Aprendizado de Máquina - O que é?

A baby learns to crawl, walk and then run. We are in the crawling stage when it comes to applying machine learning. -Dave Waters

Machine Learning (ML) é a ciência de fazer com que os computadores usem dados e informações para aprender e aprimorar seus conhecimentos ao longo do tempo.

As máquinas passam por um processo de aprendizado automático, que consiste na observação de dados históricos, identificando padrões que preveem observações futuras e, por fim, apoiam o processo de tomada de decisão.

---

I. Tipos de aprendizado de máquina

A base do ML é "Aprendizado". Os tipos de aprendizado usados principalmente incluem:

1. Aprendizado de máquina supervisionado

É o processo de usar algoritmos para aprender mapeando uma entrada (x) para uma saída (Y) para atingir um alto nível de previsão ( Y) com novos dados de entrada (x).

É denominado supervisionado porque é como ter um professor supervisionando o processo para garantir o grau de previsão.

Os problemas de aprendizado supervisionado incluem:

· Classificação: quando as variáveis de saída são uma categoria, como "Ativo" ou "Perdido para acompanhamento" e "morto".

· Regressão: quando a variável de saída é um valor numérico como "Peso" ou "Taxa de retenção".

2. Aprendizado de máquina não supervisionado

É o processo de usar algoritmos para aprender mais sobre os dados. Aqui os dados de entrada (x) estão disponíveis e não há variável de saída correspondente (Y).

É sem supervisão porque não há resposta certa ou errada e não há professor. Os algoritmos exploram, aprendem e apresentam a estrutura nos dados.

Os métodos não supervisionados convencionais são:

· Clustering: usado para descobrir agrupamentos

· Associação: usada para estabelecer associação entre variáveis dentro de grandes bancos de dados.

3. Aprendizagem semi-supervisionada

Uma realidade encontrada em muitos dos conjuntos de dados do mundo real; é o processo de usar algoritmos para aprender o mapeamento de entrada (x) para uma saída (Y) onde apenas alguns dos dados são rotulados (Y).

Neste método, algoritmos de aprendizado não supervisionados são usados para explorar as variáveis de entrada (x) e algoritmos de aprendizado supervisionado são usados para fazer previsões para os dados não rotulados (Y) e, em seguida, use os dados no algoritmo supervisionado como dados de treinamento para prever novos dados.

4. Aprendizagem por reforço

É um método de aprendizado onde os algoritmos tentam continuamente encontrar a melhor solução ou caminho possível para uma situação atual. Ele difere dos outros métodos porque não há dados de treinamento com variáveis de entrada (x) e saída (Y). Aqui, o algoritmo aprende sequencialmente a partir de sua própria experiência.

No aprendizado por reforço, o algoritmo interage com seus ambientes, o que significa que a saída depende do estado da entrada atual e a próxima entrada depende da saída da entrada anterior.

---