Definição

Campo da inteligência artificial que envolve o desenvolvimento de algoritmos e modelos computacionais capazes de aprender a partir de dados e melhorar o desempenho em tarefas específicas, sem a necessidade de serem explicitamente programados.

Aprendizado de Máquina

Adaptado de: https://becominghuman.ai/an-introduction-to-machine-learning-7db04da817c4

Aprendizado Supervisionado

• O termo “supervisionado” refere-se à simulação de um “supervisor externo” que possui conhecimento das saídas desejadas (rótulos) para cada exemplo.
• 🎯 Objetivo: Encontrar os parâmetros ótimos para ajustar um modelo capaz de prever rótulos desconhecidos em outros objetos (conjunto de teste).

Regressão

Classificação

Regressão x Classificação

Aprendizado Não Supervisionado

Aprendizado Semi-supervisionado

• Inclui ambos os problemas discutidos anteriormente: utiliza dados rotulados e não-rotulados.
• 🎯 Objetivo: rotular dados não rotulados por meio do aprendizado não supervisionado para então usá-los na construção de um modelo supervisionado.
• Útil em cenários com:
  • Obtenção de rótulos dispendiosa, demorada ou difícil.
  • Disponibilidade relativamente alta de dados não rotulados.

Aprendizado Semi-supervisionado

Aprendizado por Reforço

• Inspirada em como os seres humanos aprendem por meio de tentativa e erro.
• Utiliza feedback em forma de recompensas ou penalidades para guiar o aprendizado do agente.

Aprendizado por Reforço

Etapas do Aprendizado Supervisionado

🧹 Preparação dos dados

🧹 Preparação dos dados

🤔 Escolha de um algoritmo

Diferentes algoritmos têm características e comportamentos distintos, adequados para diferentes tipos de problemas.

🤔 Escolha de um algoritmo

🏋️ Treinamento

• O modelo é alimentado com o conjunto de dados rotulados.
• Ele aprende a mapear as entradas aos rótulos corretos.

🔧 Ajuste dos (hiper)parâmetros

Os hiperparâmetros do modelo podem ser ajustados para melhorar o desempenho.

👍 Avaliação

• O modelo é testado em um conjunto de dados separado, chamado conjunto de teste, para avaliar seu desempenho final.
• O conjunto de teste fornece uma estimativa realista da precisão e eficácia do modelo.

🚀 Implantação

O modelo treinado e validado é utilizado para fazer previsões ou classificações em dados não vistos na prática.