Acho que um bom começo, antes de chegar aqui postando projetos finalizados, seria apresentar os conceitos de Inteligência Artificial, Data Science, Machine Learning e Deep Learning.
Vejo que no início muitas pessoas acabam tendo um pouco de dificuldade de entender as diferenças de cada área. Espero que com esse post eu consiga ajudar a esclarecer as coisas para você.
Artificial Intelligence (Inteligência Artificial):
Para começar a falar sobre IA é necessário primeiro falarmos sobre o processo de transformação digital que vem acontecendo nos últimos tempos. Mas o que essa transformação digital provocou? O que ela transformou?
Bom… praticamente tudo. Quem aqui nunca pediu uma comidinha no final de semana pelo ifood? Quem nunca se pegou, enquanto planejava uma viagem, comparando os preços dos hoteis com os preços oferecido pelo airbnb? Ou se pegou pedindo um uber?
Essas e outras formas de agir vem sendo mudadas com o avanço da tecnologia e com as empresas ditas como disruptivas.
Junto com isso a produção de dados cresceu e MUITO. Só para ter uma noção, vou deixar aqui abaixo uma imagem que mostra a quantidade de dados gerados em 60 minutos, no ano de 2019, por alguns aplicativos bem conhecidos que com certeza você utiliza no seu dia a dia.
E ai, vocês tinham noção desse número? Pois eu fiquei bem surpresa.
Data Science (Ciência de Dados):
Você provavelmente já deve ter ouvido falar que Data Science é "o emprego mais sexy do século 21". Hey, não sou eu que tô falando…
Vou deixar o artigo aqui para você conferir.
Data Science é só computação? Não!!! Apenas formados em T.I trabalham nessa área? Não mesmo.
Data Science é a soma de algumas áreas como matemática, programação, estatística… Aqui precisamos ter (ou desenvolver) a capacidade de solucionar problemas e claro, ter um entendimento de negócio. Já deu pra perceber que estamos falando de um(a) profissional multidisciplinar, não é?
A pessoa Cientista de Dados é responsável por transformar dados em informações úteis que podem auxiliar as empresas no processo de tomada de decisão. Muitas vezes essa pessoa responde perguntas que antes nem mesmo tinham sido formuladas.
As funções de um/uma Cientista de Dados podem variar de acordo com a empresa em que trabalha e o seu nível. Mas a pessoa Cientista de Dados utiliza modelos estatísticos, algoritmos de Machine Learning e outras ferramentas e estratégias para obter e trabalhar em cima dos dados.
O que muita gente não sabe é que os dados não chegam prontos da sua fonte, um trabalho minucioso precisa ser feito. Eles precisam ser tratados e modelados para se chegar no resultado que se espera.
Machine Learning (Aprendizado de Máquina):
Vou utilizar a definição que encontrei em um livro de Machine Learning (Aprendizado de Máquina com Scikit-Learn & TensorFlow) que gosto muito:
*"Aprendizado de Máquina é a ciência (e a arte) da programação de computadores para que eles possam aprender com os dados.
Veja uma definição um pouco mais abrangente:
Aprendizado de Máquina é o campo de estudo que dá aos computadores a habilidade de aprender sem ser explicitamente programado. - Arthur Samuel, 1959"
Géron, Aurélien. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow.*
Como já foi dito anteriormente, milhões de dados são gerados a cada minuto e uma coisa que você precisa entender é que dado é informação e que além de ser informação por si só, ele pode te trazer ainda mais informações quando analisados de forma correta.
Os dados podem dizer muito sobre o gosto dos seus clientes. Por exemplo, o que eles gostam de consumir e até o que de acordo com o histórico de compras dele (ou de outras pessoas com gosto similar) iria ser interessante de ser apresentado a ele através de um anúncio.
Um exemplo muito utilizado para exemplificar o que pode ser feito através do Aprendizado de Máquina é a classificação de e-mails em spam e não spam. Isso mesmo, o filtro de spam do seu e-mail é um programa de A.M. Assim, com base nos e-mails já conhecidos e rotulados como spam e não spam, o nosso modelo consegue aprender com esses dados e classificar os novos e-mails de forma correta (bom, é isso que a gente espera né).
É claro que conseguimos fazer mais coisas com os algoritmos de A.M. Além de classificar, também podemos prever valores, como prever o valor do aluguel de um imóvel com base nas suas características (nº de quartos, banheiros, se possui garagem e etc) e também podemos fazer agrupamentos, para fazer uma segmentação de clientes por exemplo.
Para se chegar em um modelo que performa bem, um caminho com alguns passos precisa ser percorrido, precisamos entender o problema, obter os dados, conhecer melhor esses dados, tratar esses dados e etc… Além disso, existem tipos de Aprendizado de Máquina, como o Aprendizado Supervisionado e o Não Supervisionado (já dando um spoiler, esse será o assunto do próximo post rs).
Aqui estou citando alguns exemplos para tornar o seu entendimento mais claro, mas pretendo trazer conteúdos detalhados a certa dos modelos que podem ser criados e que soluções eles podem trazer.
Deep Learning (Aprendizado Profundo):
O Deep Learning vem sendo muito utilizado por grandes empresas como Amazon, Microsoft, Google e outras principalmente para classificação, reconhecimento de voz e reconhecimento de imagem.
Explicando de uma forma mais simples, o Deep Learning é um ramo dentro do Machine Learning voltado à análise mais aprofundada de dados e em um volume muito mais amplo de dados.
O principal objetivo é permitir que as máquinas aprendam a observar padrões e correlações em um grande volume de dados e tentar reproduzir com esse aprendizado, o funcionamento das redes neurais do cérebro humano.
Esse aprendizado é feito através de múltiplas camadas e envolve diversos neurônios que utilizam funções matemáticas no seu interior.
Um assunto tão lindo e amplo merece um post mais explicativo só para si, então em breve entraremos a fundo (olha a piadinha rs) dentro do Deep Learning.
Esse foi um post mais básico onde quis trazer os principais conceitos das áreas e tecnologias que você já deve ter ouvido falar por ai. Aqui damos inicio a nossa caminhada no mundo dos 🎲.
Abaixo vou deixar mais alguns link de conteúdos relacionados ao assunto para te auxiliar nos estudos:
Livro Mãos à Obra: Aprendizado de Máquina com scikit-Learn & TensorFlow
Qual a diferença entre Inteligência Artificial, Machine Learning, Data Science, Deep Learning, etc?
Top comments (2)
Amei teu artigo Bia! Tinha muitas dúvidas sobre, e você tirou-as da forma mais descontraída possível!
Ah, Mari! Fico muito feliz de ter ajudado de alguma forma! Vamos juntas ♥