Conceitos Fundamentais de Machine Learning

Se você está iniciando sua jornada no mundo do Machine Learning e suas aplicações, provavelmente já se deparou com alguns termos muito técnicos que são muitas vezes de difícil compreensão. Neste post, vou descrever alguns conceitos fundamentais de Machine Learning e suas respectivas aplicações.

De forma bem simples, Machine Learning é um conjunto de regras e procedimentos, que permite que os computadores possam agir e tomar decisões baseados em dados ao invés de ser explicitamente programados para realizar uma determinada tarefa. Programas de Machine Learning também são projetados para aprender e melhorar ao longo do tempo quando expostos a novos dados. Machine Learning tem estado no centro de muitos avanços tecnológicos nos últimos anos, como carros que dirigem, visão computacional e sistemas de reconhecimento de voz. Abaixo, alguns conceitos desta fascinante tecnologia que é o Machine Learning:

Aprendizagem Supervisionada (Supervised Learning)

É o termo usado sempre que o programa é “treinado” sobre um conjunto de dados pré-definido. Baseado no treinamento com os dados pré-definidos, o programa pode tomar decisões precisas quando recebe novos dados. Exemplo: Pode-se usar um conjunto de dados de recursos humanos para treinamento da Machine Learning, que tenha tweets marcados como positivos, negativos e neutros e assim treinar um classificador de análise de sentimento.

Aprendizagem Não Supervisionada (Unsupervised Learning)

Termo usado quando um programa pode automaticamente encontrar padrões e relações em um conjunto de dados. Exemplo: Análise de um conjunto de dados de e-mails e agrupamento automático de e-mails relacionados ao tema, sem que o programa possua qualquer conhecimento prévio sobre os dados.

Classificação (Classification)

A classificação é uma sub-categoria de aprendizagem supervisionada. Classificação é o processo de tomar algum tipo de entrada e atribuir um rótulo a ela. Sistemas de classificação são usados ​​geralmente quando as previsões são de natureza distinta, ou seja, um simples “sim ou não”. Exemplo: Mapeamento de uma imagem de uma pessoa e classificação como masculino ou feminino.

Regressão (Regression)

Outra sub-categoria de aprendizagem supervisionada usada quando o valor que está sendo previsto difere de um “sim ou não” e que siga um espectro contínuo. Sistemas de regressão poderiam ser usados, por exemplo, para responder às perguntas: “Quanto custa?” ou “Quantos existem?”.

Árvores de Decisão (Decision Trees)

Uma árvore de decisão é uma ferramenta de apoio à decisão que usa um gráfico de árvore ou modelo de decisões e suas possíveis consequências. Uma árvore de decisão é também uma maneira de representar visualmente um algoritmo.

Modelo Gerador (Generative Model)

Em probabilidade e estatística, um Modelo Gerador é um modelo usado para gerar valores de dados quando alguns parâmetros são desconhecidos. Modelos geradores são usados ​​em Machine Learning para qualquer modelagem de dados diretamente ou como um passo intermediário para a formação de uma função de densidade de probabilidade condicional. Em outras palavras, podemos modelar P (x, y), a fim de fazer previsões (que podem ser convertidos para p (x | y) aplicando a regra de Bayes), bem como para ser capaz de gerar prováveis pares ​​(x, y), o que é amplamente utilizado na Aprendizagem não supervisionada. Exemplos de Modelos Geradores incluem Naive Bayes, Latent Dirichlet Allocation e Gaussian Mixture Model.

Modelos Condicionais (Discriminative Model)

Discriminative Model ou modelos condicionais, são uma classe de modelos usados ​​em Machine Learning para modelar a dependência de uma variável y em uma variável x. Como esses modelos tentam calcular probabilidades condicionais, isto é, p (y | x) são frequentemente utilizados em aprendizado supervisionado. Exemplos incluem regressão logística, SVMs e Redes Neurais.

Aprendizagem Profunda (Deep Learning)

Este tem sido um tema muito discutido recentemente. Basicamente, a aprendizagem profunda refere-se a uma categoria de algoritmos de Machine Learning, que muitas vezes usam redes neurais artificiais para gerar modelos. Técnicas de Deep Learning, por exemplo, foram muito bem sucedidas na resolução de problemas de reconhecimento de imagem devido à sua capacidade de escolher as melhores características, bem como para expressar camadas de representação. Inspirado por redes neurais biológicas, redes neurais artificiais são uma rede de nós interconectados que compõem um modelo. Eles podem ser definidos como modelos de aprendizagem estatística que são usados para calcular ou aproximar funções que dependem de um grande número de entradas. As redes neurais são normalmente utilizadas quando o volume de entrada é demasiado grande para as abordagens convencionais de aprendizagem automática previamente discutidas.

David Matos