Machine Learning: Entendendo Aprendizagem Supervisionada e Não Supervisionada


 

O Aprendizado de Máquinas ou Machine Learning está presente em diferentes mercados nos mais variados setores da sociedade. Esta área de Inteligência Artificial (AI) possibilita desenvolver algoritmos capazes de aprender a executar uma determinada atividade sem que ela seja explicitamente programada e otimizar o seu desempenho durante execuções repetitivas.

Ou seja: assim como boa parte do aprendizado humano provém da prática, Machine Learning permite que máquinas tenham a capacidade de autoaperfeiçoamento na realização de tarefas específicas.

Computadores realmente são capazes de aprender ?
Infelizmente ainda não sabemos como fazer computadores aprender de uma maneira similar a maneira como os
humanos aprendem. Entretanto, foram desenvolvidos algoritmos que são eficientes em certos tipos de tarefas de aprendizagem, como veremos mais a seguir.

Machine Learning é o conceito de ensinar máquinas a executar tarefas com ou sem supervisão, prevendo um resultado de acordo com os parâmetros informados.

Existem dois principais tipos de Aprendizado de Máquina: Modelos Supervisionados e Não Supervisionados.

Nos modelos de Machine Learning não supervisionado  (Unsupervised Learning ) não temos um resultado esperado. Imagine um modelo que deseja saber a melhor rota para um carro chegar ao seu destino, esse é um caso de Machine Learning não supervisionado, onde não há um resultado esperado ou resposta certa. Imagina que você foi contratado para seu novo emprego aonde você terá que monitorar milhares de e-mails que chegam todos os dias para seus clientes e sinalizar quais deles são spam e quais não são, trata-se de um caso de Machine Learning supervisionado  (Supervised Learning) onde nós temos um resultado esperado para a nossa previsão: se o e-mail recebido é spam ou não.
Outro exemplo de Aprendizado Supervisionado, considerando um agente treinando para ser se tornar um motorista de táxi. Toda vez que o instrutor gritar “freio!” o agente pode aprender uma condição de quando ele deve frear. A entrada é formada pelos dados percebidos pelo agente através de sensores. A saída é dada pelo instrutor que diz quando se deve frear, virar a direita, virar a esquerda, etc.

Aprendizado Não Supervisionado o agente pode reconhecer padrões nos dados de entrada, mesmo sem nenhum feedback de saída. Por exemplo, o agente aprendendo a dirigir pode gradualmente desenvolver um conceito de dias bom trafego e dias de trafego congestionado mesmo sem nunca ter recebido exemplos classificados por um Professor/Pessoa.

Agora é preciso preparar o modelo. Como você fará isso? Reunindo as informações necessárias do dataset que você definiu no passo anterior. As informações precisam estar claras e precisas para não “sujar” o modelo. Tenha em mente o seguinte: Se sua base de dados não for correta, seu modelo também não será.

Os principais modelos de algoritmo de aprendizado são Classificação e Regressão/Previsão.

Agora, é hora de escolhermos o algoritmo de previsão. Trata-se da forma que queremos que nosso modelo use para prever dados. Existe muitos exemplos que atendem a demandas específicas, como Naive Bayes, K-Nearest Neighbor, Decision Tree, Redes Neurais, Support Vector Machine (Supervised Learning); e K-Means, Clustering (Unsupervised Learning) Ficaria inviável listar e explicar todos nesse artigo, mas que podemos ver em outro momento, mas vamos apenas deixar lembrado que alguns dos principais tipos de algoritmos de Machine Learning são: Classificação e Regressão.

 

Classificação e Regressão

Um algoritmo de Classificação irá fazer exatamente isso: classificar o resultado da previsão. Responde se uma determinada “entrada” pertence a uma certa classe. Dada a imagem de uma face: de quem é esta face.

Já os de Regressão tentam prever um determinado resultado com base em variáveis anteriores. Um bom exemplo para ilustramos é de um algoritmo que deve prever se as ações de uma determinada empresa irão subir ou descer. Esse algoritmo usaria, por exemplo, técnicas de regressão linear para determinar tal resultado.

Faz uma predição a partir de um exemplo. Predizer o valor da bolsa amanhã, dados os valores de dias e meses anteriores.

Há muitos conteúdos para serem aprendidos, como os diferentes tipos de algoritmos, melhores práticas para criação de poderosos modelos, entender como os modelos funcionam por debaixo dos panos, etc.

Links recomendados para aprender mais sobre Machine Learning:

https://www.edx.org/course/principles-machine-learning-microsoft-dat203-2x-5

https://studio.azureml.net/

https://docs.microsoft.com/pt-br/azure/machine-learning/studio/what-is-ml-studio

https://channel9.msdn.com/Blogs/Azure/Getting-Started-with-Azure-ML-Studio

 

Obrigado pela visita, e até mais.

🙂

Share on FacebookTweet about this on TwitterShare on LinkedIn


Escreva um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *