Palestra realizada no evento Women Techmakers Techday Manaus, organizado pelo GDG Manaus em 29 de Abril de 2018.

1. Machine Learning com Python: A
vida como ela é!
Ludimila Gonçalves
ludigoncalves.11@gmail.com
* Inspirada na apresentação ”Machine Learning com Python: Da Teoria ao Primeiro Deploy em Produção” por Bruno
Ábia

2. Quem sou eu?
★ Humaitá-AM
★ Bacharel em Ciência da Computação (UFAM)
★ Mestre em Informática (UFAM)
★ Doutoranda em Informática (UFAM)
★ Cientista de Dados na Lojas Bemol
2

3. Intro
★ Poucos dados
★ Dados limpos e balanceados
★ Desempenho estatístico
★ Modelos complexos
★ Equações robustas
★ Artigos científicos
★ Domínios não são considerados
3
★ Grandes massas de dados
★ Muito pré-processamento e
ruído
★ Modelos simples e eficientes
★ Fluxos de dados constantes
★ Big data
Academia Empresas

4. Intro
O mercado
★ Análise de dados hoje é imprescindível para as organizações
★ Melhoria de regras de negócio, tomada de decisões, economia, etc.
O profissional de ciência dos dados
★ Sempre estar atento às demandas do mercado e aos objetivos do negócio
★ O momento de por em prática todo o conhecimento adquirido na academia
4

5. Aaaah a tecnologia… ♡
5

6. Métodos simples resolvem bem nossa vida!
★ Ensemble + Boosting
○ RandomForest
○ ExtraTrees
○ AdaBoost
○ Gradient Boosting
○ Extreme Gradient Boosting
○ Light Gradient Boosting
6

7. Ensemble + Boosting
Fig. www.analyticsvidhya.com 7

8. Processo de desenvolvimento padrão em ML
8
Base de dados Pré-processamento Extração de
características
Modelo
Previsão/Avaliação
do modelo

9. Processo de desenvolvimento padrão em ML
9
Base de
dados
Pré-processamento Extração de
características
Modelo
Padrão
Previsão/Avaliaçã
o do modelo
Modelo com
tuning
Previsão/Avaliação do
modelo c/ tuning
Estudo de
características
Modelo Padrão p/
novo espaço de
características
Modelo com tuning
p/ novo espaço de
características
Previsão/Avaliação
do modelo
FIM

10. Antes de tudo… analisar bem o problema!
★ Entender o escopo do problema e o objetivo é imprescindível para a estrutura da
experimentação:
○ Ex: previsão de venda -> respeitar a ordem temporal dos dados -> simular a produção
★ Como vai funcionar em produção?
★ O dia da semana faz diferença no meu modelo?
★ É um problema de regressão ou classificação?
★ Quais métricas eu devo usar para avaliar meu modelo?
10

11. É hora de praticar!
★ Problema: prever vendas diárias
★ Desafios:
○ A loja não funciona aos domingos (E AGORA? /o)
○ O(s) modelo(s) (por onde começo?)
★ Abordagem:
○ Modelos de regressão
○ Experimentação com walk forward
○ Mean Absolute Error - MAE + Mean Absolute Percentage Error MAPE
11

12. Metodologia Experimental
1212
Base de
dados
Pré-processamento Extração de
características
Baseline MAE e MAPE Modelo
sofisticado
MAE e MAPEPrevisão/Avaliação
do modelo c/ tuningMAE e MAPE
FIM

13. Nossos dados
13

14. Pré-processamento
14

15. Extração de características
15

16. Abordagem experimental: Walk-Forward
16

17. Os datasets
17

18. Algumas estatísticas...
18

19. Construindo um baseline...
19

20. Construindo um baseline...
★ Resultados para o primeiro teste
20

21. 21
Construindo um baseline...
★ Resultados para o segundo teste

22. Análise dos dados
22

23. Análise dos dados
23

24. Construindo uma abordagem mais sofisticada...
24

25. Construindo uma abordagem mais sofisticada...
★ Resultados para o primeiro teste
25

26. Construindo uma abordagem mais sofisticada...
★ Importância das características
26

27. Construindo uma abordagem mais sofisticada...
★ Resultados para o segundo teste
27

28. Construindo uma abordagem mais sofisticada...
★ Resultados para o segundo teste
28
Com o walk-forward nós
diminuímos o ruído nos dados!!

29. Tuning dos paramêtros do modelo!
29

30. Nosso resultado tunadão
★ Resultados para o segundo teste com tuning de parâmetros
30

31. O que ainda poderia ser feito??
★ Análise de características para diminuir o espaço (caso tivéssemos mais
características)
★ Combinação de modelos
★ Testar com mais janelas de dados
31

32. Agora é só armazenar o modelo para a produção
32

33. Conclusão
★ Previsão de vendas - meu primeiro projeto da vida real!
★ Não devemos somente nos preocupar com os algoritmos de machine learning, a
análise do problema é essencial ;)
★ Machine learning no dia-a-dia não precisa de um super melhor modelo do mundo
★ Não precisa ser um super guru de machine learning para fazer coisas como
vimos hoje :))
33

34. DICAS DA ALEGRIA!!
★ Tutoriais são vida gente!
★ Você vai se tornar melhor amigo da documentação do scikit-learn e do pandas,
não se preocupe em não saber funções decoradas, ok?
★ Meus guias espirituais:
○ https://towardsdatascience.com/
○ https://machinelearningmastery.com/
○ https://www.analyticsvidhya.com/
○ http://kaggle.com/
34

35. 35