Afinal, o que é machine learning?

#machinelearning #introduction

Quando entramos no mundo da ciência de dados e analytics, a gente ouve alguns termos estranhos, e um deles é machine learning ou aprendizado de máquina mas oque é isso? Como que uma máquina pode aprender? Onde que eu aplico isso?
Vem comigo que neste blog nós vamos sanar algumas de suas dúvidas!

O machine learning ou aprendizado de máquina está presente em quase toda a nossa vida, sabe aquela recomendação de amigos que temos no Facebook? Então gente aquilo usa machine learning.
Sabe a recomendação de filmes que a Netflix mostra para a gente? Então pessoal, ele usa também machine learning.
Tem uma frase que eu ouvi na estréia da revista do MIT no Brasil, em que o palestrante disse “A inteligência artificial vai se tornar lágrimas na chuva”, ou seja ninguém vai perceber mas ela está lá.

Com a utilização do machine learning as máquinas consegue fazer muita coisa, como por exemplo “ver” e classificar objetos, jogar Mario Bros, detectar doenças em raio X e até mesmo dirigir.

Mas oque é machine learning?

São algoritmos que recebem a habilidade de aprender com os dados sem serem explicitamente programados ou de uma forma mais técnica, é uma forma matemática e estatística de representar um problema de negócio.

Mas como as máquinas aprendem?

Temos 3 tipos de aprendizado:

Aprendizado Supervisionado
Aprendizado Não supervisionado
Aprendizado por reforço

Aprendizado supervisionado

Nós temos a presença de um “professor” dizendo para a máquina “Olha, quem tiver essas características é um gato, quem não tiver não é um gato”.
Seguindo essa linha de raciocínio nos datasets nós temos as variáveis X (características) e a variável Y (label, alvo ou saída), ou seja, a partir de uma nova entrada (X) eu consigo prever a minha saída (Y).

Ou seja, a partir das características dos gatos eu consigo dizer se aquele animal que você me mostrar é um gato ou não.

Os problemas que envolvem esse aprendizado é dividido em 2 categorias:

Classificação: Dado um conjunto de dados, com as saídas alvo (Y), a classificação consegue determinar a classe que uma nova entrada (X) pertence. Por exemplo classificar se o animal é um gato ou não.
Regressão: Usado quando a saída (Y) for um valor real, por exemplo o consumo de sorvete o próximo semestre levando em consideração temperatura, o dia da semana e a chuva. Ela pode ser dividida em regressão linear simples: quando eu tenho uma variável X(ou seja uma característica), e regressão linear múltipla: quando eu tenho mais que 2 variáveis X (mais de 2 característica).

Aprendizado não supervisionado

Neste aprendizado nós não temos a presença de um “professor”, portanto a máquina precisa aprender por si mesma os padrões e tendência existentes nos dados, portanto não temos a variável Y. Os problemas que envolvem esse aprendizado é:

Agrupamento: quando queremos descobrir grupos nos nossos dados, por exemplo agrupar as pessoas pelo gosto de livros.
Associação: quando queremos descobrir regras que descrevem os nossos dados, por exemplo as pessoas que gostam do livro A, tendem a comprar o livro B.

Aprendizado por reforço

Neste aprendizado a máquina aprende através de feedbacks sobre os resultados que ela teve e diante desse feedback a máquina ajusta seu comportamento de modo a buscar o melhor resultado. Esse aprendizado é muito usado em games, drones e carros autônomos.