Como a máquina aprende? - Técnicas de Machine Learning em Python

Alan Turing, o pai da computação, foi o primeiro a utilizar o termo Inteligência Artificial, em seu artigo Computadores e Inteligência, de 1950. Ela é um ramo da computação que engloba diversos algoritmos voltados a, não somente automatizar tarefas, mas dar autonomia as máquinas para tomarem decisões ao cumpri-las. Uma de suas disciplinas é o Aprendizado de Máquina, mais conhecido como Machine Learning, termo cunhado em 1959.

Apesar dos conceitos serem antigos, somente agora temos poder de processamento e dados suficientes para coloca-los em prática. Sim, dados, eles são o alimento das Inteligências Artificiais, são os objetos de aprendizado em Machine Learning.

No Aprendizado de Máquina o objetivo dos algoritmos é simular nas máquinas as formas de aprendizado humano.

Como e quais são é o que iremos ler neste artigo:

1. Aprendizado Supervisionado

2. Aprendizado Não Supervisionado

3. Aprendizado Semi Supervisionado

4. Aprendizado Por Reforço

5. Aprendizagem Profunda

1 - Aprendizado Supervisionado

A busca é por reproduzir a relação de aluno e professor, onde o aluno aprende sob a supervisão do professor, avaliações e suas correções.

Então os dados que alimentam um algoritmo de aprendizado supervisionado, já estão classificados, como um dataset com as características de vinhos, incluindo se são tinto ou branco. São conjuntos de exemplos.

O objetivo é aprender o padrão nos dados já classificados para classificar dados ainda não classificados, retornando a porcentagem de chance dos vinhos serem tintos ou brancos.

2 - Aprendizado Não Supervisionado

Alguns de nós conseguem aprender sozinhos, e este é o objetivo do algoritmo.

Os dados que alimentam o algoritmo de aprendizado não supervisionado podem ser o mesmos do dataset com as características de vinhos, porém sem a classificação se é tinto ou branco.

O algoritmo separa os dados por similaridade, utilizando distancia euclidiana ou outro calculo de distancia, prevendo qual grupo eles pertencem.

3 - Aprendizado Semi Supervisionado

A união do aprendizado supervisionado e o não supervisionado.

Em uma situação onde temos dados onde uma parte está classificada e outra não, utilizamos os dois algoritmos de aprendizado anteriores para aprimorar sistemas de recomendação.

4 - Aprendizado Por Reforço

Este algoritmo busca reproduzir o aprendizado por bonificação, onde cada ação recebe uma recompensa e cada erro uma punição.

Muitos utilizam modelos de aprendizado por reforço em operações de compra e venda de ações, tendo como exemplo cada venda acima do preço de compra uma recompensa e cada compra longe de baixas temporais uma punição.

5 - Aprendizado Profundo

A busca é por reproduzir a especialização de uma pessoa pelo assunto do estudo.

Pode ser usado para aprendizado supervisionado e também não supervisionado, pois tem como diferencial o aprendizado tão profundo que o nível de precisão do modelo é consideravelmente alto.

Conclusão

A partir da compreensão do objetivo que estamos buscando e dos dados que temos, sabemos qual algoritmo de Machine Learning iremos utilizar para sua resolução. Os modelos de aprendizado são sistemas, e como todo sistema, com boas entradas temos boas saídas, por isso a importância da limpeza e tratamento dos dados que serão utlizados para seu treinamento. Os frameworks de Python geralmente utilizados para construção de modelos são Scikit-learn e Spark MLlib.