Aprendizado de Máquina - Machine Learning

RAMON LUIZ SPOSITO, JONATHAS CORREA ALVES, RODRIGO BERTUCCI DO AMARAL, WANNER MARTINS DE MENEZES, FÁBIO DINIZ

O Aprendizado de máquina (Machine Learning) pode ser definido como um conjunto de regras e procedimentos que permitem que os computadores possam agir e tomar decisões em dados, não precisando que sejam programados especificamente para realizarem tais tarefas.

Os programas de Aprendizado de Máquina evoluem com o longo do tempo, adaptando-se de forma independente quando expostos a novos dados. Eles aprendem com seus cálculos anteriores, com o intuito de produzir resultados cada vez mais confiáveis.

Atualmente, têm-se vários métodos de machine learning. Os dois mais adotados são:

- Algoritmos de aprendizado supervisionado: É a técnica utilizada quando o programa tem um conjunto de dados já rotulado/pré-definido. Começando a manipular esses dados, o programa toma decisões mais precisas quando recebe novos dados. É um tipo de algoritmo utilizado na situação em que dados já passados podem prever acontecimentos futuros.

- Aprendizado não supervisionado: É utilizado com dados que não possuem informações passadas/histórico. Sendo assim, o algoritmo tenta descobrir o que está sendo exatamente mostrado: ele explora os dados, e encontra padrões, relações e estruturas dentro deles. Esse tipo de aprendizado funciona muito bem dados transicionais, por exemplo.

Além desses métodos, existem alguns conceitos importantes para entender melhor o aprendizado de máquina. 

A Classificação é uma sub-categoria da aprendizagem supervisionado. Pode ser definido como o processo de analisar uma entrada, e basicamente rotular a mesma. Sendo assim, é geralmente utilizado para previsões distintas, como um simples “sim” ou “não”.

Também sendo uma sub-categoria da mesma natureza que a Classificação, têm-se a Regressão que é utilizada quando o valor procurado pode ter informações diferentes de um “sim ou não”, podendo responder a questões mais específicas, como por exemplo: “Quantas pessoas residem no local X?”

As Árvores de Decisão são ferramentas que utilizam gráficos de árvore ou modelos de decisões, juntamente com suas possíveis consequências.

Um tema muito trabalho atualmente é o de Aprendizagem Profunda. Ela tem o propósito de aprender padrões mais complexos em uma quantidade grande de dados. É geralmente utilizada quando o volume de dados é muito grande para outras abordagens mais simples. As aplicações atuais desse tipo de aprendizagem são nas áreas de identificação de objetos em imagens, e de palavras em sons.