Aprendizado de máquina é o campo de estudo que possibilita aos computadores a habilidade de aprender sem explicitamente programá-los.
Arthur Samuel, 1959
Aprendizado de Máquina ou Machine Learning – ML
No aprendizado de máquina treinamos a máquina para que ela aprenda a identificar padrões ou fazer relações com os dados históricos, a finalidade é que ela depois de treinada possa aplicar sua nova habilidade a novos dados nunca vistos.
1 – Aprendizado supervisionado
O modelo aprende a partir de exemplos com rótulos conhecidos (respostas corretas).
O objetivo é generalizar para fazer predições em novos dados não vistos.
Exemplos:
- Classificação Binária. Objetivo: Prever uma entre duas classes (ex: spam/não-spam, doente/saudável).
- Classificação Multiclasse. Objetivo: Prever uma entre três ou mais classes (ex: visão computacional gato/cachorro).
- Regressão. Objetivo: Prever um valor contínuo (ex: preço de casas, temperatura).
2 – Aprendizado não supervisionado
Não possui pré-mapeamento ou rótulo.
O sistema cria etiquetas temporárias (clusters) baseando-se na semelhança entre os dados (padrões)
Exemplos:
- Agrupamento ou Clusterização pura (K-Means)
- Associação. Ex.: Fazer a associação quando um cliente compra um produto X também compra o produto Y.
É utilizado para mapear padrões ocultos e em situações complexas de classificação.
3 – Aprendizado semissupervisionado
É o aprendizado no qual uma parte (menor) dos dados é rotulada previamente, com base no subconjunto menor rotulado se generaliza padrões para rotular o grupo maior.
O procedimento de aprendizagem passa por treinamentos sucessivos, onde os dados conhecidos e não conhecidos são embaralhados e com base na sua acurácia obtida dos treinamentos, a árvore de decisão é ajustada para chegarmos a um nível de acurácia aceitável ao propósito.
É utilizado quando os dados rotulados são confiáveis, mas escassos.
4 – Aprendizado por reforço
O agente inteligente aprende políticas de ações com base em interações com o ambiente no qual ele é implementado, a partir de recompensas ou punições, dependendo de cada ação.
Exemplos:
- Cria-se um jogador (agente) que ganha recompensas ao fazer uma jogada correta ou punições quando erra. As partidas são o treinamento do jogador e o resultado será um jogador capaz de zerar o jogo.