1

O QUE É MACHINE LEARNING

O machine learning (ML) é o subconjunto da inteligência artificial (IA) que se concentra na construção de sistemas
que aprendem, ou melhoram o desempenho, com base nos dados que consomem. A inteligência artificial é um
termo amplo que se refere a sistemas ou máquinas que imitam a inteligência humana. O machine learning e
a IA são frequentemente abordados juntos, e os termos às vezes são usados de forma intercambiável, mas não
significam a mesma coisa. Uma distinção importante é que, embora todo machine learning seja IA, nem toda IA é
machine learning.
Hoje, o machine learning funciona ao nosso redor. Quando interagimos com bancos, fazemos compras on-line ou
usamos mídias sociais, os algoritmos de machine learning entram em ação para tornar nossa experiência eficiente,
suave e segura. O machine learning e a tecnologia em torno dele estão se desenvolvendo rapidamente, e estamos
apenas começando a arranhar a superfície de seus recursos.

Tipos de machine learning: Duas abordagens para aprendizagem

Os algoritmos são os motores que alimentam o machine learning. Em geral, dois tipos principais de algoritmos de
machine learning são usados hoje: aprendizado supervisionado e aprendizado não supervisionado. A diferença entre
eles é definida por como cada um aprende sobre dados para fazer previsões.

Machine Learning Os algoritmos de machine learning supervisionados são os mais usados. Com
Supervisionado esse modelo, um cientista de dados age como um guia e ensina ao algoritmo
quais conclusões ele deve ter. Assim como uma criança aprende a identificar
frutas memorizando-as em um livro de imagens, na aprendizagem
supervisionada, o algoritmo é treinado por um conjunto de dados que já está
rotulado e tem uma saída predefinida.

Os exemplos de machine learning supervisionado incluem algoritmos, como

regressão linear e logística, classificação de multiclasse e máquinas de vetores
de suporte.

Machine Learning Não
Supervisionado
O machine learning não supervisionado usa uma abordagem mais independente,
na qual um computador aprende a identificar processos e padrões complexos
sem que um ser humano forneça uma orientação próxima e constante. O
machine learning não supervisionado envolve treinamento baseado em dados
que não possuem rótulos ou uma saída específica definida.

Para continuar a analogia do ensino infantil, o machine learning sem supervisão

é semelhante a uma criança que aprende a identificar frutas observando cores e
padrões, em vez de memorizar os nomes com a ajuda de um professor. A
criança procuraria semelhanças entre as imagens e as separaria em grupos,
atribuindo a cada grupo seu próprio novo rótulo. Os exemplos de algoritmos de
machine learning não supervisionados incluem agrupamento k-means, análise de
componentes principais e independentes e regras de associação.

Escolhendo uma Abordagem Qual abordagem é melhor para suas necessidades? A escolha de um algoritmo
de machine learning supervisionado ou não supervisionado geralmente depende
de fatores relacionados à estrutura e ao volume de seus dados e ao caso de uso
ao qual você deseja aplicá-lo. O machine learning se espalhou em uma ampla
2

gama de setores, sendo compatível com uma variedade de objetivos de negócios

e casos de uso, incluindo:

• Valor do tempo de vida do cliente

• Detecção de anomalias
• Preços dinâmicos
• Manutenção preditiva
• Classificação de imagens
• Mecanismos de recomendação

Machine learning e desenvolvedores

Ao iniciar o machine learning, os desenvolvedores confiarão no conhecimento de estatística, na probabilidade e no
cálculo para criar modelos que aprendem ao longo do tempo de forma mais bem-sucedida. Com habilidades focadas
nessas áreas, os desenvolvedores não devem ter problemas para aprender a usar as ferramentas que muitos outros
desenvolvedores usam para treinar algoritmos de ML modernos. Os desenvolvedores também podem decidir se seus
algoritmos serão supervisionados ou não. É possível que um desenvolvedor tome decisões e configure um modelo
no início de um projeto, permitindo que o modelo aprenda sem muita interferência do desenvolvedor.

Em geral, há uma linha tênue entre desenvolvedor e cientista de dados. Às vezes, os desenvolvedores sintetizam
dados de um modelo de machine learning, enquanto os cientistas de dados contribuem para o desenvolvimento de
soluções para o usuário final. A colaboração entre essas duas disciplinas pode tornar os projetos de ML mais
valiosos e úteis.