Escolar Documentos
Profissional Documentos
Cultura Documentos
CIÊNCIA DA COMPUTAÇÃO
CECÍLIA DIAS
Sâo Paulo - SP
2023
. CECÍLIA DIAS DE SOUZA
Saõ Paulo - SP
2023
SUMÁRIO
1 INTRODUÇÃO……………………………………………………………………………..5
1.1 Biografia………………………………………………………………………… 5
1.4 Metodologia……………………………………………………………………………… 6
2 REFERENCIAL TEÓRICO………………………………………………………………. 6
3.2 FRAMEWORKS………………………………………………………………………….8
3.3.1 Waymo……………………………………………………………………………….. 10
CONSIDERAÇÕES FINAIS……………………………………………………………… 11
REFERÊNCIAS…………………………………………………………………………….12
RESUMO
ABSTRACT
This work aims to select and analyze the use of programming languages for Machine
Learning in the context of system development. Initially, the basic concepts of
machine learning, its history, and its relevance in the present are presented. In this
context, a comparison of the main languages used is provided, highlighting their
strengths and weaknesses in each case. Additionally, frameworks and examples of
existing projects related to the topic are showcased. The study was conducted
through research and theoretical reading in order to achieve the objective. Finally,
the main findings of the study are summarized, emphasizing the importance of
selecting the appropriate language for Machine Learning.
1.1 PROBLEMATIZAÇÃO
Escolher a linguagem de programação certa para um projeto específico pode ser difícil.
Cada idioma tem seus pontos fortes e fracos, e escolher a linguagem errada pode levar a
problemas técnicos, suporte ruim e funcionalidade limitada. A avaliação cuidadosa dos
requisitos do projeto e dos recursos linguísticos disponíveis é essencial para a tomada de
decisões informadas permitindo assim, o desenvolvimento de aplicações inovadoras e soluções
técnicas avançadas em relação ao aprendizado de máquina.
1.2 JUSTIFICATIVA
1.4 METODOLOGIA
Para realizar este trabalho foi necessário pesquisar sobre o aprendizado de máquina
desde a sua criação até a forma como ela é treinada, além dos algoritmos que foram
desenvolvidos ao longo do tempo e como ela é aplicada atualmente. Junto a isso, foi de suma
importância as discussões em sala e as pesquisas voltadas às linguagens de programação
mais comuns nessa área.
2 REFERENCIAL TEÓRICO
O estudo realizado teve como base a obra “Introduction to Machine Learning with
Python”, dos autores Andreas C. Müller e Sarah Guido, publicada em 26 de setembro de 2016.
Julia é uma linguagem de programação que foi criada com a comunidade científica em mente,
mas se mostrou valiosa para os mais variados usos. A linguagem conseguiu unir atributos de
Python e Matlab que tornam o processo e desenvolvimento bastante ágil - algo muito
importante para a realização de protótipos e experimentos científicos - à velocidade de
linguagens como C/C + + utilizadas nos mais variados sistemas. É muito interessante ver como
Julia é flexível e incorpora idéias muito modernas e interessantes, inclusive do paradigma
funcional.
Julia, por outro lado, se destaca por seu desempenho excepcional e capacidade de se
aproximar muito de línguas de baixo nível. É particularmente adequado para computação
científica e matemática e fornece uma sintaxe simples e atraente. R é reconhecido por muitos
como uma linguagem de programação eficaz para análise de dados e visualização estatística.
A linguagem R fornece ferramentas avançadas para análise de dados e modelagem estatística.
Finalizando, todas as linguagens apresentadas são instrumentos essenciais no contexto
científico e analítico, considerando suas diferenças prós e contras em situações e requisitos
diferentes.
3.2 FRAMEWORKS
● Scikit-learn: O Scikit-learn é uma biblioteca de alto nível que integra uma ampla
variedade de algoritmos de aprendizado de máquina de última geração para problemas
supervisionados e não supervisionados de média escala. usada para análise de dados
em Python. Sendo um excelente ponto de partida para introduzir ao ecossistema de
Machine Learning em Python. Se está em busca de ingressar rapidamente ou se está
em busca de uma ferramenta de pesquisa recente e eficiente para Machine Learning,
scikit-learn é uma excelente alternativa por ser um framework bem documentado e
simples de ser utilizado e também apesar de não ser especializada em tal, também
fornece algoritmos de eep learning tradicionais. Por ser versátil scikit-learn também
possui uma boa integração com outras bibliotecas, como matplotlib para plotagem,
numpy para vetorização de arrays.
Dentre os principais recursos estão:Métodos algorítmicos de tomada de decisão,
incluindo:
● Classificação, onde é possível identificar e categorizar dados a partir de
padrões de base.
● Regressão, onde é possível prever e projetar valores dados a partir de uma
média comparativa.
● Agrupamento automatizado de dados semelhantes em grandes conjuntos.
● Algoritmos de análise preditiva supervisionados e não supervisionados de tal
como que oferece suporte desde a regressão linear simples a reconhecimento
de redes neurais computacionais através do módulo “sklearn.neural_network”
3.3 PROJETOS EXISTENTES
Os sistemas feitos com o Machine Learning estão mais presentes em nosso cotidiano
do que podemos imaginar, sendo assim, a seguir é apresentado alguns projetos de machine
learning de empresas conhecidas.
3.3.1 Waymo
A Google adota a diversas linguagens dentre elas Java e C++, entretanto Python se
destaca como uma das linguagens oficiais desta gigantesca empresa, sendo assim Python é
bastante presente em desenvolvimento interno e na criação de bibliotecas de códigos, visando
a criação de projetos mais eficientes e um grande apoio aos seus desenvolvedores.
Desenvolvendo e adquirindo startups, como uma grande locomotiva, a empresa segue
avançando a todo vapor e na atualidade trabalha no projeto Waymo.
Esse se trata o nome dado a empresa da Google que desenvolve o projeto do tão
sonhado carro autônomo, o mesmo nome é dado ao automóvel futurista, que não necessitam
de rede para circular pelas estradas, sendo assim o projeto da Google só estabelece conexões
com o mundo exterior quando necessário e desta forma não há uma conexão contínua que
possibilite invasão por hackers.
Não é segredo que a Netflix chegou para revolucionar o cenário dos serviços de
streaming no mercado, fazendo uso de excelentes estratégias de marketing e de uma
inovadora técnica de fornecimento de conteúdo, basicamente a plataforma fornece conteúdos
personalizados com base no cliente. Fugindo da ideia de uma lista enorme de filmes e séries
organizadas por gêneros, a Netflix oferece um sistema que recomenda filmes e séries de
acordo ao gosto dos usuários, sendo assim cada cliente tem uma página de visualização inicial
personalizada e única com base em seus comportamentos. Isso se dá graças a um conjunto
de algoritmos de aprendizagem de máquina focados em análise de dados de forma inteligente.
Desta forma a Netflix oferta um serviço muito mais objetivo e satisfatório aos seus assinantes,
entregando aquilo que eles muito provavelmente se interessariam em ver sem que o cliente
leve minutos procurando pelo conteúdo na plataforma de streaming.
CONSIDERAÇÕES FINAIS
REFERÊNCIAS
Mirbabaie, M., Brünker, F., Möllmann Frick, N.R.J. et al. The rise of artificial intelligence –
understanding the AI identity threat at the workplace. Electron Markets 32, 73–99 (2022).
https://doi.org/10.1007/s12525-021-00496-x
Departamento de Comp Sci & Electrical Engineering, University of Maryland, Baltimore County,
Baltimore, MD 21250, EUA
Raschka, S.; Patterson, J.; Nolet, C. Machine Learning in Python: Main Developments and
Technology Trends in Data Science, Machine Learning, and Artificial Intelligence. Information
2020, 11, 193. https://doi.org/10.3390/info11040193
MÜLLER, Andreas C.; GUIDO, Sarah. Introduction to Machine Learning with Python. [S. l.]:
O‘Reilly Media, Inc., 2016. Disponível em: https://www.oreilly.com/library/view/introduction-to-
machine/9781449369880/. Acesso em: 20 jun. 2023.