Escolar Documentos
Profissional Documentos
Cultura Documentos
SUMÁRIO
OBJETIVOS DE APRENDIZAGEM
INTRODUÇÃO................................................................................................................
1 APRENDIZADO SUPERVISIONADO.........................................................................
2 APRENDIZADO NÃO SUPERVISIONADO................................................................
3 APRENDIZADO POR REFORÇO...............................................................................
CONSIDERAÇÕES FINAIS............................................................................................
UNIDADE V – CLASSIFICAÇÃO DE PADRÕES
OBJETIVOS DE APRENDIZAGEM
Fonte: tibco.com
Existem algumas técnicas para resolver problemas de aprendizado
supervisionado; entre elas, estão: regressão linear, regressão logística, redes
neurais artificiais, máquinas de suporte vetorial (ou máquinas kernel), árvores de
decisão, k-vizinhos mais próximos e Bayes ingênuo. Entre as áreas de aprendizado
de máquina, o aprendizado de máquina supervisionado é a área que concentra o
maior número de aplicações bem-sucedidas e na qual a maioria dos problemas a
serem resolvidos já estão bem estruturados.
Não são todos os problemas que podem ser resolvidos com aprendizado
supervisionado, porque conseguir dados anotados, em algumas situações, é
extremamente custoso ou, em casos extremos, até impossível. Um exemplo clássico
é relacionado à venda de produtos e ao perfil dos consumidores: pode existir um
perfil que compre vinho e queijo, carne e carvão ou, ainda, cerveja e fralda. Para
perfis como esses, colocar esses produtos em prateleiras distantes aumentará o
tempo e o percurso do cliente no mercado, podendo proporcionar a compra de
outros produtos. Entretanto, nesse caso se está somente verificando as compras à
qual perfil o consumidor pertence, mas não se sabe quantos perfis de consumidores
existem.
Para situações como essa, o sistema precisa descobrir os perfis sem dados
anotados e os métodos de aprendizado não supervisionados serão utilizados. Como
opção, pode-se observar nos registros de compras se existem padrões repetidos
que possibilitam verificar a inferência de um grupo ou perfil de consumidor. Também
é possível verificar quais produtos são frequentemente comprados juntos, para
aprender uma regra associativa entre eles.
Após ter contato com os três tipos de aprendizado, a pergunta que vem à
mente é: qual dos três tipos de aprendizado é melhor? Não há uma resposta única e
correta a essa questão, pois ela depende do que se está analisando. Cada problema
tem suas características, e uma solução que funcionou bem para um determinado
problema pode não ser adequada para outro. Portanto, ao se trabalhar com
aprendizado de máquina, onde um volume grande de informações é processado, é
preciso ter consciência de que uma máquina não faz o que se quer, ela faz o que se
manda.
A máquina é um instrumento de conveniência; o desempenho da inteligência
artificial está diretamente ligado à inteligência humana de quem a treinou. Fatores
externos, como o dilema viés-variância, precisam ser tratados com cuidado pelo
pesquisador, para que a máquina forneça de fato os resultados desejados. Técnicas
de regularização e validação cruzada são mecanismos importantes para “guiar” a
máquina e garantir um meio-termo entre acurácia na amostra e poder de
generalização. Nenhuma máquina “saberá mandar”; por isso, é necessário conhecer
o problema a ser resolvido, sendo esse o passo essencial para que o pesquisador
tenha controle sobre a máquina, e não o contrário.