image

Acesse bootcamps ilimitados e +650 cursos

50
%OFF
Article image
Thamyres Soares
Thamyres Soares31/03/2025 21:06
Compartilhe
Microsoft Certification Challenge #3 DP-100Recomendados para vocêMicrosoft Certification Challenge #3 DP-100

Introdução ao Machine Learning e a IA Gen - parte 1

    Recado Importante: este é primeiro artigo de uma série de artigos sobre Machine Learning, Deep Learning e Gen IA


    No boom atual das Gen AI, é fundamental não basta apenas saber os prompts certos para utilizar uma Gen IA, mas entender como ela funciona por dentro. Estudando Machine Learning desde 2022, vejo que é fundamental entender este mecanismo para aplicarmos melhor a Gen IA nas tarefas do cotidiano.


    A criação


    O termo Machine Learning (ou Aprendizado de Máquina) não é novo, o primeiro artigo falando sobre o assunto é da década de 1940 e o conceito tem como criadores Alan Turing (com seu teste), Geoffrey Hinton, Yann LeCunn e Yoshua Bengio com pesquisa nas décadas entre 80 e 90.

    Mas porque somente nas últimas décadas o termo se tornou popular no mundo da tecnologia? Devido a vários fatores:

    •  o avanço no campo científico – na criação de modelos matemáticos e algoritmos mais complexos;
    • a melhoria no desempenho da memória e processamento dos sistemas computacionais
    • o aumento dos dispositivos de comunicação e integração (computadores, notebooks, smartphones, tablets, smart TVs e smartwatches) o que criou uma enorme massa de dados;
    • e por último - uma consequência do item anterior - o aumento da demanda por soluções customizadas.



    Conceito e Pilares do Machine Learning


    O Machine Learning pode ser entendido como um sistema computacional que utiliza algoritmos e modelos matemáticos (Cálculo, Álgebra Linear e principalmente Estatística) para realizar uma inferência, chegar a uma conclusão sobre um grande conjunto de dados.

    Mas você pode estar perguntando: “a Ciência da Computação não faz isso?” Já que também utilizamos a Matemática e algoritmos para desenvolver sistemas. Sim, é verdade, mas a diferença do Machine Learning da Computação Tradicional está na forma como um sistema é desenvolvido. Veja a imagem abaixo:

    image

    No modelo de computação tradicional, o sistema recebe os dados de entrada através do programador (input), segue as instruções do código no algoritmo e retorna com o informações esperadas ou predições (output). Por exemplo, um programador cria um conversor de temperatura de Celsius para Fahrenheit, ele insere os dados (valores de temperatura em Celsius) e já é esperado os valores em Fahrenheit, seguindo o algoritmo que foi criado pelo programador.

    Já em um modelo de Machine Learning, o sistema recebe os dados de entrada através de padrões observados do comportamento humano, busca um melhor modelo (matemático) para o problema em questão e retorna as conclusões, predições esperadas. Por exemplo, um banco quer analisar o risco de fraudes em cartões de crédito, então ele envia ao sistema de os dados das transações em cartões de crédito, o sistema analisa os padrões no conjunto de dados e retorna qual modelo é o mais adequado para esta situação e a predições de quais transações implicam em fraudes.


    Classificações do Machine Learning


    O Machine Learning é classificado em quatro áreas:

    • Aprendizagem Supervisionado (Supervised Learning): modelo clássico e preditivo, onde o conjunto de dados estão rotulados, auxiliando como exemplos para máquina no seu aprendizado, que busca um padrão para aproximar as entradas e saídas rotuladas e medir a precisão dessa aproximação. É muito utilizado em classificação e regressão.
    • Aprendizagem Não Supervisionado (Unsurpervised Learning): outro modelo preditivo, mas a diferença está no fato da máquina encontrar padrões ocultos nos dados sem a necessidade de rótulos ou qualquer intervenção humana.
    • Aprendizagem de Reforço (Reinforcement Learning): um agente (pode ser um robô ou um carro autônomo) toma decisões com base no ambiente ao seu redor. O agente não utiliza dados rotulados e aprende por tentativa e erro, por meio de recompensas.
    • IA Generativa (Gen AI): é a Inteligência Artificial que cria conteúdo multimídia (texto, imagem, vídeo ou áudio) em resposta a um comando (prompt) do usuário. Baseia-se no Deep Learning – algoritmos que simulam o processo de aprendizagem do cérebro humano.


    O que é um modelo?


    Como citado anteriormente, modelo é um termo muito utilizado em Machine Learning, e nada mais é do que uma representação matemática de um sistema do mundo real. Traduzindo: é uma fórmula matemática aplicada em um algoritmo que transforma os dados em informações significativas. Temos vários tipos de algoritmos para situações diversas do cotidiano (prever e prevenir uma fraude, indicar um produto para um cliente em um site de e-commerce ou recomendar um filme em um serviço de streaming, para citar alguns exemplos). Entre os algoritmos que existem, podemos citar: 

    • Regressão Linear e Logística
    • Árvore de Decisão
    • Random Forest
    • Naive Bayes
    • SVM (Support Vector Machine)
    • K-Vizinhos mais próximos
    • Clustering
    • Redes Neurais

    Neste artigo, você conheceu os principais conceitos de Machine Learning, seus fundamentos e onde ele pode ser aplicado. No próximo artigo, veremos como ele se aplica a ferramentas como Gen IA, facilitando as tarefas do nosso dia a dia.


    Compartilhe
    Recomendados para você
    XP Inc. - Cloud com Inteligência Artificial
    Microsoft AI for Tech - Azure Databricks
    Microsoft Certification Challenge #3 DP-100
    Comentários (1)
    DIO Community
    DIO Community - 01/04/2025 13:44

    Thamyres, o seu artigo é um excelente ponto de partida para quem quer entender mais sobre Machine Learning e a Inteligência Artificial Generativa. Você abordou os conceitos de forma clara e conectou a teoria à prática, explicando como o aprendizado de máquina tem evoluído e como ele impacta as soluções tecnológicas atuais. A sua perspectiva sobre como a IA Gen pode ser aplicada no cotidiano também é muito relevante, especialmente para quem deseja entender não apenas como usar essas ferramentas, mas também como elas funcionam por dentro.

    Na DIO, acreditamos que o conhecimento em IA é fundamental para qualquer profissional que deseje estar à frente no mercado tech. Seu artigo reflete exatamente o que buscamos compartilhar com a comunidade: o entendimento profundo dos conceitos, alinhado com a prática real.

    Agora que você já compartilhou essa introdução, quais são os próximos passos da sua jornada no Machine Learning?

    Recomendados para vocêMicrosoft Certification Challenge #3 DP-100