{"id":48634,"date":"2021-04-14T13:43:01","date_gmt":"2021-04-14T16:43:01","guid":{"rendered":"https:\/\/www.eldorado.org.br\/en\/blog\/"},"modified":"2022-03-03T16:28:20","modified_gmt":"2022-03-03T19:28:20","slug":"as-diferentes-formas-de-aprendizado-de-maquina","status":"publish","type":"post","link":"https:\/\/www.eldorado.org.br\/en\/blog\/as-diferentes-formas-de-aprendizado-de-maquina\/","title":{"rendered":"As diferentes formas de aprendizado de m\u00e1quina"},"content":{"rendered":"

Atualmente, h\u00e1 grande interesse por intelig\u00eancia artificial e aprendizado de m\u00e1quina (Machine Learning<\/a>), j\u00e1 que essas tecnologias permitem a automatiza\u00e7\u00e3o de processos e an\u00e1lises que n\u00e3o eram poss\u00edveis previamente. No entanto, pode ser um desafio tentar entender os diversos termos utilizados para descrever as diferentes formas de aprendizado de m\u00e1quina e os tipos de problemas que podem ser resolvidos.<\/p>\n

Por isso, neste artigo, vamos conferir alguns termos b\u00e1sicos de Machine Learning (ML), as v\u00e1rias formas de aprendizado de m\u00e1quina e os problemas que podemos resolver por meio dessa tecnologia.<\/p>\n

Conceitos B\u00e1sicos<\/h2>\n

A forma mais comum de se realizar aprendizado de m\u00e1quina \u00e9 coletar exemplos (dados hist\u00f3ricos), e ent\u00e3o treinar um modelo para realizar infer\u00eancia sobre os dados.<\/p>\n

Modelo:<\/h3>\n

Um modelo de ML \u00e9 uma representa\u00e7\u00e3o de como tomar uma decis\u00e3o. \u00c9 poss\u00edvel fazer um modelo que possui como entrada, uma imagem e que decide se a imagem cont\u00e9m uma pessoa ou n\u00e3o, por exemplo. H\u00e1 diferentes tipos de modelos de ML, como \u00c1rvores de Decis\u00e3o, Redes Neurais, Naive Bayes e Support Vector Machine. Diferente de um programa tradicional de computador, em que pessoas criam regras de decis\u00e3o manualmente, os modelos de ML aprendem as regras analisando dados de exemplo. O tipo de modelo define quais regras podem ser apreendidas.<\/p>\n

Treinamento:<\/h3>\n

O treinamento \u00e9 o processo pelo qual um modelo de ML aprende como tomar a decis\u00e3o de interesse, analisando dados hist\u00f3ricos. Durante o treinamento, um algoritmo de otimiza\u00e7\u00e3o altera os valores dos par\u00e2metros das regras de decis\u00e3o do modelo para que esse obtenha boas decis\u00f5es para os dados hist\u00f3ricos.<\/p>\n

Infer\u00eancia:<\/h3>\n

Depois que o modelo \u00e9 treinado em dados hist\u00f3ricos, ele pode ser utilizado para tomar decis\u00f5es (fazer infer\u00eancia) em novos dados, que ele n\u00e3o viu durante o treinamento. \u00c9 poss\u00edvel que o modelo seja bom para tomar a decis\u00e3o nos dados hist\u00f3ricos, mas que seja ruim para tomar decis\u00f5es em dados nunca vistos antes. Nesse caso, dizemos que ocorreu Overfitting e que o modelo n\u00e3o generaliza para novos dados. Conseguir generaliza\u00e7\u00e3o \u00e9 um dos grandes desafios de ML, principalmente quando h\u00e1 poucos dados de exemplo. Caso o modelo n\u00e3o consiga tomar boas decis\u00f5es nem para os dados de treinamento, dizemos que ocorreu Underfitting e pode ser que seja necess\u00e1rio utilizar um modelo mais complexo. O termo predi\u00e7\u00e3o pode ser usado como sin\u00f4nimo de infer\u00eancia.<\/p>\n

Aprendizado por tentativa e erro:<\/h3>\n

Embora o mais comum seja treinar modelos de aprendizado de m\u00e1quina atrav\u00e9s de exemplos (dados hist\u00f3ricos), alguns algoritmos realizam o treinamento por tentativa e erro. Esses algoritmos s\u00e3o geralmente utilizados em situa\u00e7\u00f5es em que o modelo de IA precisa interagir com um ambiente externo, como jogar xadrez contra um oponente humano. Dependendo do caso, \u00e9 poss\u00edvel misturar os conceitos e realizar um treinamento inicial atrav\u00e9s de exemplos e depois incorporar tentativa e erro.<\/p>\n

Formas de aprendizado de m\u00e1quina b\u00e1sicas<\/h2>\n