Como As Big Data Podem Dizer Qual o Proximo Livro Para Ler.

By JP George, Published By SAP

Se VC gosta de ler, mas ainda não encontrou o próximo livro para ler, o seu SmartPhone pode ter as condições de sugerir um. A IA (Inteligencia Artificial) agora já esta em condições para classificar a literatura no sentido de prever o próximo best-seller – uma espécie de sistema de recomendações sem a  metadata, mas com os padrões e temas encontrados nos livros.

Os editores ao redor do mundo estão pesquisando todos os tipos de dados, incluindo o que esta nos próprios livros, para buscar a formula magica no sentido de avaliar o potencial do livro no mercado. Com mais informações de marketing, os editores esperam informar melhor aos seus clientes.

Recomendando um romance popular

Assim sendo, como a IA determina o que nos queremos ler ? O que acontece e que certos padrões emocionais nos mantem envolvidos e interessados enquanto lemos um romance. Kurt Vonnegut primeiramente descreveu as curvas dos mapas emocionais em 1995. Agora, com a ajuda da IA e analises da emoção, estes mapas podem ser extraídos quantitativamente. Pela combinação destas linhas de curvas emocionais, os pesquisadores da Stanford Literary Lab dizem estar em condições para detectar o próximo romance blockbuster.

As maquinas pensam através dos dados

Sob o manto de tais informações da IA temos as Big Data e aprendizado das maquinas (AM). O conceito das Big Data, não significam grandes quantidades de dados, mas também aquilo que os dados tratam como varias fontes diferentes de dados e tipos (e.g., áudio, vídeo, imagens, textos, etc.) que são sempre desestruturados (ao contrario dos bancos de dados tradicionais incluindo os banco de dados com campos bem definidos). O aprendizado das maquinas (AM) envolve também os algoritmos que utilizam os dados desestruturados para prever classes de membros assinantes. Isto e possível graças ao conhecimento prévio dos tempos nos quais as classes já estão definidas e treinando como AM e os algoritmos como exemplo (aprendizado supervisionado) ou deixando que os algoritmos descubram os padrões subjetivos (aprendizados sem supervisão). Os métodos de aprendizagem de maquinas incluem um conjunto de técnicas de espaço para vetores (analises dos principais componentes, K-mais perto dos vizinhos e suporte para os vetores das maquinas), decisões de arvores livres das técnicas ( classificacao e regressão de arvores, florestas aleatórias), gradientes e métodos baseados em Bayesian, networks artificiais neurais (ANN), e outros. Varios tutoriais de métodos de aprendizado das maquinas podem ser encontrados aqui. As ANNs estavam entre os primeiros algoritmos para serem aplicados para soluções de problemas em IA, as quais começaram há muito tempo atrás, nos anos 1940. Por varias razoes, o seu uso foi desprezado e deslustrados ao longo dos anos, mesmo assim o interesse foi ressurgindo recentemente com o advento sem precedentes de aprendizado profundo. Este crescimento profundo tem levado ao que o New York Times chama de um grande despertar, dado a habilidade do Google para traduzir textos em mais de 100 linguas.

Como a IA descobre os sentimentos e as emoções dos textos !  

Imagine extrair automaticamente o sentimento ou o impacto emocional de um trabalho literário. Para um computador compreender um texto, o que e normalmente chamado de processamento de linguagem NLP , AI (Inteligencia Artificial) Algoritmos, em primeiro lugar encontram uma representação matemática de que uma maquina pode compreender, o que aquilo contem de informações maximizadas sobre os textos. Uma simples representação chamada de “bolsa de palavras” (como o nome infere) e uma colecao de palavras que aparecem juntas, mas sem nenhum nexo especifico, dos quais a frequência dos grupos de palavras poderiam ser certificados. Isso poderia fornecer informações suficientes para a classificação de temas, mas iria cair de maneira miseravel, para a compreensão das frases se a ordem das palavras tivesse realmente a importância devida.

Duas representações que poderiam quantificar as informações associadas as ordens das sentenças são Word 2Vec e Glove. Mais sobre as representações NLP pode ser ensinado através deste tutorial, enquanto um tutorial da Tensor-Flow em cima do Word2vec pode ser encontrado aqui. Na medida que as sentenças forem convertidas para representações significativas, um modelo de linguagem e necessário para discernir emoções positivas das emoções negativas. Um método poderia servir de uso para um procedimento de aprendizado supervisionado com networks profundamente neurais, com tem sido feito para compreender as criticas de filmes. Uma outra maneira seria permitir uma network profundamente neural para descobrir os padrões emocionais por si mesmos. Isso e um poder real por traz do aprendizado profundo : as suas habilidades para ensinar a si mesmo, e com mais Big Dados para aprender mais.

BH 27 10 2017

Uma pequena informação, quando compartilhada pode percorrer um grande caminho, mas inevitavelmente sempre ira encontrar seu legitimo destinatário !

Pesquisa, Tradução e Divulgação : Miguel Moyses Neto Visite nosso linkedin  http://br.linkedin.com/pub/miguel-moyses-neto/28/971/9aa  -- Se Gostou Desta Materia Divulgue Para Seus  Amigos !!! --Visite Tambem Nosso Twitter : @mikenetIT – Uma Fonte Das Principais Agencias, Personagens e Links de Noticias Do Mundo Inteiro !!! Ou Veja Tambem Nosso Blog : http//linktomike.blogspot.com

Bremense Participacoes Ltda- Desde1940
	mikenet9@gmail.com