É um exemplo de uma aplicação de um algoritmo de machine learning?

SAS Insights
Insights sobre Análise de Dados

Índice Show

O que é e qual sua importância?
Evolução do machine learning
Machine learning e inteligência artificial
Quais são os métodos mais populares de machine learning?
Leia mais sobre este assunto
É um exemplo de uma aplicação de um algoritmo de aprendizado de máquina?
O que é machine learning exemplos?
Quais são as aplicações do machine learning?
Quais são os algoritmos de machine learning?

O que é e qual sua importância?

O aprendizado de máquina (em inglês, machine learning) é um método de análise de dados que automatiza a construção de modelos analíticos. É um ramo da inteligência artificial baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana.

Evolução do machine learning

Graças às novas tecnologias computacionais, o machine learning de hoje não é como o machine learning do passado. Ele nasceu do reconhecimento de padrões e da teoria de que computadores podem aprender sem serem programados para realizar tarefas específicas; pesquisadores interessados em inteligência artificial queriam saber se as máquinas poderiam aprender com dados. O aspecto iterativo do aprendizado de máquina é importante porque, quando os modelos são expostos a novos dados, eles são capazes de se adaptar independentemente. Eles aprendem com computações anteriores para produzir decisões e resultados confiáveis, passíveis de repetição. Isso não é uma ciência nova – mas uma ciência que está ganhando um novo impulso.

Embora diversos algoritmos de machine learning existam há muito tempo, a capacidade de aplicar cálculos matemáticos complexos ao big data automaticamente – de novo e de novo, mais rápido e mais rápido – é um desenvolvimento recente. Eis alguns exemplos bem conhecidos de aplicações de machine learning, dos quais você já deve ter ouvido falar:

Os carros autônomos super esperados do Google? A essência do machine learning;
Ofertas recomendadas como as da Amazon e da Netflix? Aplicações de machine learning para o dia-a-dia;
Saber o que seus clientes estão falando de você no Twitter? Machine learning combinado com criação de regras linguísticas;
Detecção de fraudes? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.

Machine learning e inteligência artificial

Enquanto a inteligência artificial (IA) pode ser definida, de modo amplo, como a ciência capaz de mimetizar as habilidades humanas, o machine learning é uma vertente específica da IA que treina máquinas para aprender com dados. Assista a este vídeo para entender melhor a relação entre a inteligência artificial e o aprendizado de máquina. Você verá como essas duas tecnologias funcionam, com exemplos úteis e alguns apartes divertidos.

Quais são os métodos mais populares de machine learning?

Dois dos métodos mais adotados de machine learning são o aprendizado supervisionado e o aprendizado não-supervisionado – mas eles não são os únicos. Eis os tipos mais populares:

Algoritmos de aprendizado supervisionado são treinados por meio de exemplos rotulados, como uma entrada na qual a saída desejada é conhecida. Por exemplo, um equipamento poderia ter pontos de dados rotulados como “F” (falha) ou “E” (executa). O algoritmo de aprendizado recebe um conjunto de entradas junto com as saídas corretas correspondentes, e aprende ao comparar a saída real com as saídas corretas para encontrar erros. Ele, então, modifica o modelo de acordo. Através de métodos como classificação, regressão e gradient boosting, o aprendizado supervisionado utiliza padrões para prever os valores de rótulos em dados não-rotulados adicionais. O aprendizado supervisionado é comumente empregado em aplicações nas quais dados históricos preveem eventos futuros prováveis. Por exemplo, ele pode antecipar quando transações via cartão de crédito são passíveis de fraude ou qual segurado tende a reivindicar sua apólice.

O aprendizado não-supervisionado é utilizado contra dados que não possuem rótulos históricos. A "resposta certa" não é informada ao sistema. O algoritmo deve descobrir o que está sendo mostrado. O objetivo é explorar os dados e encontrar alguma estrutura dentro deles. O aprendizado não-supervisionado funciona bem com dados transacionais. Por exemplo, ele pode identificar segmentos de clientes com atributos similares que podem, então, ser tratados de modo igualmente similar em campanhas de marketing; ou ele pode encontrar os principais atributos que separam segmentos distintos de clientes. Técnicas populares incluem mapas auto-organizáveis, mapeamento por proximidade, agrupamento k-means e decomposição em valores singulares. Esses algoritmos também são utilizados para segmentar tópicos de texto, recomendar itens e identificar pontos discrepantes nos dados.

Aprendizado semi-supervisionado é utilizado para as mesmas aplicações que o aprendizado supervisionado. Mas este aqui manipula tanto dados rotulados quanto não-rotulados para treinamento – normalmente uma pequena quantidade de dados rotulados com uma grande quantidade de dados não-rotulados (porque dados sem rótulos são mais baratos e demandam menos esforços para serem adquiridos). Esse tipo de aprendizado pode ser empregado com métodos como classificação, regressão e previsão. O aprendizado semi-supervisionado é útil quando o custo associado à rotulação é muito alto para possibilitar um processo de treinamento totalmente rotulado. Exemplos básicos incluem a identificação do rosto de uma pessoa em uma webcam.

Aprendizado por reforço é normalmente utilizado em robótica, jogos e navegação. Com ele, o algoritmo descobre através de testes do tipo 'tentativa e erro' quais ações rendem as maiores recompensas. Este tipo de aprendizado possui três componentes principais: o agente (o aprendiz ou tomador de decisão), o ambiente (tudo com que o agente interage) e ações (o que o agente pode fazer). O objetivo é que o agente escolha ações que maximizem a recompensa esperada em um período de tempo determinado. O agente atingirá o objetivo muito mais rápido se seguir uma boa política. Então o foco do aprendizado por reforço é descobrir a melhor política.

Seres humanos podem, normalmente, criar um ou dois modelos bons por semana; machine learning pode criar milhares de modelos por semana.

Thomas H. Davenport, especialista em analytics
excerto do The Wall Street Journal

É um exemplo de uma aplicação de um algoritmo de aprendizado de máquina?

Alguns dos exemplos mais comuns de aprendizagem de máquinas são os algoritmos da Netflix para fazer sugestões de filmes com base em filmes que você viu no passado ou algoritmos da Amazon que recomendam livros com base em livros que você comprou antes.

O que é machine learning exemplos?

É conhecida como uma técnica voltada para implementar o machine learning. Ela treina computadores para realizarem atividades como seres humanos. Grandes exemplos disso são o reconhecimento de fala, a identificação de imagens, o reconhecimento facial ou de expressões faciais, entre outros.

Quais são as aplicações do machine learning?

O machine learning é amplamente utilizado no mercado de trabalho. Como exemplos disso podemos citar as traduções do Google, as sugestões da Netflix, o funcionamento do Facebook, a programação de carros autônomos e até a caixa de spam do e-mail.