A aprendizagem de máquina (ou machine learning) é uma subárea da inteligência artificial (IA) que permite que sistemas de computadores aprendam a partir de dados e façam previsões ou tomem decisões sem serem explicitamente programados para isso. Em vez de seguir instruções rígidas, os algoritmos de aprendizagem de máquina analisam grandes volumes de dados, identificam padrões e ajustam seus comportamentos com base nas informações adquiridas.
Ela foi motivada pelo desenvolvimento de softwares mais independentes da intervenção humana para extração do conhecimento. Geralmente aplicações de AM utilizam heurísticas (também chamadas de regras do dedão) que buscam por modelos capazes de representar o conhecimento existente nos dados.
Classificação
As tarefas de aprendizado de máquina (Figura 1) podem ser divididas entre tarefas preditivas, que visam inferir o atributo alvo de uma nova entrada a partir da exposição prévia aos dados rotulados durante o treinamento do modelo, e descritivas, que buscam extrair padrões dos atributos preditivos.
Figura 1 - Tarefas de aprendizado de máquina
Fonte: o Autor (2024)
As tarefas preditivas analisam os atributos preditivos, comparando-os com os atributos alvo (também chamados de rótulos), enquanto tarefas descritivas utilizam os atributos preditivos para buscar por padrões e correlações entre si, além de não possuírem atributo alvo.
Ambas as tarefas podem ser categorizadas sob o conceito de aprendizado indutivo (Figura 2). Este é a capacidade de generalizar a partir de exemplos, neste caso o conjunto de dados de treinamento. Em se tratando de tarefas preditivas, os algoritmos poderão implementar tarefas de classificação, nas quais o atributo alvo é discreto, ou de regressão, em que o atributo alvo é contínuo. Já nas tarefas descritivas é possível realizar agrupamento, associação, ou sumarização, entre os atributos.
Figura 2 - Tarefas de aprendizado de máquina
Fonte: o Autor (2024)
Imagine que você quer que um sistema identifique fotos de cachorros e gatos. Em vez de definir manualmente o que diferencia um cachorro de um gato, você alimenta o sistema com milhares de imagens de ambos e permite que ele “aprenda” as características que melhor os distinguem.
Podemos classificar ainda a aprendizagem de máquina em 3 grupos:
Aprendizagem supervisionada: o sistema aprende a partir de um conjunto de dados rotulados, ou seja, onde as respostas corretas já são conhecidas. O objetivo é que, após o treinamento, ele consiga generalizar e fazer previsões para novos dados.
Aprendizagem não supervisionada: o sistema recebe dados sem rótulos, buscando padrões ou estruturas escondidas nos dados, como agrupamentos ou associações.
Aprendizagem por reforço: o algoritmo aprende a partir de interações com um ambiente, recebendo feedback positivo ou negativo conforme suas ações, com o objetivo de maximizar recompensas ao longo do tempo.
Uso
A aprendizagem de máquina tem aplicações em diversas áreas, como reconhecimento de fala, diagnósticos médicos, recomendação de produtos e veículos autônomos, e é uma tecnologia fundamental para a evolução de soluções baseadas em IA. A cada dia, ela se torna mais presente em nosso cotidiano, impulsionando inovações e transformando indústrias.
Essa evolução, porém, vem acompanhada de desafios éticos, como a transparência das decisões tomadas por algoritmos e a proteção de dados pessoais, o que torna o tema ainda mais relevante para o futuro da tecnologia.
from sklearn.tree import DecisionTreeClassifier
X = [[-1],[-2],[0],[1],[2],[3]]
y = [0,0,0,1,1,1]
clf = DecisionTreeClassifier()
clf.fit(X, y)
print("Resultado:", clf.predict([[4]]))
Resultado: [1]
Curtiu? Deixei um comentário. Até o próximo post.