Machine Learning 101: Entendendo os 4 Tipos Principais para Iniciantes

Sem dúvida Big Data é parte major do desenvolvimento tecnológico futuro. Porém, machine learning (ML) e Inteligência Artificial (IA) desempenham papel importante. Relação resumida: Big Data = matéria-prima, ML = método, IA = resultados.

O que é Machine Learning?

Machine learning (ML) é um dos tipos de inteligência artificial (IA) onde algoritmos são escritos de forma que o sistema ganha capacidade de aprender, adaptar e melhorar automaticamente através da experiência sem ser explicitamente programado.
Algoritmos ML constroem modelo exemplar baseado no tipo de dados alvo, chamados "dados de treinamento".

Tipos de machine learning?

Vários tipos de algoritmos ML, comumente divididos em 4 categorias:

• Aprendizado Supervisionado.
• Aprendizado Não Supervisionado.
• Aprendizado Semi-Supervisionado.
• Aprendizado por Reforço.
  

Aprendizado Supervisionado

Quando máquina é supervisionada durante etapa de "aprendizado", chama-se aprendizado supervisionado. O que significa máquina supervisionada? Aplicar algoritmos para que máquina aprenda a usar dados antigos (fornecidos no passado) para prever eventos futuros relativos ao tipo de dados inseridos (dados antigos).

Análise iniciada e todos materiais no dataset de treinamento rotulados correlacionam com máquina para que preveja valores de saída corretos. Fornecemos à máquina muita info sobre caso particular e ela fornece resultado. Resultado = dados rotulados; resto = features de entrada. Sistema também fornece targets para nova entrada após treinamento suficiente. Algoritmo compara saída com saída pretendida e acha diferenças para ajustar modelo.

Imagem: artificialintelligence.oodles.io/

Método majoritariamente classificação manual, mais fácil para computador, mais difícil para humanos. Exemplo: dizer respostas padrão à máquina; quando testada, sempre responderá segundo padrão, confiabilidade maior.

Aprendizado Não Supervisionado

Contraste ao supervisionado: algoritmos não supervisionados usados quando info para treinar máquina não é classificada nem rotulada; como nome sugere, sem ajuda do usuário para computador aprender.

Material sem rótulo; máquina combina características dos dados e classifica materiais. Devido à falta de conjuntos rotulados, máquina identifica padrões nos dados não óbvios para humanos.

Imagem: data-flair.training/

Neste método, não há classificação manual, mais fácil para humanos, mais difícil para computador, pode causar mais erros. Sistema geralmente não descobre saída pretendida, mas pesquisa dados e extrai relações de datasets para descrever estruturas ocultas de dados não rotulados. Para reconhecer padrões, não supervisionado é extremamente útil e ajuda a tomar decisões.

Aprendizado Semi-Supervisionado

Diferente de supervisionado e não supervisionado: ou não há rótulos para todas observações ou rótulos presentes.

No semi-supervisionado, dados rotulados (supervisionado) e não rotulados (não supervisionado) usados para treinamento. SSL mistura os dois: pequena quantidade rotulada, grandes quantidades não rotuladas. Máquina acha features via dados rotulados e, com modelo base, classifica outros dados. Sistemas SSL melhoram consideravelmente precisão do aprendizado e previsões.

Método mais usado porque custo de rotular é alto (especialistas humanos necessários). Requer recursos relevantes para treinar; dados não rotulados geralmente não exigem recursos adicionais. Devido à falta de rótulos na maioria observações mas presença de alguns, algoritmos semi-supervisionados são preferidos como melhores candidatos para construir modelo.

Beneficiam-se da ideia que, embora membros do grupo sejam desconhecidos (dados não rotulados mais gerais), informação sobre parâmetros ainda carregada nos rotulados e pode ser encontrada usando-os.

Aprendizado por Reforço

Mais próximo de como humanos aprendem. Algoritmos RML são método onde máquina interage repetidamente com ambiente construindo novas ações e descobrindo erros ou recompensas. Usa sistema de recompensa positiva ou negativa.

Busca por tentativa e erro com recompensa atrasada é característica mais relevante. Máquina constrói comportamento usando observações da interação com ambiente e toma ações que maximizam recompensa ou minimizam risco. Permite máquinas determinarem automaticamente comportamento ideal em contexto para aumentar performance. No reforço, não há materiais rotulados, mas requer feedback simples: qual passo certo, qual errado — sinal de reforço.

Segundo padrão de feedback, máquina revisa gradualmente classificação até acertar. Integração de reforço necessária para atingir certo nível de precisão em não supervisionado.

RML provavelmente mais difícil de produzir e executar em ambiente de negócios, mas comumente usado para carros autônomos.