leitores • Espectadores • Viajantes • ...

Matriz de interação

Usuário-Item

• Rating

• Tempo gasto na visualização • Click no ícone

• Deslize sobre imagem • ...

(26)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Item

Usuário

Matriz de interação

Usuário-Item

• Rating

• Deslize sobre imagem • ... Características • Gênero • Idade • Renda • Localização • ...

+

• Atores • Gênero • Duração • País • ...

+

Características

(27)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Item

Usuário

Matriz de interação

Usuário-Item

• Rating

• Deslize sobre imagem • ... Características • Gênero • Idade • Renda • Localização • ...

+

• Atores • Gênero • Duração • País • ...

+

Dados cruzados • Redes sociais • Conexões • Histórico ...

(28)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Item

Usuário

Matriz de interação

Usuário-Item

• Rating

• Deslize sobre imagem • ...

Necessidade de história Estratégias de recomendação

(29)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ TECNOLOGIA: Sistemas de recomendação

Item

• Álgebra linear • Geometria • Funções • Cálculo

Usuário

• Alunos • Professores • ...

Matriz de interação

Usuário-Item

• Nota no exercício

• Tempo gasto na solução do problema • Forma de resolução • Tipo de erro/acerto • ... Características • Gênero • Idade • Renda • Localização • Vocação • Histórico • Perfil • ...

+

• Objetivo • Abstração • Dificuldade • …

+

Dados cruzados • Redes sociais • Conexões • Histórico ...

(30)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

ENSINO E APRENDIZAGEM

▪ Tecnologia: Sistemas de recomendação

Recomendação

• Exercícios • Vídeos • Material de apoio • Reforço • Desafios • ...

Matriz de interação

Usuário-Item

• Nota no exercício

• Tempo gasto na solução do problema • Forma de resolução

• Tipo de erro/acerto • ...

(31)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

▪ TECNOLOGIA: Reconhecimento de sinais

• Acesso à escola

• Identificação de alunos

• Realização de provas virtuais

• Avaliação de exercícios

• Aprimoramento de escrita e fala

• Desenvolvimento de material escrito

• ...

(32)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

▪ TECNOLOGIA: Processamento de linguagem natural

• Correção de textos

• Identificação de problemas

• Avaliação de plágio

• Interação automática om alunos

• Treinamento de pensamento crítico

• ...

(33)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

▪ TECNOLOGIA: Interação com outras tecnologias

• Internet das coisas

• Realidade virtual

• ...

(34)

APRENDIZAGEM DE MÁQUINA:

APLICAÇÕES EM EDUCAÇÃO

▪ IMPACTOS

• Ensino e aprendizado individualizados

• Identificação de pontos fracos e fortes de forma automática

• Melhoria de eficiência

• Reflexos na educação em qualquer nível

• Mudança no paradigma de ensino e aprendizagem

• ...

(35)