{"id":49,"date":"2023-01-15T14:24:48","date_gmt":"2023-01-15T14:24:48","guid":{"rendered":"http:\/\/thedataprocessblog.com\/?p=49"},"modified":"2023-01-15T14:24:49","modified_gmt":"2023-01-15T14:24:49","slug":"o-que-e-machine-learning","status":"publish","type":"post","link":"https:\/\/thedataprocessblog.com\/?p=49&lang=pt","title":{"rendered":"O que \u00e9 Machine Learning?"},"content":{"rendered":"\n

Machine learning ou aprendizado de m\u00e1quina \u00e9 um ramo da Intelig\u00eancia Artificial e, como tal, \u00e9 um campo da ci\u00eancia que tenta criar modelos para tomar decis\u00f5es melhores ou mais r\u00e1pidas<\/strong>. Especificamente, os algoritmos de aprendizado de m\u00e1quina fazem isso analisando dados e adaptando-se a eles. \u00c0 medida que o modelo se adapta, ele se torna, idealmente, mais preciso nas suas previs\u00f5es.<\/p>\n\n\n\n

Ok, mas como isso \u00e9 \u00fatil?<\/h3>\n\n\n\n

Os casos mais \u00fateis de aprendizado de m\u00e1quina s\u00e3o casos em que \u00e9 muito dif\u00edcil formular um algoritmo para resolver o problema<\/strong>. Um exemplo \u00e9 a classifica\u00e7\u00e3o de objetos em imagens. Imagine tentar criar um algoritmo para classificar os gr\u00e3os de caf\u00e9 como podres ou saud\u00e1veis, a cor \u00e9 importante, mas tamb\u00e9m \u00e9 como os gr\u00e3os podem estar orientados na foto, a que dist\u00e2ncia eles est\u00e3o da c\u00e2mera (pois isso afetaria seu tamanho na imagem) e muitos outros fatores. Isso pode se tornar uma tarefa quase imposs\u00edvel.<\/p>\n\n\n\n

Mas como n\u00f3s, humanos, podemos fazer isso sem nem pensar?<\/strong> Temos todas essas regras e padr\u00f5es em nossas mentes que foram aprendidos<\/strong>. E \u00e9 exatamente isso que os modelos de aprendizado de m\u00e1quina far\u00e3o. Essencialmente, todos os aspectos relevantes dos dados (chamados de features<\/em>), ser\u00e3o utilizados pelo modelo de forma que ele tente \u201centender\u201d o efeito deles no resultado esperado.<\/p>\n\n\n\n

Como voc\u00ea pode imaginar, a primeira coisa a descobrir \u00e9 a pergunta que est\u00e1 sendo feita. Isso \u00e9 um problema de previs\u00e3o ou classifica\u00e7\u00e3o? Em que estou interessado? Estou interessado em saber um n\u00famero, por exemplo, a temperatura para amanh\u00e3 na minha cidade ou quero saber se os gr\u00e3os de caf\u00e9 em uma imagem est\u00e3o estragados ou bons para consumo?<\/p>\n\n\n\n

Uma vez formulada a quest\u00e3o, deve haver a garantia de que os dados em m\u00e3os s\u00e3o confi\u00e1veis, limpos e suficientes<\/strong> para a precis\u00e3o necess\u00e1ria do modelo. \u00c0 medida que a complexidade do problema aumenta, tamb\u00e9m aumenta o tamanho da amostra de treinamento necess\u00e1rio. Algoritmos tamb\u00e9m n\u00e3o s\u00e3o inteligentes como humanos (ainda), ent\u00e3o eles geralmente precisam de MUITO dado para entender e generalizar bem. Muito mais que um humano precisaria.<\/p>\n\n\n\n

Os m\u00e9todos de aprendizagem<\/h2>\n\n\n\n

Os algoritmos de aprendizado de m\u00e1quina t\u00eam 4 tipos de m\u00e9todos de aprendizado: aprendizado supervisionado (supervised)<\/em>, n\u00e3o supervisionado (unsupervised<\/em>), semissupervisionado (semi-supervised<\/em>) e por refor\u00e7o (reinforcement learning<\/em>).<\/p>\n\n\n\n

Aprendizado supervisionado (supervised<\/em>)<\/h3>\n\n\n\n

O modelo usa dados rotulados para aprender. O que isso significa \u00e9 que: algo (geralmente um ser humano) tem que dizer ao modelo o que \u00e9 o qu\u00ea nos exemplos da amostra de treinamento\/teste. Este m\u00e9todo de aprendizado geralmente oferece melhor precis\u00e3o do que o m\u00e9todo n\u00e3o supervisionado, mas como ele tem o requisito de que os dados precisam ser rotulados, o processo de coleta de dados pode ser invi\u00e1vel. Os alvos deste tipo de modelos s\u00e3o classes ou valores num\u00e9ricos. Os casos de uso s\u00e3o muito amplos e os modelos podem ser usados teoricamente para qualquer coisa que seja dividida em classes ou seja medida como um n\u00famero.<\/p>\n\n\n\n

Aprendizado n\u00e3o supervisionado (unsupervised<\/em>)<\/h3>\n\n\n\n

Nesse m\u00e9todo de aprendizado, o modelo aprende com dados n\u00e3o rotulados, o que significa que ele tenta identificar semelhan\u00e7as com os dados fornecidos. Embora esse m\u00e9todo de aprendizado produza resultados menos confi\u00e1veis do que os supervisionados, eles aproveitam o fato de que dados n\u00e3o rotulados s\u00e3o muito mais f\u00e1ceis de obter. Os alvos desses modelos s\u00e3o associa\u00e7\u00f5es (entre pontos de dados) ou clusters<\/em> (grupos). Exemplos de casos de uso s\u00e3o perfis de clientes de marketing (agrupamento) para comportamento semelhante e itens de compra relacionados (associa\u00e7\u00e3o).<\/p>\n\n\n\n

Aprendizado semissupervisionado (semi-supervised<\/em>)<\/h3>\n\n\n\n

Este m\u00e9todo \u00e9 uma mistura dos dois, parte dos dados \u00e9 rotulada, mas a maioria n\u00e3o \u00e9. Pode ser \u00fatil se houver muitos dados n\u00e3o rotulados e dados rotulados suficientes<\/strong> para tirar algumas conclus\u00f5es sobre os dados n\u00e3o rotulados. Os dados rotulados s\u00e3o usados para ajustar um modelo para prever os r\u00f3tulos dos dados n\u00e3o rotulados. Ent\u00e3o, um modelo supervisionado pode aprender usando os dados totais.<\/p>\n\n\n\n

Aprendizado por refor\u00e7o (reinforcement<\/em>)<\/h3>\n\n\n\n

O aprendizado por refor\u00e7o usa uma abordagem diferente para aprender padr\u00f5es: um agente realiza diferentes a\u00e7\u00f5es em um ambiente e depois avalia se o resultado dessas a\u00e7\u00f5es foi bom ou ruim, desta forma, refor\u00e7a os bons padr\u00f5es e penaliza os padr\u00f5es ruins. Situa\u00e7\u00f5es em que n\u00e3o se pode determinar se uma a\u00e7\u00e3o \u00e9 boa ou ruim s\u00e3o casos de uso desse m\u00e9todo. O melhor e mais comum exemplo \u00e9 um jogo, porque as regras s\u00e3o claras, o objetivo do resultado \u00e9 claro, mas a qualidade das jogadas nem sempre \u00e9 clara. Outros exemplos s\u00e3o caminhar (ou voar) do ponto A ao ponto B.<\/p>\n\n\n\n

Espero que tenha gostado desse post, sinta-se convidado a comentar e mandar mensagens!<\/p>\n","protected":false},"excerpt":{"rendered":"

Machine learning ou aprendizado de m\u00e1quina \u00e9 um ramo da Intelig\u00eancia Artificial e, como tal, \u00e9 um campo da ci\u00eancia que tenta criar modelos para tomar decis\u00f5es melhores ou mais r\u00e1pidas. Especificamente, os algoritmos de aprendizado de m\u00e1quina fazem isso analisando dados e adaptando-se a eles. \u00c0 medida que o modelo se adapta, ele se … Continue reading O que \u00e9 Machine Learning?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[9],"tags":[],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/posts\/49"}],"collection":[{"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=49"}],"version-history":[{"count":2,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/posts\/49\/revisions"}],"predecessor-version":[{"id":54,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=\/wp\/v2\/posts\/49\/revisions\/54"}],"wp:attachment":[{"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=49"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=49"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thedataprocessblog.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=49"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}