Aprendendo IA Se Você Não é Bom em Matemática

Nota do tradutor: Este post é uma tradução de “Learning AI if you suck at math”, originalmente publicado em inglês por Daniel Jeffries, no medium.com.

Se você é igual a mim, você é fascinado por IA.

Talvez você adora ficar descobrindo como botar um programa de reconhecimento de imagens pra rodar em TensorFlow ou Theano? Talvez você é um desenvolvedor de mão cheia ou um arquiteto de sistemas e você conhece computadores incrivelmente bem, mas só há um pequeno problema:

Você é péssimo em matemática.

Está tudo bem! Eu compartilho seu pequeno segredo sujo e tenho alguns livros e websites que vão realmente te ajudar a iniciar a jornada rápido.

Igual a muitas pessoas, meu interesse por máquinas inteligentes não vem da aula de cálculo. Eu venho da ficção científica. Eu ainda lembro quando li “I, Robot” em um bela tarde de verão e ficava imaginando maneiras de burlar as três leis da robótica de Asimov. Ao assisitir obras-primas como 2001: uma odisséia no espaço e Ghost in the Shell, parecia que a qualquer dia um estalo de consciencia pode aparecer no brilhante mar de informação e declarar-se senciente. Quando eu cresci e começei a publicar meus próprios livros de ficção eu imaginei IA como uma força do ambiente onipresente que sempre está lá, como eletricidade, tocando cada aspecto de nossas vidas.

Ao que parece, temos ainda algumas coisas para entender antes da IA Geral brotar no caldo ditital primordial. Praticamente quase nada se concretizou das promessas iniciais da IA feitas nos anos 80 e 90. A excitação não virou realidade e o Inverno da IA foi seguido por outro Inverno da IA.

Tudo mudou nos ultimos anos com o sucesso repentino do Deep Learning.

Talvez você tenha visto a reportagem no New York Times que mostrou como a Google transformou seu serviço de tradução quase da noite para o dia atingindo uma acurácia que rivalizava tradutores profissionais? Em apenas nove meses eles ultrapassaram o que a plataforma conseguiu nos sete anos anteriores combinados.

Quem sabe você leu sobre o garoto que construiu um carro autônomo na sua própria garagem com ferramentas open source? Você pode também ter visto este slide impressionante abaixo que mostra como Deep Learning dominou o Imagenet image recognition competition em apenas alguns anos, diminuindo a taxa de erro de 25% para uma performance melhor que humanos em 2017.

Temos que admitir, IA resolve grandes problemas intratáveis que tem nos desafiado por décadas. Sabemos como dirigir um carro, mas não sabemos como programar máquinas para fazê-lo. Mas podemos deixar as máquinas descobrirem por si mesmas. Desta vez a tecnologia vindo do Vale do Silício não é só uma febre. É real. IA está em alta por boas razões.

Os maiores pesquisadores de IA estão ganhando mais que jogadores de fotebol iniciantes e você quer participar da corrida do ouro. E de novo, você provavelmente leu a reportagem assustadora de que a IA vai devorar todos os empregos e que se você é um engenheiro de software ou um administrador de sistemas é melhor ter certeza de que você tem habilidades para competir em um mundo centrado em IA. Sem problema. Há milhares de tutoriais por aí. Você só precisa começar, certo?

Mas em seguida você se depara com um trecho de artigo igual a esta, do livro revolucionário de Ian Goodfellow’s sobre Deep Learning e você não tem a menor ideia do que ele está falando.

Xiiii!

O problema é que você tem que entender intrincada rede de lógica, termos, símbolos e ideas que são interrelacionadas mas você não tem boa base em nenhuma delas. Então, basicamente parece linguagem alienígena. Você provavelmente entende todo o texto mas as fórmulas são apenas um amontoado de simbolos. É de acabar com qualquer entusiamo, e rápido.

Mas não tema! Nem tudo está perdido.

Estou aqui para te ajudar a atravessar este pântano com alguns livros que vai te fazer devorar números como um savant. Tudo bem, talvez você não vai se tornar um Daniel Tammet, mas você pode deixar pra trás todas as memórias de decorar tabuada e começar já. Você PODE aprender matemática depois de adulto.

Eu já tentei ler vários textos e tutoriais sobre IA. Eu entendo os conceitos intuivamente. Eles fazem muito sentido para mim. O problema é que quando eu vejo um monte de símbolos meu cérebro passa por alto e eu não tenho ideia do que estou lendo. Tenho sido arquiteto de sistemas boa parte de minha vida e não preciso de muita matemática. Há as colas IP para sub-redes e sabendo a distância que a eletricidade pode viajar nos cabos eu posso cortá-los e crimpá-los apropriadamente. Por muito anos, eu precisei compreender como configurar sistemas, como eles trabalham juntos e como mantê-los funcionando. Administração de sistema é muito lógico. Ou está funcionando, ou não está. Já a IA e matemática trabalham em um lado diferente do meu cérebro.

O que eu preciso é de alguns livros básicos tratem adultos como tais. Eu também quero livros que respondem questões sobre como matemática funciona. Na escola, sua razão para aprender era provavelmente “cala a boca e aprenda, se não …” Mas como adulto você precisa de uma razão melhor. Você também quer saber como as coisas funcionam.

O primeiro livro que eu indico é Matemática: uma breve introdução, de Timothy Gowers.

Este livro esmiuça o “porquê” da matemática de maneira brilhante. Ele faz relação com assuntos da vida real, entra na filosofia e a deixa rapidamente porque você realmente não precisa entender realmente se frações existem na natureza ou apenas no nível Platônico. Ao invés disto, Timoty me ajudou a entender matemática como uma camada de abstração. Ele divide os problemas em passos mais simples e claros. A complexidade de criar um modelo que simule de modo preciso as interações de partículas em uma caixa teria que levar em conta uma quantidade estonteante de propriedades físicas do mundo real tais como interferência magnética, gravidade, força de colisão, direção e velocidade inicial das partículas, e muito, muito mais. Acontece que a vida real é uma série de algoritmos complexa. Mas na prática, você não precisa de um modelo perfeito. Ao invés disto, matemática tem como objetivo decompor um problema em seus componentes essenciais. Quais são os fatores críticos? A matemática te dá uma abstração geral do problema que também pode ser utilizada em outras instancias do problema. Em essência, os números não são tão importantes assim. Eles são apenas variáveis. O principal na matemática são as variáveis e as regras. E você pode aprender estas variáveis e regras!

Enquanto você lê este livro talvez você queira ter este site à mão que oferece um guia dos principais símbolos matemáticos. Você pode também usar o guia super conciso para engenheiros chamado Mathematical Notation, by Edward R. Scheinerman. Se você é igual a mim, você irá consultar estes símbolos centenas de vezes antes de fixá-los. Já na segunda página você pode já ter esquecido vários deles! Não se preocupe. Esta guia de consulta é perfeito. Respire fundo, acalme-se e avance calmamente pelos símbolos, um a um, até que você comece a entender esta cadeia louca de hieróglifos. Mesmo que você tenha que consultar cada símbolo mil vezes, faça-o! Não há atalhos para o aprendizado na vida. Você simplesmente tem que trabalhar.

Há ainda dois excelentes livros que podem ajudá-lo a contruir uma boa base matemática. O primeiro é Mathematics for the Nonmathemetician by Morris Kline. O segundo é No Bullshit Guide to Math and Physics by Ivan Savov. Cada um deles segue um estilo diferente. Eu prefiro a “Breve introdução” porque ele vai direto ao ponto e ainda consegue ser bastante compreensível. Já o “Math for Nonmathematicians” é mais profundo e explora mais detalhes sobre a história da matemática e como ela funciona no mundo. Algumas pessoas vão gostar mais desta abordagem. O “No Bullshit” vai direto para equações sem responder porque as coisas funcionam. É basicamente um compêndio de regras. É mas indicado para pessoas menos inclinadas à filosofia.

O próximo livro que eu indico é Algebra Unplugged by Jim Loats and Kenn Amdahl. Há alguns erros de grafia no livro, mas não acho que sejam tão graves. Eu gosto da abordagem lenta inicialmente, mas que acelera rapidamente. Algumas pessoas se irritam com erros de grafia, mas você tem desafios maiores com o que se preocupar. Você está tentando aprender matemática em um momento em que seu cérebro já não tem mais a mesma plasticidade de quando você era jovem! Então, esqueça os erros de grafia e veja o contexto maior. Este livro vai realmente te ajudar a dar os primeiros passos na direção certa.

Quando você dominar a matemática, é hora de mergulhar no Make Your Own Neural Network by Tariq Rashid. Este também contém alguns pequenos erros de grafia, mas tem um excelente Github repo com atualizações que corrigem a maioria dos erros. Este livro é incrivelmente acessível e intuitivo. Ele parece antecipar suas objeções e medos assim que aparecem na sua cabeça! O autor tem um grande talento para descobrir sua resistencia assim que ela aparece. O livro aborda apenas a matemática que você precisa especificamente para redes neurais. Depois ele apresenta o Python, assumindo que você não sabe nada sobre programação. E por fim, ele te leva a escrever sua própria rede neural do zero. É claro que há várias ferramentas por aí que são mais adequadas para programas profissionais. Mas é uma boa ideia tentar construir por você mesmo, para que você compreenda o básico.

Depois deste livro, vamos navegar na web. Há muito tutoriais novos de qualidade surgindo todos os dias. Veja por exemplo o Tensorflow for Poets ou Recurrent Neural Networks for Artists.

O próprio Medium é ótimo para se aprender IA. For exemplo,veja este artigo com uma lista de cursos que você pode fazer para aprender mais por conta própria. Mas e se você não do tipo de gosta de aulas em cursos e prefere estudar sozinho? Sem problemas. Veja esta série de artigos em 8 partes escrita pelo pesquisador em IA, Arthur Juliani. Há ainda uma série chamada Machine Learning is Fun, que é também muito boa, bem aqui no seu site favorito.

[N.T: uma versão em português da série “Machine Learning is Fun!” está disponível neste link.]

Por fim, se você desejar se arriscar para um livro mais avançado, se você estiver mais confiante na suas habilidades para compreender conceitos mais desafiadores. É o livro Deep Learning escrito por Ian Goodfellow, que está disponível online, mas você também pode comprar uma versão impressa (em inglês) na Amazon.

Por enquanto é só. Sinta-se à vontade para acrescentar indicações de livros nos comentários. Cada um de nós aprende de um modo ligeiramente diferente e há um monte de livro interessante que vale a pena compartilhar.

Nota: O autor Daniel Jeffries continua este tema em uma série de artigos. Veja no seu perfil do Medium o resto da série. Se você deseja acompanhar novos artigos dele, recomendamos que você o siga no Medium (Daniel Jeffries). Até o momento a série possui os seguintes artigos (em inglês):

Learning AI if You Suck at Math — Part 1 — Este artigo que você acabou de ler. Até agora é o único que traduzimos desta série.

Learning AI if You Suck at Math — Part 2 — Practical Projects — Neste artigo você será guiado para iniciar seus primeiros projetos de IA.

Learning AI if You Suck at Math — Part 3 — Building an AI Dream Machine — Este artigo demonstra como configurar uma máquina para Deep Learning, instalada com os frameworks mais recentes.

Learning AI if You Suck at Math — Part 4 — Tensors Illustrated (with Cats!) — Este artigo responde uma mistério milenar: o que diabos é um tensor?

Learning AI if You Suck at Math — Part 5 — Deep Learning and Convolutional Neural Nets in Plain English — Aqui nós criamos nosso primeiro programa em Python e exploramos as entranhas das redes neurais!

Learning AI if You Suck at Math — Part 6 — Math Notation Made Easy — Ainda sofrendo para compreender estes símbolos estranhos? Vamos mudar isto agora!

Learning AI if You Suck at Math — Part 7 — The Magic of Natural Language Processing —Entenda como Google e Siri compreendem o que você balbucia.

Se você gostou deste tutorial, adoraríamos que você demonstrasse isso clicando o icone de aplauso. Também sinta-se à vontade para enviar este post por email para os seus amigos! Obrigado.

Nota sobre o autor: Daniel Jeffries é autor, engenheiro e empreendedor. Nas últimas duas décadas, Daniel esteve envolvido com tecnologia, desde Linux à virtualização e containers.

Daniel também é autor de ficção. Seu livro The Scorpion Game,é grátis. Alguns leitores afirmal que é “um sério competidor para o Neuromancer” e “parece um whiskey duplo de qualidade depois de ter bebido cerveja aguada por várias semanas”

Ele também gerencia grupo privado no Facebook, chamado the Nanopunk Posthuman Assassins, onde são discutidos tudo relacionado a tecnologia, ficção científica, fantasia e muito mais.

Daniel ocasionalmente recebe dinheiro pelos links que ele indica nos seus artigos. Entretanto ele compromete-se a recomendar apenas o que ele possui, usa e aprova. Leia a sua política completa aqui.

Originalmente publicado em inglês no blog hackernoon.com, em 7 de janeiro, 2017.