Batalha de Algoritmos: Supervisionado vs. Não-Supervisionado
- #Machine Learning
Você conhece o aprendizado de máquina?
O aprendizado de máquina, ou em inglês, Machine learning, pode ser definido como um método computacional que se baseia na experiência para melhorar o seu desempenho e/ou fazer previsões acuradas. Ou seja, o nosso modelo se torna especialista com base na experiência adquirida através dos conjuntos de dados fornecidos. Devido a sua capacidade de gerenciar grandes quantidades de dados e identificar padrões muitas vezes imperceptíveis para o homem, o aprendizado de máquina vem se mostrando como uma ferramenta útil em diversas áreas de estudo, tais como, na logística, saúde, indústria, melhoramento genético e na agricultura.
Por se tratar de uma área de domínio muito ampla, o aprendizado de máquina foi ramificado em vários subcampos que lidam com diferentes tipos de tarefas de aprendizado, podendo ser classificada de forma simplificada em aprendizado supervisionado, aprendizado não-supervisionado e aprendizado por reforço. Apesar da existência dos três subcampos, neste artigo será dado enfoque no aprendizado aprendizado supervisionado e não-supervisionado.
Aprendizado supervisionado
No aprendizado supervisionado, o aprendizado é obtido através do mapeamento da entrada para uma saída, cujos valores corretos são fornecidos por um supervisor. Dessa forma, a experiência adquirida é através de um treinamento que contém informações significativas rotuladas e o conjunto teste que falta a estas informações rotuladas, e com base na experiência adquirida no conjunto de treinamento pode-se prever a falta de informações para o conjunto de dados. Conforme pode ser visualizado na imagem abaixo:
Aprendizado não-supervisionado
No aprendizado não-supervisionado, não existe supervisor e temos apenas dados de entrada, não rotulados sobre o qual o algoritmo realiza previsões. Desta forma, os dados de entrada são processados com o intuito de obter uma versão resumida ou compacta, o que possibilita compreender e visualizar padrões e tendências dentro do conjunto de dados, conforme pode ser visualizado na imagem abaixo:
Referências bibliográficas
JO, T. Machine Learning Foundations: supervised, unsupervised, and advanced Learning. Switzerland: Springer Nature, 2021, 641 p.
KANAVI, P. M. S. et al. Genetic diversity study through k-means clustering in germplasm accessions of green gram [Vigna radiata (L.)] under drought condition. International Journal of Bio-resource and Stress Management, v. 11, n. 2, p. 138-147, 2020.
MOHRI, M. et al. Foundations of machine learning. 2nd ed., The MIT Press, Cambridge, 505p, 2018.
NANDINI, C. et al. Characterization of barnyard millet (Echinocloa frumentaceae (Roxb.) Link) germplasm for quantitative traits to enhance its utilization. Electronic Journal of Plant Breeding, v. 11, n. 04, p. 1066-1072, 2020.
PARMLEY, K. A. et al. Machine learning approach for prescriptive plant breeding. Scientific reports, UK, v. 9, n. 1, p. 1-12, 2019.
RAD, M. R. N.; RAFEZI, R. Integrated genetic components and machine learning approaches for better selection of traits in breeding of melon under high tunnel cultivation condition. Plant Cell Biotechnology and Molecular Biology, n. 21, p. 36-46, 2020.
SHALEV-SHWARTZ, S.; BEN-DAVID, S. Understanding machine learning: from theory to algorithms. New York: Cambridge university press, 2014. 409p.