16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

FUNDAMENTOS DE MACHINE LEARNING

CICLO 1 – CONCEITOS DE APRENDIZADO DE

MÁQUINA

INTRODUÇÃO AO APRENDIZADO DE MÁQUINA   

Inicialmente, antes de apresentarmos o que é aprendizado de máquina, é preciso
que conheçamos o que é Inteligência Artificial (IA) e como ela se desenvolveu junto com a Ciência
da Computação.

Ao pensarmos em Inteligência Artificial, vamos nos deparar com um termo difícil de se definir
concretamente devido à composição deste pelas palavras inteligência e artificial. Poderíamos
debater durante horas o significado dessas duas palavras, buscaríamos diversas referências,
autores, e definições, entretanto, não chegaríamos a uma definição fechada, tampouco numa
definição aplicada e concreta.

Segundo Russel (2014, p. 20) estamos, por milhares de anos, tentando entender como nós
pensamos, mais especificamente como percebemos, entendemos, predizemos e manipulamos o
mundo à nossa volta. Sendo assim, o campo da Inteligência Artificial tenta não apenas entender,
mas, também, construir máquinas inteligentes.

Nesse sentido, percebemos o quão difícil é estabelecer limites para o comportamento inteligente, e
quão complexo pode ser obtê-lo ou imitá-lo. Para nos auxiliar nessa tarefa a Máquina Turing
(Turing, 1950) foi proposta por Alan Turing, com o objetivo de definir o que se pretende obter de um
comportamento inteligente.

O Teste de Turing, em sua interpretação mais comum, possui três jogadores (A, B e C), sendo que
o jogador C, o qual está fisicamente separado de A e B, tenta descobrir qual deles, A ou B, é um
computador e qual é um humano, a partir de uma simples conversa escrita. Veja, na Figura 1, um
esquemático do Teste de Turing.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 1/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

Figura 1 Teste de Turing.

Ao refletir sobre esse teste podemos, assim como Alan Turing e outros autores, levantar questões
sobre tarefas que o jogador B (computador) deverá processar (LUGER, 2013):

Processamento da Linguagem Natural.

Representação do Conhecimento.
Raciocínio Automático.
Aprendizado de Máquina.

O jogador B passará no Teste de Turing se o jogador C (humano) não conseguir distingui-lo do

jogador A em termos da sua natureza, ou seja, o jogador C não perceber que é o humano (natural)
e quem é o computador (artificial).

É importante percebermos que o Teste de Turing não é possível de ser reproduzido, nem aplicável.
Ele tem caráter muito mais reflexivo do que científico ou comercial, mas, de fato, como sugere John
McCarthy (1995), o teste levanta questões filosóficas que ajudam a delimitar a área de estudos.

O QUE TEM EM COMUM CONFERÊNCIA GOOGLE.IO E O TESTE DE TURING?

O Teste de Turing serve como balizador para a Inteligência Artificial e, assim podemos verificar,
mesmo que empiricamente, o desenvolvimento da área, tal qual mostrado pelo Google, em sua
conferência Google.IO, onde um bot provido de Inteligência Artificial agenda serviços pelo
telefone, interagindo com um interlocutor humano. Está curioso? Então, assista ao vídeo indicado a
seguir, no qual as legendas em português estão disponíveis.

Google Duplex: A.I. Assistant Calls Local Businesses To Make Appointments

De acordo com Russel (2014) John McCarthy, em 1956, definiu Inteligência Artificial como sendo “a
ciência e a engenharia de se construir agentes inteligentes”, a qual, traz a ideia de máquinas
racionais, ou seja, máquinas que realizam a tarefa de maneira correta. Tais agentes inteligentes
podem ser definidos em termos de sensores, função e atuadores como pode ser observado na
Figura 2.

Fonte: Adaptado de Russel (2014, tradução nossa).

Figura 2 Agente Inteligente.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 2/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

De fato, a arquitetura de um agente inteligente pode ser encontrada soluções que usam Inteligência
Artificial, e consequentemente, Aprendizado de Máquina para resolver as tarefas a saber:

direção de veículos autônomos;

bots jogadores de xadrez e outros;
sistemas de diagnóstico médico;
detectores de notícias falsas;
analisadores de documentos jurídicos, entre outros, por exemplo.

Ao especificarmos e construirmos agentes inteligentes que são capazes de realizar as complexas

tarefas citadas, anteriormente, precisamos das técnicas que a Inteligência Artificial tem como objeto
de estudo. Para tanto, podemos considerar que iremos usar as ferramentas e metodologias de
Inteligência Artificial para especificar uma função que seja capaz de transformar a percepção do
ambiente em ações de resposta no ambiente. Tal função pode ser dada como:

Onde P é o domínio, contendo o vetor de informação do ambiente (percepção), e A é a imagem,

contendo as possíveis respostas (ações) dadas pelo agente.

PRONTO PARA SABER MAIS?

Um aprofundamento do conceito de Inteligência Artificial pode ser visto na aula inicial da disciplina
homônima na Universidade de Stanford, a qual possui grande legado em IA. Para tanto, clique no
ícone abaixo e assista ao vídeo que está disponível com possibilidade de legendas automáticas em
português geradas por uma IA.

Lecture 1: Overview | Stanford CS221: AI (Autumn 2019)

SUGERIMOS, AGORA, QUE VOCÊ DÊ UMA PAUSA NA SUA LEITURA

E REFLITA SOBRE SUA APRENDIZAGEM REALIZANDO A QUESTÃO
A SEGUIR.

Sobre o Teste de Turing é possível afirmar que:

No Teste de Turing os jogadores são todos automatizados e podem ser agente

inteligentes.

O Teste de Turing é um teste definitivo aplicável em agentes inteligentes que se mostram

capazes de substituir seres humanos nas mais diversas tarefas.

Não há possibilidade de aplicação do Teste de Turing em sistemas que são dotados de

Inteligência Artificial apenas.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 3/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

O Teste de Turing tem caráter reflexivo, levantando questões acerca do que deveria ser
um sistema dotado de Inteligência Artificial.

APRENDIZADO DE MÁQUINA   
Vimos que para construirmos um agente inteligente, o qual pode ser, um software
ou uma combinação software e hardware, é necessário especificar uma função que é desconhecida
para resolver uma determinada tarefa. O aprendizado de máquina trata justamente de uma maneira
contextual de descobrir tal função ou como acontece nos problemas reais, uma função, denominada
hipótese, que se aproxima da função verdadeira.

Antes de prosseguirmos, é importante dizer que Inteligência Artificial e Aprendizado de Máquina

apesar de serem usados em diversas ocasiões, indistintamente, são termos diferentes, mas que se
complementam uma vez que o Aprendizado de Máquina pode ser considerado uma subárea da
Inteligência Artificial conforme a Figura 3, vejamos:

Figura 3 Relação entre áreas, Inteligência Artificial

e Aprendizado de Máquina.

Dentre as diversas definições podemos destacar aquela proposta por Tom Mitchell (1997, p. 1):

"Um programa de computador aprende a partir da experiência E com relação

à uma tarefa T e desempenho P, se seu desempenho na tarefa T, medido por
P, melhora a partir da experiência E".

Podemos perceber que a definição anterior se encaixa na ideia genérica que temos de aprendizado,
por exemplo, ao aprendermos um esporte (tarefa) precisamos de treinar, praticar esse esporte
(experiência) e somos, por parte do treinador, aferidos pelos resultados apresentados
(desempenho).  Portanto, no aprendizado de máquina é importante que tenhamos familiaridade com
os itens em destaque na definição anterior (GOODFELLOW; BENGIO; OURVILLE, 2016).

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 4/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

T – Tarefa: é o que se pretende aprender, ou seja, a função que mapeia as entradas em

saídas, por exemplo, sumarizar um texto longo, dirigir um veículo autonomamente,
determinar o humor do usuário a partir de suas postagens em redes sociais.
E – Experiência: é o que seu usa, e como se usa, para aprender, ou seja, as informações
que contém o conhecimento embutido sobre a tarefa, e de que forma essas informações são
usadas.
P – Desempenho: é uma métrica que avalia se o aprendizado está ocorrendo de maneira
satisfatória.

Os itens anteriores serão abordados com maiores detalhes nos próximos tópicos, o que devemos
ter em mente, por enquanto, é que os ditos modelos de aprendizado de máquina seguem esse
padrão, mesmo que em seu estudo possam mudar de nome ou sejam apresentados de maneira
diferente. Para termos uma ideia da variedade de técnicas e modelos de aprendizado de máquina
disponíveis, um mapa mental está descrito na Figura 4. Para tanto, todos os itens e subitens do
mapa mental se encaixam na definição de aprendizado de máquina, além disso, algumas das
técnicas serão abordadas nesse e em outros módulos do curso.

Figura 4 Mapa mental de algoritmos e técnicas de Aprendizado de Máquina.

Outra definição apresentada por Russel (2014) indica quatro itens análogos aos expostos na
definição anterior:

O componente a ser melhorado – no caso, o tipo da tarefa em questão a ser realizada.

O conhecimento prévio que o agente já tem – qual o viés usado pelo agente que aprende.
Que representação é usada para os dados e para o componente – se aprendizagem é
indutiva, dedutiva, conexionista.
Que feedback está disponível para a aprendizagem – qual o tipo de abordagem, se
supervisionada, não-supervisionada ou por reforço.

Nesse caso, percebemos que a definição é mais abstrata do que a anterior, mas contempla os
mesmos princípios: tarefa, desempenho e experiência.

A seguir veremos, em termos mais práticos, os elementos do aprendizado de máquina em suas

duas abordagens mais básicas.

APRENDIZADO SUPERVISIONADO

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 5/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

Uma das formas mais evidentes que nós, seres humanos, aprendemos pode ser considerada
supervisionada, na qual há uma relação pareada entre as informações que se deve aprender e seu
significado semântico. Pensemos num exemplo bem prático, um bebê que começou à comer frutas,
sua mãe mostra para ele frutas como, bananas, laranjas e maçãs, à medida que o bebê toca
nessas frutas e as vê, sua mãe, diz o nome da fruta em questão, o bebê tem à disposição várias
frutas de cada tipo, sejam maçãs, laranjas ou bananas. À medida que o bebê tem contato com
essas frutas e com sua mãe dizendo o nome delas, ele vai aprendendo, de maneira supervisionada,
o nome de cada uma, até que em um dado momento ele recebe a ordem de sua mãe para pegar
uma banana e ele pega justamente uma banana entre várias frutas, ou então, ele pode pegar uma
banana e dizer o nome dela.

O exemplo mencionado indica como um problema de classificação, no caso identificar frutas, pode
ser abordado de forma supervisionada, ou seja, os elementos (frutas) que devem ser classificados
recebem uma identificação (nome), que costumamos chamar de label ou target.

Segundo Russel e Norvig (2014, p. 695) a tarefa de aprendizado supervisionado é,

“Dado um conjunto de treinamento de N pares entrada-saída como exemplos:

Onde cada foi gerado por uma função desconhecida   , descubra uma
função do espaço de hipóteses que aproxima a função verdadeira .

Podemos pensar num conjunto de dados ou base de dados como uma matriz onde cada linha é
composta pelos pares entrada-saída em questão, vejamos o exemplo na Figura 5, que indica um
conjunto de treinamento que pode ser usado para classificar indivíduos, a partir de algumas
características, em grupo de risco para problemas cardíacos.

Figura 5 Conjunto de dados contendo características e indicação de

risco para problemas cardíacos (dados meramente ilustrativos).

Percebemos que o conjunto é composto por vários atributos (features), os quais, na Figura 6,
são: Peso, Altura, Idade, Fumando e Diabetes, e a (label) é composta pelo atributo Risco, sendo
que cada linha representa um exemplo (instance) dos disponíveis, ou seja, o exemplo 6 é
composto pelo par,  e .

Em modelos e algoritmos, que são guiados pelo aprendizado supervisionado, a cada exemplo
apresentado o algoritmo emite uma resposta, denominada que é usada em comparação com a
saída verdadeira do par em questão. Essa comparação é chamada de métrica de erro ou
simplesmente erro, o qual será utilizado para “corrigir” o modelo em questão, tal correção é

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 6/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

realizada pela regra de aprendizado. Esse ciclo de apresentação do exemplo, verificação do erro e
correção por meio da regra de aprendizado é repetido inúmeras vezes, compondo, assim, a fase do
aprendizado supervisionado chamada: “fase de treinamento”.

Após essa fase outros exemplos, os quais não foram utilizados no treinamento, são submetidos ao
modelo e a saída apresentada pelo modelo é usada na métrica de erro junto à saída verdadeira
para que se verifique, de fato, com exemplos nunca vistos o modelo realmente aprendeu, essa fase
é chamada de “fase de testes”. A Figura 6 mostra o esquemático padrão usado no aprendizado
supervisionado:

Figura 6 Esquemático padrão (template) usado no aprendizado supervisionado.

Com relação à Figura 6, vale destacar a presença de um componente denominado “Anti Overfitting”,
o qual já é previsto para tratar o super-treinamento (overfitting), um efeito colateral existente em
modelos de aprendizado supervisionado que faz com que o erro na fase de treinamento seja muito
baixo, e o erro na fase de teste seja muito alto, é como se o modelo aprendesse única e
exclusivamente os exemplos do conjunto de treinamento não generalizando o aprendizado com os
exemplos do conjunto de testes.

APRENDIZADO NÃO-SUPERVISIONADO
No aprendizado não-supervisionado a definição está ligada diretamente ao aprendizado
supervisionado, pois no aprendizado supervisionado não existe, no conjunto de dados, um (label)
que direcione o aprendizado em questão, ao invés disso, o objetivo do aprendizado não-
supervisionado é inferir características intrínsecas ao conjunto de dados (HASTIE, TIBSHIRANI;
FRIEDMAN, 2009).

Em geral dizemos que o aprendizado não-supervisionado funciona sem o auxílio de um professor

(supervisor) e a regra de aprendizado não está ligada à correção do erro apresentado pelo modelo
na fase treinamento.

Para termos uma melhor ideia do conceito de aprendizado não-supervisionado, bem como entender
como ele pode ser aplicado, podemos citar a clusterização (agrupamento), a qual funciona da
seguinte maneira:

Vamos supor que temos um conjunto de blocos, contendo diversas formas geométricas misturados
que formam nossa base de dados, conforme a Figura 7. Dando continuidade à “base de dados”,
temos dois algoritmos de agrupamento, os quais formaram dois grupos (clusters) baseados nas
características inerentes aos próprios exemplos da base de dados, assim, um agrupou os
elementos por forma e o outro agrupou por cor.

A busca por similaridade, bem como a redução de dimensionalidade, ou seja, descrever um

exemplo com menos atributos, mas mantendo a representatividade são técnicas ditas não-
supervisionadas, e podem ser vistas na Figura 8, nos ramos dimensionality reduction, instance-
based e clustering, as quais serão abordadas nos ciclos seguintes.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 7/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

Figura 7 Esquemático padrão (template) usado no aprendizado supervisionado.

Veja o vídeo complementar deste primeiro ciclo com o objetivo de verificar a biblioteca, denominada
“Scikit-learn”, a qual será usada para as demonstrações práticas dessa disciplina.

PRONTO PARA SABER MAIS?

Chegamos ao final do Tópico 2, no qual você teve a oportunidade de aprender sobre o
aprendizado de máquina.  No entanto, há sempre tempo para aprendermos mais, assim,
convidamos você a assistir uma introdução ao aprendizado de máquina, contendo animações e
esquemáticos esclarecedores. Vale lembrar, mais uma vez, que apesar do áudio estar em inglês,
pode-se ativar as legendas em português.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 8/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

11. Introduction to Machine Learning

Além de ver a explicação contida no vídeo, para aprofundar seus conhecimentos

sugerimos que faça a leitura do Capítulo 1, do livro Inteligência Artificial de George
Luger, o qual está disponível na Biblioteca.

PARA OBTER ÊXITO EM SEUS ESTUDOS, EM ALGUNS MOMENTOS,

VOCÊ TERÁ OPORTUNIDADE DE RESPONDER QUESTÕES QUE
AVALIARÃO O SEU APRENDIZADO. ASSIM, VEJAMOS SE ESTÁ NO
CAMINHO CERTO RESPONDENDO AS QUESTÕES A SEGUIR:

Relacione os termos, a seguir, às suas definições:

Ordenar elementos

Regra de aprendizado Aprendizado Supervisionado Espaço de Hipóteses

Aprendizado Não-Supervisionado

Regra que, a partir do erro na fase de treinamento,

“corrige” o modelo.

São dados pares , onde representa a

label e indica como o modelo deve responder à
entrada .

O super conjunto que contém as funções , as

quais são candidatas para aproximar a função
verdadeira.

Método de aprendizado em que as características

intrínsecas do conjunto , são usadas para inferir
conhecimento.

CONSIDERAÇÕES

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 9/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

Chegamos ao final deste ciclo de aprendizagem que apresentou o conceito geral

  
de Inteligência Artificial baseado em racionalidade e agentes inteligentes, bem
como expôs o conceito de Aprendizado de Máquina a partir de três pilares básicos, a saber: Tarefa,
Experiência e Desempenho que auxiliam na compreensão da definição de Aprendizado de
Máquina. Por fim, também foram estudadas as abordagens: supervisionada, a qual necessita de
uma label que direciona a regra de aprendizado, e a não-supervisionada que está ligada às
características intrínsecas dos atributos da base de dados em questão.

Encontro Virtual Síncrono

Participar do Encontro Virtual Síncrono-EVS (bate-papo) e esclarecer
suas dúvidas com o tutor a distância. Verifique a data deste encontro na
Sala de Aula Virtual.

INTERATIVIDADE NO FÓRUM   

OBJETIVO
Reconhecer o significado/sentido da disciplina e sua relação com
o curso, identificando as contribuições da mesma para a formação humana e futura
atuação profissional.

DESCRIÇÃO DA INTERATIVIDADE
A partir da leitura das orientações do(a) tutor(a) e as informações iniciais contidas na
Introdução da disciplina (ementa e objetivos específicos), apresente suas considerações
acerca do significado/sentido da disciplina em sua articulação com o curso, bem como de
sua(s) contribuição(ões) para a formação humana e futura atuação profissional.

Além disso, para auxiliá-lo no desenvolvimento dessa interatividade, sugerimos também a

leitura do Guia Acadêmico de seu curso.

PONTUAÇÃO
A interatividade vale de 0 a 0.5 ponto.

CRITÉRIOS DE AVALIAÇÃO
Na avaliação desta interatividade serão utilizados como critérios:

Utilização da norma padrão Língua Portuguesa e das normas da ABNT.

Identificação da articulação da disciplina, seus objetivos e conteúdos com o curso.
Apresentação do significado/sentido da disciplina para a formação humana e para a
formação profissional.

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 10/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning

Acesse o Fórum

AS QUESTÕES ON-LINE, REFERENTES A ESSE CICLO DE

APRENDIZAGEM, SERÃO DISPONIBILIZADAS CONCOMITANTE ÀS DO
CICLO DE APRENDIZAGEM 2.

© 2020 Fundamentos de Machine Learning | Claretiano

https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 11/11