Escolar Documentos
Profissional Documentos
Cultura Documentos
ndice [esconder]
1 Resumo
1.1 Tipos de problemas e tarefas
2 Histria e relao com outros campos
2.1 Relao com estatstica
3 Teoria
4 Abordagens
4.1 Aprendizado baseado em rvores de deciso
4.2 Aprendizado por regras de associao
4.3 Rede neural artificial
4.4 Aprendizado profundo
4.5 Lgica de programao indutiva
4.6 Mquinas de vetores de suporte
4.7 Clustering
4.8 Redes Bayesianas
4.9 Aprendizado por reforo
4.10 Aprendizado por representao
4.11 Aprendizado por similaridade e mtrica
4.12 Aprendizado por dicionrio esparso
4.13 Algoritmos genticos
5 Aplicaes
6 Avaliao de modelos
7 Software
7.1 Software de fonte aberta e gratuita
7.2 Software particular com edies de fonte aberta e gratuita
7.3 Proprietary software
8 Peridicos
9 Conferncias
10 Ver tambm
11 Ligaes externas
12 Referncias
13 Para mais leituras
Resumo[editar | editar cdigo-fonte]
Tom M. Mitchell forneceu uma definio mais formal amplamente citada: "Se diz que
um programa de computador aprende pela experincia E com respeito a algum tipo de
tarefa T e performance P se sua performance P nas tarefas em T, como medidas por P,
melhoram com a experincia E."[8] Esta definio notvel pois define aprendizado
de mquina em termos fundamentalmente operacionais ao invs de cognitivos, de forma
a seguir a proposta de Alan Turing em seu artigo "Computadores e inteligncia" de
que a pergunta "Podem as mquinas pensar?" seja substituda pela pergunta "Podem as
mquinas fazer o que (ns como entidade pensantes) podemos fazer?"[9]
O aprendizado de mquina e a minerao de dados com freqncia fazem uso dos mesmos
mtodos e se sobrepes significantemente, mas enquanto o aprendizado de mquina
foca em fazer previses, baseado em propriedades conhecidas aprendidas pelo dados
de treinamento, a minerao de dados foca em descobrir as propriedades
(previamente) desconhecidas nos dados (este o passo dado na anlise de extrao
de conhecimento na base de dados). A minerao de dados usa muitas mtodos do
aprendizado de mquina, mas com objetivos diferentes; por outro lado, o aprendizado
de mquina tambm faz uso de mtodos da minerao de dados como "aprendizado no
supervisionado" ou como um passo de processamento para melhorar a preciso do
aprendiz. Muita da confuso entre essas duas comunidades de pesquisa (que com
freqncia tem conferncias e peridicos separados, ECML PKDD sendo a grande
exceo) vem da suposio bsica com que eles trabalham: em aprendizado de mquina,
a performance normalmente avaliada com respeito a habilidade de reproduzir
conhecimento conhecido, enquanto que com a extrao de conhecimento e minerao de
dados (KDD) a tarefa chave o descobrimento de conhecimento previamente
desconhecido. Avaliado com respeito ao conhecimento conhecido, um mtodo uniforme
(no supervisionado) ser facilmente superado por outros mtodos supervisionados,
enquanto que em uma tarefa KDD tpica, mtodos supervisionados no podem ser usados
devido a no disponibilidade de dados de treinamento.
O aprendizado de mquina tambm tem laos ntimos com a otimizao: muitos dos
problemas de aprendizado so formulados como minimizao de algumas funes de
perda em um conjunto exemplo de treinamentos. Funes de perda expressam a
discrepncia entre as previses do modelo sendo treinado e as verdadeiras
instncias do problema (por exemplo, em classificao, o objetivo designar
etiquetas para instncias, e modelos so treinados para predizer corretamente as
etiquetas previamente designadas de um conjunto exemplo). A diferena entre os dois
campos surge do objetivo da generalizao: enquanto que o algoritmo de otimizao
pode minimizar a perda em um conjunto de treinamento, o aprendizado de mquina est
preocupado com a minimizao da perda de amostras no vistas.[12]