{"id":12986,"date":"2018-03-16T09:17:31","date_gmt":"2018-03-16T12:17:31","guid":{"rendered":"https:\/\/king.host\/blog\/?p=12986"},"modified":"2024-06-03T17:01:47","modified_gmt":"2024-06-03T20:01:47","slug":"machine-learning-uma-introducao","status":"publish","type":"post","link":"https:\/\/king.host\/blog\/glossario\/machine-learning-uma-introducao\/","title":{"rendered":"Machine Learning: Uma Introdu\u00e7\u00e3o"},"content":{"rendered":"

Machine Learning \u00e9 um subcampo de Intelig\u00eancia Artificial (IA)<\/strong> e tem como principal abordagem a de aprender atrav\u00e9s da experi\u00eancia para encontrar padr\u00f5es em conjunto de dados.<\/p>\n

Envolve ensinar um computador, atrav\u00e9s de exemplos, a reconhecer padr\u00f5es em vez de program\u00e1-lo com regras espec\u00edficas.<\/p>\n

Exemplo de Machine Learning<\/h2>\n

Vamos a um exemplo para tornar a defini\u00e7\u00e3o acima mais clara, digamos que um programa de e-mail fique observando quais os e-mails que chegam e s\u00e3o marcados pelo usu\u00e1rio como spam ou n\u00e3o spam para aprender dessa forma filtrar melhor os pr\u00f3ximos.<\/p>\n

Logo, nosso T (Tarefas) seria a de classificar emails como spam ou n\u00e3o spam<\/strong>, nosso E (Experi\u00eancia) seria a observa\u00e7\u00e3o sobre a rotula\u00e7\u00e3o de e-mails como spam ou n\u00e3o spam<\/strong> e nosso P (Performance) seria a medida de e-mails corretamente classificados como spam ou n\u00e3o spam<\/strong>.<\/p>\n

Sendo assim, nosso classificador aprenderia a filtrar melhor, reconhecendo os padr\u00f5es de Spam ou n\u00e3o Spam, atrav\u00e9s da medida de erros que obtivesse e da experi\u00eancia adquirida, quanto maior a experi\u00eancia, mais chance de a performance ser melhor e ser mais assertivos quanto marcar corretamente um e-mail como Spam ou n\u00e3o Spam.<\/p>\n

O exemplo a seguir \u00e9 apenas uma representa\u00e7\u00e3o bem simples do que seria um programa normal e suas regras e outro com Machine Learning.<\/p>\n

# programa tradicional\nif \"Promo\u00e7\u00e3o\" in email:\n    marque_como_spam()\nif \"ofertas\" in email:\n    marque_como_spam()\nif \"b\u00f4nus\" in email:\n    ...<\/pre>\n
# programa com machine learning\n\nfor emails:\n  classifique_emails(emails)\n  reduz_erros_aprende(performance)\n  ...<\/pre>\n
Em Machine Learning h\u00e1 tr\u00eas principais classifica\u00e7\u00f5es<\/strong> no que diz respeito aos algoritmos usados e o tipo de aprendizagem deles, s\u00e3o elas:<\/p>\n
    \n
  • Aprendizagem Supervisionada.<\/li>\n
  • Aprendizagem N\u00e3o Supervisionada.<\/li>\n
  • Aprendizagem Por Refor\u00e7o.<\/li>\n<\/ul>\n
    A<\/strong> escolha de qual das tr\u00eas usar<\/strong> vai depender do conjunto de dados que se tem e do problema que deseja resolver.<\/strong><\/p>\n
    Em geral quase qualquer problema pode ser atribu\u00eddo a uma das duas classifica\u00e7\u00f5es: Aprendizagem Supervisionada e Aprendizagem N\u00e3o Supervisionada.<\/p>\n
    Machine Learning: Aprendizagem Supervisionada<\/h2>\n
    A maioria das pr\u00e1ticas de Machine Learning utiliza a aprendizagem supervisionada.<\/p>\n
    Na aprendizagem supervisionada \u00e9 dado um conjunto de dados<\/strong> e sabemos como deve ser o resultado correto de retorno<\/strong>, visto que entre a entrada e a sa\u00edda existe uma rela\u00e7\u00e3o, ou seja, voc\u00ea tem as entradas (X) e as sa\u00eddas (Y) e utiliza o algoritmo para a mapear a fun\u00e7\u00e3o de aprendizado que ir\u00e1 fazer a imagem da entrada (X) para a sa\u00edda (Y).<\/p>\n
    Y =f(X)<\/p>\n
    O objetivo \u00e9 que quando voc\u00ea tenha uma nova entrada (X) seja poss\u00edvel prever qual \u00e9 a sa\u00edda (Y)<\/strong>, a partir do modelo produzido contendo regras aprendidas da fun\u00e7\u00e3o de aprendizado.<\/p>\n
    \u00c9 chamado de Aprendizagem Supervisionada porque o processo de aprendizagem de um algoritmo em rela\u00e7\u00e3o ao conjunto de dados pode ser acompanhado<\/strong>, como um professor acompanhando o processo de aprendizado. Sabe-se as respostas certas, o algoritmo faz as predi\u00e7\u00f5es sobre o conjunto de dados e vamos corrigindo-o a medida que suas respostas n\u00e3o s\u00e3o de acordo o resultado esperado.<\/p>\n
    Os problemas que envolvem a Aprendizagem Supervisionada podem ser agrupados em problemas de classifica\u00e7\u00e3o e\/ou regress\u00e3o.<\/p>\n
      \n
    • Classifica\u00e7\u00e3o:<\/strong> em um problema de classifica\u00e7\u00e3o a sa\u00edda (Y) \u00e9 um valor entre 0 e 1, onde a aproxima\u00e7\u00e3o de 0 ou de 1 determinam o qu\u00e3o mais pr\u00f3ximo se encontra o que se \u00e9 avaliado, por exemplo, classificar um c\u00e2ncer se \u00e9 maligno ou benigno, se um email \u00e9 spam ou n\u00e3o \u00e9 spam.<\/li>\n
    • Regress\u00e3o:<\/strong> em uma regress\u00e3o a sa\u00edda (Y) \u00e9 um valor real, exemplo o pre\u00e7o de uma casa em rela\u00e7\u00e3o a pre\u00e7os de casas vistas e seu tamanho ou mesmo o valor de um carro de acordo ano e modelo.<\/li>\n<\/ul>\n
      Machine Learning: Aprendizagem N\u00e3o Supervisionada<\/h2>\n
      Na Aprendizagem N\u00e3o Supervisionada tem-se apenas a entrada (X) de dados e n\u00e3o a sa\u00edda (Y) correspondente.<\/p>\n
      O objetivo nesse caso \u00e9 modelar a estrutura ou distribui\u00e7\u00e3o subjacente dos dados para saber mais sobre os mesmos.<\/strong><\/p>\n
      A Aprendizagem N\u00e3o Supervisionada \u00e9 chamada assim, porque n\u00e3o h\u00e1 um feedback com base nos resultados de previs\u00e3o como no caso anterior, na verdade n\u00e3o se sabe a sa\u00edda e n\u00e3o h\u00e1 um professor. Os algoritmos s\u00e3o deixados por seus pr\u00f3prios mecanismos para descobrir e apresentar a estrutura de dados, isso nos permite abordar problemas com pouca ou nenhuma ideia sobre os resultados.<\/p>\n
      Problemas de Aprendizagem N\u00e3o Supervisionada podem ser agrupados em Agrupamento (Clustering) e Associa\u00e7\u00e3o (Association).<\/p>\n
        \n
      • Agrupamento:<\/strong> em um problema de agrupamento deseja-se descobrir os grupos inerentes ao conjunto de dados, como agrupar clientes por comportamento de compras.<\/li>\n
      • Associa\u00e7\u00e3o:<\/strong> em um problema de aprendizagem com regras associativas, deseja-se descobrir regras que descrevam grandes por\u00e7\u00f5es de seus dados, como pessoas que compram um determinado produto A, tendem a comprar o produto B.<\/li>\n<\/ul>\n
        Machine Learning: Aprendizagem Por Refor\u00e7o<\/h2>\n
        Tentativa e erro, m\u00e9todo de recompensa para os acertos \u00e9 como podemos descrever a Aprendizagem Por Refor\u00e7o. Sua abordagem \u00e9 semelhante a de um beb\u00ea aprendendo coisas novas.<\/strong><\/p>\n
        A m\u00e1quina n\u00e3o conhece nada no come\u00e7o. Ela ent\u00e3o tentar\u00e1 algo e, de acordo com os resultados, decidir\u00e1 se foi uma decis\u00e3o boa ou ruim. Ap\u00f3s in\u00fameras tentativas, se o modelo for bem aprendido, a m\u00e1quina se tornar\u00e1 melhor e melhor e, eventualmente, apenas tomar\u00e1 boas decis\u00f5es.<\/p>\n
        Na Aprendizagem por refor\u00e7o um ambiente fornecer\u00e1 dados aos quais um \u201cagente\u201d ir\u00e1 tomar decis\u00f5es passo a passo de acordo eles. Esse ambiente ir\u00e1 responder com uma recompensa (que indicar\u00e1 se a a\u00e7\u00e3o foi boa ou n\u00e3o, estado da a\u00e7\u00e3o), essa recompensa determinar\u00e1 a altera\u00e7\u00e3o de regras de decis\u00e3o feita pelo \u201cagente\u201d para atuar melhor no futuro. O objetivo a longo prazo da aprendizagem por refor\u00e7o \u00e9 maximizar as recompensas.<\/strong><\/p>\n
        A dificuldade reside no fato de que as a\u00e7\u00f5es tomadas pelo agente podem mudar o ambiente, e o agente pode obter sua recompensa muito tempo depois de sua a\u00e7\u00e3o. Ent\u00e3o, torna-se dif\u00edcil saber quais a\u00e7\u00f5es levaram a qual recompensa.<\/p>\n
        Um bom exemplo de uso de aprendizagem por refor\u00e7o s\u00e3o para ensinar novos comportamentos aos rob\u00f4s, como no v\u00eddeo a seguir onde um rob\u00f4 est\u00e1 aprendendo a virar panquecas atrav\u00e9s da aprendizagem por refor\u00e7o.<\/p>\n