APRENDIZA

DO DE
MÁQUINA
Principais algoritmos de aprendizado de máquinas
 Introdução
O Aprendizado de Máquina (do inglês, Machine Learning) é um
ramo da Inteligência Artificial, no qual permite que máquinas adquirem
conhecimento e tomem decisões com a ajuda de algoritmos que
reconhecem padrões de um conjunto de dados recebidos e se tornam
capazes de fazer previsões com a mínima intervenção humana. A
aprendizagem de máquina centra-se no desenvolvimento de técnicas
que tornem as máquinas capazes de aprender e melhorar
progressivamente a partir de experiências, sem serem explicitamente
programadas.
APLICAÇÕES DA APRENDIZAGEM DE
MÁQUINAS
FINANCIAMENTO
COMPUTACIONAL
Para pontuação de crédito e
negociação algorítmica
PROCESSAMENTO
DE IMAGEM
Para reconhecimento facial,
detecção de movimentos e
detecção de objetos
BIOLOGIA
COMPUTACIONAL
Para detecção de tumores,
descoberta de fármacos e
sequenciamento de DNA
PRODUÇÃO DE
ENERGIA
Para previsão de preços e
cargas
AUTOMÓVEL, FABRICO
E AEROESPACIAL
Para manutenção
preditiva
PROCESSAMENTO DE
LINGUAGEM NATURAL
Para aplicações de
reconhecimento de voz
 O processo de aprendizagem começa com
observações ou dados, como exemplos,
experiência direta ou instrução, de forma a procurar
padrões de dados e tomar melhores decisões no
futuro com base nos exemplos que fornecemos. O
COMO
objetivo primordial é permitir que os computadores
aprendam automaticamente sem intervenção ou FUNCIO
assistência humana e ajustem as ações em
conformidade [3]. Logo, a partir do problema em
questão, torna-se possível identificar qual o tipo de NA?
aprendizado melhor se encaixa para resolver o
problema. Em seguida escolhe-se uma classe de
algoritmo para o determinado tipo de aprendizado.
 PRINCIPAIS TIPOS DE ALGORITMOS

O algoritmo desenvolve O algoritmo descobre

O algoritmo agrupa e
modelo preditivo através de tentativa e
interpreta os dados
baseado em dados de erro quais as ações
com base apenas nos
entrada e saída. que dão as maiores
dados de entrada.
recompensas.

APRENDIZADO
APRENDIZADO APRENDIZADO
NÃO
SUPERVISIONADO POR REFORÇO
SUPERVISIONADO
APRENDIZAD
O
SUPERVISION 01
ADO
 Na aprendizagem supervisionada, utilizamos dados conhecidos ou rotulados
para os dados de formação. Uma vez que os dados são conhecidos, a
aprendizagem é, portanto, supervisionada, ou seja, direcionada para a execução
bem sucedida. Os dados de entrada passam pelo algoritmo de Machine Learning
e são utilizados para treinar o modelo. Uma vez que o modelo é treinado com
base nos dados conhecidos, você pode usar dados desconhecidos no modelo e
obter uma nova resposta [4].

Fonte: Simpli Learn.

 Com isso, Aprendizado Supervisionado é um algoritmo caracterizado por
disponibilizar um conjunto de dados no qual a resposta já foi dada antes como
uma variável de entrada. Possuem entradas e saídas previamente definidas e
rotuladas, como suas características dominantes, onde o computador aprende
como as propriedades de certas entradas determinam as saídas. Isto é, então
convertido num algoritmo particular, permitindo ao computador repetir este
padrão de forma independente na entrada nova – sem rótulo – e assim gerar a
própria saída correta.
A aprendizagem supervisionada prevê situações futuras com bases em
históricos de dados. É designada supervisionada,pois os dados atuam como
professor e treinam a máquina, aumentando sua capacidade de fazer uma
previsão ou decisão.
De acordo com o tipo de resultado do algoritmo, podemos classificá-lo entre
algoritmo de classificação ou algoritmo de regressão.
 REGRESSÃO
A regressão é uma técnica de
aprendizagem tipicamente usada na
previsão e procura de relações entre
dados quantitativos, em tese, a ideia é
prever um valor numérico, ou sejam
identificar uma categoria em escala
contínua.
Pode ser aplicada para examinar se há
uma relação entre o orçamento
publicitário de uma empresa e as suas
vendas, determinar se há uma relação
linear entre uma determinada
radioterapia e tamanhos de tumores,
prever o preço de um imóvel. Sendo
Regressão Linear, Regressão
Logística exemplos de técnica de
CLASSIFICAÇÃO
A classificação é uma técnica que foca
em prever uma resposta qualitativa
através da análise de dados e do
reconhecimento de padrões, tendo como
objetivo identificar a qual categoria
pertence uma determinada amostra do
problema.
Pode ser utilizados para classificar se
uma transação de cartão de crédito é ou
não fraudulenta, classificar produtos
defeituosos, cliente inadimplentes, se um
vídeo possui conteúdo adulto. Sendo
Árvore de Decisão, Algoritmo de
Naive Bayes e Redes Neurais,
exemplos de técnica de classificação.
APRENDIZAD
O
NÃO
SUPERVISION
02
ADO
 Na aprendizagem não supervisionada, os dados de formação são
desconhecidos e não rotulados - o que significa que ninguém olhou para os
dados antes. Sem o aspeto dos dados conhecidos, a entrada não pode ser
guiada para o algoritmo, que é de onde o termo não supervisionado provém.
Estes dados são alimentados ao algoritmo de Machine Learning e são utilizados
para treinar o modelo. O modelo treinado tenta procurar um padrão e dar a
resposta desejada. Neste caso, é muitas vezes como se o algoritmo estivesse a
tentar decifrar códigos como a máquina Enigma, mas sem a mente humana
diretamente envolvida, mas sim uma máquina [4].

Fonte: Simpli Learn.

 Com isso, Aprendizado Não Supervisionado é um algoritmo que recebe dados
que contêm entradas não rotuladas, ou seja, o computador não é orientado sobre o
que é aquela entrada; e em seguida, adiciona estrutura aos dados sob a forma de
agrupamento. O objetivo é explorar os dados e encontrar alguma estrutura que
possa ser critério de agrupamento. O sistema não descobre a saída certa, mas
explora os dados e extrai inferências de conjuntos de dados para descrever
estruturas ocultas a partir de dados não rotulados.
De uma forma geral, com aprendizado não supervisionado o objetivo é achar uma
representação mais informativa dos dados. Geralmente, essa representação mais
informativa é também mais simples, condensando a informação em pontos mais
relevantes como mostra a imagem abaixo. No Aprendizado Não Supervisionado,
destacam-se duas técnicas: associação e clusterização.

Fonte: Imagem da internet.

 ASSOCIAÇÃO
A associação é uma técnica de
aprendizagem no qual permite o
descobrimento de regras e correlações,
identificando conjuntos de itens que
frequentemente ocorrem juntos [6].
Um exemplo de aplicação está no setor
varejista que costuma usar esta análise
em carrinhos de compras, para descobrir
itens frequentemente comprados em
conjunto, desenvolvendo assim
estratégias mais eficazes de marketing e
merchandising.
CLUSTERIZAÇÃO
A clusterização é uma técnica de
aprendizagem onde o conjunto todo em
análise sofre segmentações em vários
grupos, com base nas semelhanças
encontradas.
Permite dividir automaticamente um
conjunto de dados em grupos de acordo
com medidas de similaridade ou de
distância através do método do cosseno
e a correlação de Pearson, por exemplo.
Dentre os métodos estão o baseado em
particionamento, baseado em densidade,
o hierárquico aglomerativo e hierárquico
divisório.
APRENDIZAD
O
POR 03
REFORÇO
 O algoritmo Aprendizado por Reforço, descobre dados através de um
processo de tentativa e erro e depois decide que ação resulta em recompensas
mais elevadas. Três componentes principais compõem a aprendizagem do
reforço: o agente, o ambiente e as ações. O agente é o aprendiz ou decisor, o
ambiente inclui tudo o que o agente interage, e as ações são o que o agente
faz. O agente realiza uma ação num dado ambiente, alterando seu estado
inicial, o que gera uma recompensa ao agente [4]. De forma cíclica, o agente
avalia esta recompensa (que pode ser positiva ou negativa) e age novamente
no ambiente, gerando o aprendizado [6].

Fonte: Imagem da internet.

 Este método permite que máquinas e agentes de software determinem
automaticamente o comportamento ideal dentro de um contexto específico, de
modo a maximizar o seu desempenho. É necessário um simples feedback de
recompensa para que o agente saiba qual a melhor ação; isto é conhecido
como o sinal de reforço. É frequentemente usada para robótica, jogos e
navegação. Um exemplo seria criar um programa responsável por dirigir um
veículo autônomo, onde ele toma decisões dependendo do cenário que observa
ao redor, recebendo recompensas negativas quando colide com o ambiente ou
com outros veículos, e com repetidas etapas, aos poucos “aprenda” a contornar
os obstáculos [5].

Fonte: Lamfo.
 EXEMPLO
O famoso experimento do “cão de Pavlov” ilustra bem esse paradigma de
aprendizagem. Ivan Pavlov foi um cientista russo notório por apresentar a ideia
do “reflexo condicionado”, baseado no seguinte experimento: apresentando um
pedaço de carne a um cão, o animal passa a salivar, desejando o alimento. Em
vez de apresentar apenas a carne, Pavlov soava uma campainha sempre que
isso acontecia; com a repetição, o cão passava a associar os dois “estímulos”
(carne e campainha) e salivar assim que ouve a campainha [5].

Fonte: Lamfo.
 Em suma, este tipo de aprendizagem emprega-se em um contexto
diferente dos estudados anteriormente, pois há situações que não há um
conjunto de dados históricos disponíveis como base o algoritmo, além disso
novos dados podem ser gerados em tempo real, portanto, a aprendizagem
por reforço surge para dar mais dinamismo na fase de aprendizagem. Logo,
esse tipo de aprendizagem pode ser muito utilizada em sistemas de
decisão em tempo real, tarefas que necessitam de constante aprendizagem
ou até mesmo na aquisição de novos conhecimentos [6].
No aprendizado por reforço destaca-se as seguintes técnicas :
Aproximação por função com atualização por gradiente, Q-Learning, k-
Armed Bandits, Multi-Armed Bandits e Contextual Bandits.
 REFERÊNCIAS BIBLIOGRÁFICAS
[1] MICROSOFT AZURE. What is machine learning? Disponível em: <
https://azure.microsoft.com/en-us/overview/what-is-machine-learning-platform/#techniques>.
Acesso em: 31/08/2020.

[2] BUILTIN. Machine Learning. Disponível em: <https://builtin.com/machine-learning>.

Acesso em: 31/08/2020.

[3] EXPERT SYSTEM. What is Machine Learning? A definition. Disponível em: <
https://expertsystem.com/machine-learning-definition/>. Acesso em: 31/08/2020.

[4] SIMPLI LEARN. What is Machine Learning and How Does It Work?. Disponível em: <
https://www.simplilearn.com/tutorials/machine-learning-tutorial/what-is-machine-learning>.
Acesso em: 01/09/2020.

[5] LAMFO. Os três tipos de aprendizagem de máquina. Disponível em: <

https://lamfo-unb.github.io/2017/07/27/tres-tipos-am/?source=post_page---------------------------
>. Acesso em: 01/09/2020.

[6] VICERE INSIGHTS. As classificações dos algoritmos de Machine Learning. Disponível

em:<https://www.viceri.com.br/insights/as-classificacoes-dos-algoritmos-de-machine-learning
>. Acesso em: 03/09/2020.