Escolar Documentos
Profissional Documentos
Cultura Documentos
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 PRODUÇÃO DE
COMPUTACIONAL ENERGIA
Para pontuação de crédito e Para previsão de preços e
negociação algorítmica cargas
BIOLOGIA PROCESSAMENTO DE
COMPUTACIONAL LINGUAGEM NATURAL
Para detecção de tumores, Para aplicações de
descoberta de fármacos e reconhecimento de voz
sequenciamento de DNA
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
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].
Pode ser aplicada para examinar se há Pode ser utilizados para classificar se
uma relação entre o orçamento uma transação de cartão de crédito é ou
publicitário de uma empresa e as suas não fraudulenta, classificar produtos
vendas, determinar se há uma relação defeituosos, cliente inadimplentes, se um
linear entre uma determinada vídeo possui conteúdo adulto. Sendo
radioterapia e tamanhos de tumores, Árvore de Decisão, Algoritmo de
prever o preço de um imóvel. Sendo Naive Bayes e Redes Neurais,
Regressão Linear, Regressão exemplos de técnica de classificação.
Logística exemplos de técnica de
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: 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.
[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.