Escolar Documentos
Profissional Documentos
Cultura Documentos
APRENDIZAGEM
DE MÁQUINA
Introdução
O aprendizado de máquina é uma área abrangente e em constante
crescimento. Nos últimos anos, muitas tarefas de aprendizado foram
desenvolvidas, o que contribui para o avanço não só da inteligência
artificial, mas da tecnologia como um todo. Soluções antes inimagináveis
estão sendo criadas graças ao aprendizado de máquina. Entretanto,
há muitas características em comum entre as tarefas desenvolvidas.
O tipo de aprendizado de máquina é um dos fatores mais importantes
de determinada tarefa, além de um conceito que permite ao iniciante
na área de aprendizado de máquina compreender muitos dos princípios
envolvidos sem que seja necessário analisar toda a imensidão de algo-
ritmos e exemplos de cada um deles.
O aprendizado de máquina é dividido em quatro tipos, de acordo com
a forma como o sistema compreende se o modelo que está utilizando
é mais ou menos adequado aos dados apresentados. Para tanto, a má-
quina passa por um processo de treinamento. Enquanto o aprendizado
supervisionado demanda o conhecimento prévio dos atributos-alvo, o
tipo de aprendizado não supervisionado busca estruturas intrínsecas aos
dados para tentar agrupá-los conforme as similaridades que apresentam.
2 Abordagens de aprendizagem de máquina e principais tarefas
1 Aprendizado de máquina
Apesar de a etapa de treinamento ser a mais enfatizada, o aprendizado de
máquina envolve ainda outras etapas. Um exemplo é a seleção e preparação
dos dados, que permite que os dados estejam adequados ao modelo e às tare-
fas utilizadas. Também têm vital importância para o sucesso no processo de
aprendizado as etapas de teste, de validação e, quando necessário, o ajuste e
refinamento de parâmetros para melhorar o desempenho do modelo. A Figura 1
apresenta um resumo das etapas de aprendizado.
Regressão
Atributos de saída
contínuos
Estimativa de preço
residencial
Aprendizado
supervisionado
Classificação
Atributos de saída
discretos
Exames de imagem
Segmentação de
Clusterização clientes
Aprendizado não Variável de destino
supervisionado não disponível
Tipos de
aprendizado de Associação Análise de mercado
máquinas
Tipos de aprendizado
Características Semissupervisionado
Não Reforço
Supervisionado
supervisionado
Aprendizado supervisionado
Imagine uma máquina capaz de melhorar a sua performance de previsão
somente quando lhe são informados de maneira direta os valores de saída espe-
rados. Nesse caso, pode-se dizer que o aprendizado é supervisionado, porque,
apesar de a máquina varrer os dados em busca de padrões que a permitam
melhorar o modelo que utiliza para a previsão, o conhecimento dos atributos
corretos de alvo para determinado conjunto de atributos previsores requer que
outro indivíduo ou máquina os tenha classificado em um momento anterior.
Mesmo que não haja qualquer interferência externa durante o tempo de
execução do algoritmo, compreende-se que o programa está sendo orientado
por dados que demandaram algum conhecimento prévio. Assim, o aprendizado
supervisionado pressupõe a existência, ou emulação, de um supervisor que
o orienta quanto à assertividade objetiva de suas previsões (FACELI et al.,
2011). Esse tipo de aprendizado configura uma instrução objetiva e difere
de outras formas de retorno de caráter qualitativo quanto à assertividade do
algoritmo. Assim, o valor fornecido como objetivo do treinamento só pode
ser do mesmo tipo do valor de saída.
São exemplos recorrentes de aprendizado supervisionado: a classificação de
caracteres manuscritos, utilizando imagens da letra, do número ou do símbolo
escrito para determinar o símbolo digital equivalente; a previsão de preços
de determinado bem a partir de um conjunto de características; o diagnóstico
de doenças a partir de exames diversos; entre outros. A Figura 3 mostra um
6 Abordagens de aprendizagem de máquina e principais tarefas
O exemplo do Quadro 2 é mais simples e vai direto ao ponto: cada uma das
colunas representa um atributo (característica). No aprendizado supervisio-
nado, pelo menos uma dessas colunas deve fazer menção a um atributo-alvo,
ou seja, a um rótulo ou classe que identifique aquela instância. Assim, cada
linha representa uma instância com os respectivos valores para cada um dos
seus atributos. Nesse caso, o quadro mostra uma parte das instâncias de um
conjunto de dados que relaciona os preços de casas na Califórnia com os
atributos de: renda mediana na região (MedInc); idade mediana das casas
na região (HouseAge); número de salas (AvgRooms); número de quartos
(AvgBedrms); habitantes na região (Population); taxa de ocupação média das
casas na região (AveOccup); latitude e longitude.
Population
AveRooms
Longitude
HouseAge
AveOccup
Latitude
MedInc
y = f(x)
onde:
y: atributo de saída
x: atributo de entrada
f: função que relaciona as entradas (x) com as saídas (y)
8 Abordagens de aprendizagem de máquina e principais tarefas
D = {(xi, yi), i = 1, …, n}
onde:
h = argmaxhϵℋP(h|D)
onde:
Aprendizado semissupervisionado
Nem sempre haverá uma classificação rígida dos métodos de aprendizado e
treinamento adotados, e casos híbridos são muito utilizados. É o caso, por
exemplo, dos métodos de aprendizado semissupervisionados. Esse tipo de
12 Abordagens de aprendizagem de máquina e principais tarefas
Imagine, por exemplo, um robô aspirador de pó que possui sensores de colisão e GPS
para guiá-lo através do ambiente que se pretende limpar. Enquanto o GPS fornece
as coordenadas atuais e permite que o robô armazene o caminho já percorrido, os
sensores de colisão detectam a necessidade de mudança de percurso. Sem qualquer
outro meio de sensoriamento, o robô só saberá que concluiu a limpeza do ambiente
quando tiver encontrado todos os caminhos possíveis.
Para que o robô aspirador melhore a sua performance, serão necessárias várias
repetições de um processo completo de limpeza, tentando encontrar rotas que o
permitam concluir em menor tempo o percurso completo. Dessa forma, o tempo de
conclusão da tarefa em conjunto com a quantidade de colisões funcionarão como
mecanismos de reforço, permitindo que a máquina compreenda se as hipóteses
adotadas na última iteração são melhores ou piores que as anteriores.
BALDOMINOS, A.; SAEZ, Y.; ISASI, P. A survey of handwritten recognition with MNIST
and EMNIST. Applied Sciences, v. 9, n. 3169, p. 1–16, 2019. Disponível em: https://www.
mdpi.com/2076-3417/9/15/3169/pdf. Acesso em: 14 fev. 2020.
FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio
de Janeiro: LTC, 2011.
RUSSEL, S. J.; NORVIG, P. Inteligência artificial. 3. ed. Rio de Janeiro: LTC, 2013.
SCIKIT-LEARN. California housing dataset. c2019. Disponível em: https://scikit-learn.org/
stable/modules/generated/sklearn.datasets.fetch_california_housing.html#sklearn.
datasets.fetch_california_housing. Acesso em: 14 fev. 2020.
WITTEN, I. H.; FRANK, E. Data mining: practical machine learning tools and techniques.
San Francisco, CA: Morgan Kaufmann Publishers, 2005.
16 Abordagens de aprendizagem de máquina e principais tarefas
Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun
cionamento foi comprovado no momento da publicação do material. No entanto, a
rede é extremamente dinâmica; suas páginas estão constantemente mudando de
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade
sobre qualidade, precisão ou integralidade das informações referidas em tais links.