Aprendizado de maquina
O Aprendizado de maquina é nada mais nada menos que uma inteligência artificial, o A de
Maquina e uma das mais utilizadas hoje em dia por conta da sua capacidade de resolução de
problemas complexos ou de grande volume de dados.
O processo de aprendizado consiste no treinamento de um algoritmo ou modelo para que
possa criar regras que relacionam os dados de entrada (atributos previsores) com os dados de
saída (atributo alvo), permitindo a realização de tarefas como classificação, previsão e
agrupamento de dados.
Também permite que a quantidade de informações produzidas por uma empresa ou
laboratório sejam mais bem aproveitadas, buscando correlações entre informações que, de
outra forma, seriam ignoradas.
Atributos de entrada do algoritmo = atributos previsores que são os atributos de entrada
Atributos de saída = atributos alvo que permitem a realização de classificar previsão ou
agrupamento
Processo de aprendizado da maquina
O aprendizado de máquina pressupõe o acúmulo de conhecimento e, portanto, de extração de
significado a partir de determinado conjunto de dados.
Esse processo pode ser dividido em sete etapas: coleta de dados, preparação dos dados,
seleção do modelo, treinamento, avaliação, ajuste de parâmetros e aplicação
Tarefas de aprendizado de máquina
As tarefas de aprendizado dizem respeito à forma como a máquina processa uma instância do
conjunto de dados;
A tarefa é executada tanto durante o treinamento quanto durante os testes e aplicações, mas
não é responsável pelo acúmulo de conhecimento em si.
As tarefas de aprendizado podem ser classificadas, segundo o paradigma de aprendizado, em
preditivas ou descritivas
Tarefas preditivas, como sugere o nome, têm por finalidade prever os atributos de saída a
partir da experiência passada;
Já as tarefas descritivas analisam dados apenas passados e auxiliam a compreensão do
conjunto desses dados. Nesse caso, a busca é por padrões e características em comum de
dados já existentes que se caracterizam pela ausência de atributo alvo;
