Principais sub divisões e aplicabilidade da aprendizagem de máquina

Fonte:  adaptado de datasciencecentral

Aprendizagem de Máquina (AM) é uma área da Inteligência Artificial (IA) capaz de fazer com que sistemas possam aprender com os dados, reconhecer padrões e auxiliar na tomada de decisões utilizando o mínimo de intervenção humana possível. AM é a subárea mais utilizada da IA nas organizações para transformação e interpretação de dados. Está pode ser dividida em 3 grupos principais:

  • Aprendizagem Supervisionada: o supervisionamento é feito através do treinamento com dados rotulados, ou seja, etiquetados com algum tipo de classe. Por exemplo, produtos podem ser classificados em duas classes: com defeito e sem defeito. Algoritmos desse tipo necessitam de um conjunto de dados já etiquetado para conseguir prever novas etiquetas/classes em novos dados. Esses tipos de algoritmos são muito utilizados no reconhecimento de imagens, em estratégias para retenção de clientes, diagnósticos ou até mesmo em previsões de mercado.
  • Aprendizagem Não Supervisionada: ao contrário da supervisionada, aqui não se faz necessário o uso de etiquetas. Aqui são encontrados algoritmos de recomendação, agrupamento e segmentação. Para aprender e prever algo, em vez de rótulos, pode-se usar atributos, notas e características em geral dos dados. Esse tipos de algoritmos são muito utilizados para visualização de dados, na recomendação de itens, segmentação de clientes ou até mesmo na elicitação de atributos em problemas complexos.
  • Aprendizagem por Reforço: a aprendizagem por reforço é muito utilizada em sistemas de decisão em tempo real. Neste caso, não existe um grande conjunto de dados históricos para que seja gerado um conjunto de treinamento e consequentemente seja possível criar um modelo de aprendizado. O tempo todo novos dados são criados e processados servindo de combustível para decisões. Uma boa ilustração de aplicação são sistemas que operam em ambientes incertos e mutáveis, esse tipo de aprendizagem faz com que robôs por exemplo consigam trafegar por ambientes nunca explorados anteriormente. Outros bons exemplos de aplicação são em sistemas de decisão em tempo real, tarefas que necessitam de constante aprendizagem ou até mesmo na aquisição de novos conhecimentos.

Deixe uma resposta