O que é Aprendizado de Máquina?

(Machine Learning)

O aprendizado de máquina é uma parte da inteligência artificial que ensina computadores a aprenderem com exemplos e a fazerem coisas melhores com o tempo, sem precisar serem programados diretamente para cada coisa que fazem. É como ensinar um computador a reconhecer imagens de gatos sem dizer exatamente como fazer isso. Em vez disso, ele aprende observando muitas fotos de gatos e descobrindo padrões por conta própria.

Podemos separar o processo de aprendizados em três etapas:

• Treinamento : Durante esta etapa, o algoritmo é alimentado com um conjunto de dados de treinamento que contém exemplos representativos da tarefa que se deseja realizar, juntamente com as respostas corretas (rótulos). O algoritmo então ajusta seus parâmetros internos para aprender a relação entre as entradas e as saídas esperadas.

• Validação : Após o treinamento, o modelo resultante é testado em um conjunto de dados de validação para avaliar seu desempenho e fazer ajustes necessários nos parâmetros do modelo.

• Testes : Finalmente, o modelo treinado é avaliado em um conjunto de dados de teste separado, que não foi usado durante o treinamento ou validação, para medir seu desempenho em situações do mundo real.

E ele tem em uma ampla gama de aplicações em diversas áreas, incluindo:

• reconhecimento de padrões
• processamento de linguagem natural
• visão computacional
• previsão de séries temporais
• diagnóstico médico
• recomendação de produtos e muito mais

Machine Learning como função:

Em muitos casos de aprendizado de máquina, podemos representar a relação entre as entradas (x) e as saídas (y) como uma função matemática, denotada por y = f(x).

y = f(x)

• x: Representa as entradas, ou seja, os dados que fornecemos ao modelo para fazer previsões ou tomar decisões. Estes podem ser valores numéricos, imagens, texto, etc.

• y: Representa as saídas, ou seja, os resultados que o modelo produz com base nas entradas. Dependendo do problema, essas saídas podem ser números (por exemplo, previsões de preços de imóveis), categorias (por exemplo, tipo de animal em uma imagem) ou até mesmo ações (por exemplo, comprar ou não um produto).

• f: Representa a função que mapeia as entradas para as saídas. O objetivo do aprendizado de máquina é descobrir essa função, ou aproximá-la da melhor maneira possível, de modo que as previsões do modelo sejam próximas dos resultados reais.

Os Tipos de Aprendizado de Máquina

Aprendizado supervisionado (Supervised machine learning)

Objetivo é aprender uma função que mapeia as entradas para as saídas com base nos exemplos fornecidos nos dados de treinamento. Essa função pode então ser usada para fazer previsões sobre novos dados para os quais as saídas reais são desconhecidas. Em resumo, no aprendizado supervisionado, o algoritmo é supervisionado por exemplos rotulados durante o treinamento, o que o capacita a fazer previsões ou tomar decisões com base nos padrões aprendidos nos dados de treinamento.

Podemos separar em Regressão e Classificação:

Regressão

• Definição: Regressão é uma técnica de aprendizado supervisionado usada para prever um valor numérico com base em variáveis independentes. É útil quando queremos prever uma saída contínua.

• Exemplo: Um exemplo comum de regressão é prever o preço de uma casa com base em suas características, como tamanho, número de quartos, localização, etc. Aqui, o preço é a variável dependente (saída) e as características são as variáveis independentes (entradas).

• Modelo: Um modelo de regressão aprende uma função que mapeia as variáveis independentes para a variável dependente. Este modelo pode ser linear, como na regressão linear, ou não linear, como na regressão polinomial ou em modelos de árvore de decisão.

Classificação

• Definição:Classificação é outra técnica de aprendizado supervisionado usada para prever a classe ou categoria a qual um determinado ponto de dados pertence. É útil quando queremos categorizar os dados em grupos distintos.

Classificação Binária

• Na classificação binária, o rótulo determina se o item observado é (ou não é) uma instância de uma classe específica. Em outras palavras, os modelos de classificação binária preveem um de dois resultados mutuamente exclusivos.

Por exemplo:

• Se um paciente está em risco de diabetes com base em métricas clínicas como peso, idade, nível de glicose no sangue, etc.

• Se um cliente bancário vai ou não entrar em inadimplência com base em renda, histórico de crédito, idade e outros fatores.

• Se um cliente de lista de mala direta responderá positivamente a uma oferta de marketing com base em atributos demográficos e compras anteriores.

Em todos esses exemplos, o modelo faz uma previsão binária verdadeiro/falso ou positivo/negativo para uma única classe possível.

Classificação Multiclasse

• A classificação multiclasse estende a classificação binária para prever um rótulo que representa uma das múltiplas classes possíveis.

Por exemplo:

• A espécie de um pinguim (Adélia, Gentoo ou Chinstrap) com base em suas medidas físicas.

• O gênero de um filme (comédia, terror, romance, aventura ou ficção científica) com base em seu elenco, diretor e orçamento.

• Na maioria dos cenários que envolvem um conjunto conhecido de várias classes, a classificação multiclasse é usada para prever rótulos mutuamente exclusivos. Por exemplo, um pinguim não pode ser tanto Gentoo quanto Adélia. No entanto, também existem alguns algoritmos que podem ser usados para treinar modelos de classificação multirrótulo, nos quais pode haver mais de um rótulo válido para uma única observação. Por exemplo, um filme poderia ser categorizado como ficção científica e comédia ao mesmo tempo.

Enquanto a regressão é usada para prever valores numéricos, como preços ou quantidades, a classificação é usada para prever classes ou categorias, como spam ou não spam. Ambas são técnicas valiosas em aprendizado de máquina e têm uma ampla gama de aplicações em diversos domínios.

Aprendizado não supervisionado (Unsupervised machine learning)

Ao contrário do aprendizado supervisionado, não há saídas desejadas conhecidas associadas aos exemplos de entrada.

O objetivo do aprendizado não supervisionado é encontrar padrões, estrutura ou grupos nos dados que podem não ser aparentes à primeira vista. Em vez de fazer previsões ou tomar decisões específicas, o objetivo é explorar e compreender os dados. No aprendizado não supervisionado, os algoritmos exploram os dados por conta própria, sem orientação de rótulos ou saídas desejadas. Eles são capazes de encontrar padrões, estrutura e grupos nos dados, o que pode fornecer insights valiosos para análise e tomada de decisões.

Clustering, ou agrupamento

• o clustering é uma técnica poderosa para explorar a estrutura intrínseca em conjuntos de dados não rotulados, agrupando objetos semelhantes em clusters distintos. Ele é amplamente utilizado em uma variedade de domínios para descobrir padrões e insights úteis nos dados.

links: https://learn.microsoft.com/en-us/training/modules/fundamentals-machine-learning/3-types-of-machine-learning