O que é Aprendizado de Máquina?

Uma introdução muito básica ao aprendizado de máquina.

Quando mostramos uma maçã a uma criança e dizemos a ela que é uma “maçã”, ela não será capaz de entender isso de uma vez. Mas suponha que alguém continue mostrando uma maçã diariamente e diga a eles que é uma “maçã”, e um dia, quando de repente você decidir mostrar a eles uma manga e dizer que é uma “maçã”, bem, adivinhe… eles vão chorar e chamá-lo de traidores porque você os fez aprender que uma coisa quase redonda de cor vermelha é uma maçã e nada mais. Agora, vamos considerar um cara que quer ser amigo de uma garota, mas não sabe o que ela gosta ou não. Então, ele todos os dias dá a ela algo novo e observa suas expressões, sejam elas felizes, zangadas ou qualquer outra coisa. Com isso ele aprende o que ela gosta e não gosta e finalmente a conhece, depois de talvez centenas de tentativas.

Ambos são exemplos de como se tende a aprender as coisas apreendendo as informações que lhes são dadas, apenas por meio do conhecimento do resultado final (identificar a maçã é o resultado final, ser amigo da garota é o resultado final).

É exatamente isso que as máquinas fazem. Quando eles aprendem com os dados que os alimentamos, que podem ser de qualquer forma, e aprendem coisas por conta própria, isso é denominado Machine Learning. Então, aprendizado de máquina é basicamente quando as máquinas aprendem coisas, e ao invés de nós ensiná-las, elas usam os dados passados ​​e o resultado final e sem serem explicitamente codificadas, elas ensinam a si mesmas.

Agora, para entender os tipos de aprendizado de máquina, vamos considerar o exemplo que examinamos no início. Quando aquela criança viu uma “maçã”, foi-lhe dito que esta é uma maçã, e é pronunciada como APPLE. Este é um dado rotulado. Sabemos o que está sendo mostrado significa. Agora considere outro exemplo, em um algoritmo de identificação de objeto, tendemos a usar milhões de pontos de dados rotulados denotando vários objetos. Este também é um exemplo de dados rotulados. Agora considere outro exemplo em que mostramos uma maçã para a criança, mas não mencionamos que ela é chamada de “maçã”, então a criança tende a identificar um objeto vermelho quase redondo, mas não será capaz de dizer que é é pronunciado como APPLE. Mas, se você mostrar a eles uma coisa oval amarela, ele será capaz de distinguir entre os dois e os considerará como duas coisas diferentes. Este tipo de dados são os dados não rotulados. Sabemos que há uma diferença entre os dois objetos, mas não podemos nomeá-los, eles não têm rótulos. Assim, quando temos dados rotulados para a máquina aprender, ou seja, o primeiro caso, esse tipo de aprendizado é conhecido como aprendizado supervisionado. Já quando temos os dados não rotulados, ou seja, o último caso, as máquinas adotam aprendizado não supervisionado. Aprendizado supervisionado e não supervisionado, ambos usam o método de minimizar o erro para fornecer os resultados. as máquinas adotam aprendizado não supervisionado. Aprendizado supervisionado e não supervisionado, ambos usam o método de minimizar o erro para fornecer os resultados. as máquinas adotam aprendizado não supervisionado. Aprendizado supervisionado e não supervisionado, ambos usam o método de minimizar o erro para fornecer os resultados.

Existe mais um tipo de aprendizado, que, ao invés de minimizar o erro, utiliza a técnica de maximizar a recompensa. Vamos entender isso com a ajuda de um exemplo. Mais uma vez, vamos chamar nosso filho de volta. O que fazemos desta vez é dizer a ele algumas vezes que um objeto redondo vermelho é uma maçã, e toda vez que ele der a resposta correta, damos a ele um doce, uma recompensa. Considere o exemplo em que o cara nota a expressão da garota. Nesse caso, a expressão “feliz” da moça é uma recompensa para o rapaz, por meio da qual ele fica sabendo das coisas que ela gosta. Esse tipo de aprendizado, em que tendemos a maximizar a recompensa para maximizar o tipo de resultado que queremos, é conhecido como Aprendizado por Reforço. Vamos considerar um exemplo mais prático para entender o que exatamente significa “recompensa”. Quando costumávamos jogar o jogo da cobra, nós costumávamos proteger a cobra de bater em qualquer obstáculo e, ao mesmo tempo, também costumávamos coletar comida, o que ajudava a cobra a crescer. Então, nesse caso, a comida é a recompensa. Observe que este exemplo de jogo da cobra não é um exemplo de aprendizado por reforço, nós o usamos aqui apenas para explicar o significado do termo “recompensa”.

Por último, uma coisa importante a observar. Não podemos usar sal no café ou açúcar no arroz frito. Sei que todo mundo sabe disso, mas o que quero ressaltar é que existem coisas que fazem sentido em um lugar e parecem inúteis em outro. Digamos, podemos calcular o volume de um cilindro usando uma fórmula específica, mas não podemos usar a mesma fórmula para calcular o volume de uma forma totalmente diferente, digamos um recipiente hexagonal. Existe um conjunto específico de procedimentos para um tipo específico de problema, e estes são denominados como algoritmos. Algoritmos são basicamente etapas nas quais qualquer coisa é realizada. Existem vários tipos de algoritmos para todos os três tipos de aprendizados, e podemos aplicá-los com base no tipo de problema em questão.

Sem entrar em detalhes mais complicados, gostaria de encerrar meu primeiro blog aqui. Obrigado por ler até o final. Deixe suas sugestões. E não sei como seria, mas simplesmente adorei a experiência de escrever meu primeiro blog e obrigada a todos por lerem até o final, minha primeira audiência :)