Introdução ao Machine Learning

O treinamento é uma habilidade universal inerente a qualquer organismo vivo do planeta.

Aprender é a aquisição de conhecimentos e habilidades através da experiência ou estudo. É isso que nos une e ao mesmo tempo nos torna únicos. É isso que se desenvolve ao longo do tempo.



E se eu disser: "Os carros também podem aprender"?

Vivemos um momento incrível do desenvolvimento da robótica, inteligência artificial e aprendizado de máquina. O aprendizado de máquina ainda é um conceito relativamente novo. Podemos ensinar máquinas a aprender e algumas podem aprender por conta própria. A magia!

Este artigo apresentará os conceitos básicos do aprendizado de máquina.
A coisa mais importante que você precisa entender: as máquinas podem prever o futuro com base no passado.

O que é aprendizado de máquina?

O aprendizado de máquina pressupõe que um computador reconheça padrões com exemplos, em vez de ser programado com regras específicas. Esses padrões estão contidos nos dados.

O aprendizado de máquina é a criação de algoritmos (um conjunto de regras) que aprendem com funções complexas (modelos) a partir de dados e fazem previsões.

Isso acontece em 3 etapas :
1) Análise de Dados
2) Encontrar padrões
3) Predição baseada em padrões

Aplicativo de aprendizado de máquina

Visão geral de onde o aprendizado de máquina pode ser usado

• Assistência médica: prever diagnósticos de pacientes para médicos
• Rede Social: Prevendo a compatibilidade em um site de namoro
• Finanças: Previsão de fraude no cartão de crédito
• Comércio eletrônico: prevendo a saída de clientes
• Biologia: procure padrões de mutações genéticas que podem causar câncer

Como os carros aprendem?

Não quero confundi-lo, apenas direi que as máquinas aprendem encontrando dados semelhantes em grandes conjuntos de dados. Quanto mais dados são transferidos para a máquina, mais "inteligente" se torna.

Nem todos os dados são iguais. Imagine que você é um pirata e seu objetivo é encontrar um tesouro em algum lugar da ilha. Para fazer isso, você precisa de muita informação. Assim como os dados, essas informações podem levá-lo na direção certa ou errada. Quanto mais precisas as informações / dados recebidos, maior a chance de sucesso. Portanto, é importante considerar o tipo de dados com o qual o treinamento será realizado.

No entanto, após dados suficientes, a máquina pode fazer previsões. As máquinas podem prever o futuro até que o futuro seja muito diferente do passado.

Tipos de aprendizado de máquina

Existem três categorias principais de aprendizado de máquina:

Aprendizado supervisionado : a máquina aprende com os dados selecionados. Geralmente, os dados são anotados pelas pessoas.

Aprendizado não supervisionado : a máquina não está aprendendo com os dados selecionados. O ponto é que, entre os dados, não há resposta "certa", a máquina deve encontrar o relacionamento entre os objetos.

Aprendizado por reforço : uma máquina aprende através de um sistema baseado em recompensa.

1. Aprendizado supervisionado (treinamento de professores)

Aprender com um professor é o tipo de aprendizado de máquina mais comum e estudado, porque é mais fácil treinar uma máquina com dados selecionados. Dependendo do que você deseja prever, o ensino com um professor pode ser usado para resolver dois tipos de problemas: o problema de regressão e o problema de classificação.

Objetivo da regressão:

Se você deseja prever valores contínuos, por exemplo, tente prever o valor de uma casa ou o clima na rua em graus, use regressão. Esse tipo de tarefa não possui um limite específico de valores, pois o valor pode ser qualquer número sem restrições.

Tarefa de classificação:

Se você deseja prever valores discretos, como categorizar algo, use a classificação. A pergunta "Uma pessoa fará uma compra" tem uma resposta que se enquadra em duas categorias específicas: sim ou não. O número de respostas válidas é claro.

2. Aprendizagem não supervisionada (aprendizagem sem professor)

Como as máquinas não possuem dados marcados para treinamento, o objetivo do aprendizado de máquina sem um professor é detectar padrões nos dados e agrupá-los.
Aprender sem professor resolve dois tipos de problemas: o problema de agrupamento e a tarefa de encontrar regras associativas.

A tarefa de agrupar:

Aprender sem um professor resolve o problema do agrupamento, encontrando semelhanças nos dados. Se houver um cluster ou grupo comum, o algoritmo os classificará de uma forma específica. Um exemplo disso é o agrupamento de clientes com base em suas compras anteriores.

A tarefa de encontrar regras associativas:

Aprender sem um professor resolve esse problema, tentando entender as regras e o significado de diferentes grupos. Um exemplo impressionante é a busca pelo relacionamento entre as compras dos clientes. As lojas podem descobrir quais produtos foram comprados juntos e usar essas informações para vendas. Um estudo descobriu que existe uma relação estreita entre a compra de cerveja e fraldas. Acontece que os homens que saem para comprar fraldas para os filhos também tendem a comprar cerveja para si.

3. Aprendizado por reforço

Esse tipo de aprendizado de máquina requer o uso de um sistema de recompensa / penalidade. O objetivo é recompensar o carro quando estiver estudando corretamente e punir a máquina quando estiver estudando incorretamente.

Exemplos de aprendizagem por reforço

- Máquinas de aprender a aprender a jogar ( xadrez, ir )
- Super Mario , como estudar e jogar

Falamos sobre os conceitos básicos de aprendizado de máquina, o tópico é interessante e promissor, portanto, não perca tempo para aprender mais.

Guia para iniciantes de aprendizado de máquina :)