AI, ML, DL!!!!!!!! Quais são essas palavras da moda? Por que se fala da cidade sobre essas abreviaturas? Frequentemente, as pessoas usam Inteligência Artificial (IA), Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) de forma intercambiável. Eles são iguais ou totalmente diferentes, ou existe alguma relação entre eles? Responderemos a todas as suas perguntas aqui e tentaremos entender cada termo um a um da maneira mais simples possível.

Conforme mostrado no diagrama de Venn acima, IA é um termo abrangente. É o superconjunto que consiste em ML e DL como subconjuntos. AI tem muitas ramificações, mostradas na próxima figura (Fig.2.).

Mas o que exatamente é IA?

Se tentarmos explicar para um leigo, “Inteligência Artificial” é composta por dois termos distintos: artificial e inteligência, o que reflete muito bem o seu conceito. Por meio da IA, estamos tentando imitar a inteligência de um cérebro humano. Para automatizar as tarefas diárias e o trabalho altamente tedioso (seja a previsão de uma célula ser benigna ou maligna ou o uso de um chatbot para fazer pedidos online ou sensores de atividade), os pesquisadores tiveram a ideia da IA.

Por enquanto, vamos nos concentrar no ramo “ML” da IA.

Aprendizado de máquina (ML)

ML é o ramo da IA ​​que prevê resultados sem ser explicitamente programado. Ele aprende com os dados e então prevê a saída de dados não vistos.

Existem basicamente três tipos de aprendizado de máquina:

1. Aprendizado Supervisionado: No aprendizado supervisionado, fornecemos um conjunto de dados rotulado para treinar os algoritmos. Dividimos o conjunto de dados em um conjunto de treinamento e um conjunto de teste. Geralmente, o conjunto de dados é dividido em 80% e 20%, ou seja, 80% dos dados são usados ​​para treinar e os 20% restantes são usados ​​para testar. Também pode haver outras bifurcações de dados, como 75% e 25% e assim por diante. Sempre tentamos treinar o algoritmo em uma fração de dados maior. Vamos tentar entender mais através de um exemplo: Digamos que temos um conjunto de dados conforme abaixo:

2. Aprendizado não supervisionado: neste tipo de ML, dados não rotulados são usados. Os algoritmos analisam e agrupam os conjuntos de dados não rotulados. Os algoritmos identificam os padrões ocultos nos dados. Podemos ver na Fig.4. que os pontos de dados são diferenciados em três grupos mostrados por pontos azuis, laranja e verdes. Existem vários algoritmos de agrupamento. Um dos mais populares é o algoritmo de agrupamento K-means. A previsão nesse tipo de ML é baseada em qual cluster o ponto de dados pertence. Existem outras abordagens para o aprendizado não supervisionado, que são Regras de Associação e Redução de Dimensionalidade.

3. Aprendizagem por Reforço: Neste tipo de aprendizagem, o agente de reforço aprende com a experiência. Ele executa uma ação e vê o resultado da ação. Se o resultado for bom, feedback positivo é dado, e feedback negativo ou uma penalidade é dada para cada resultado ruim. Assim, o agente aprende com esses feedbacks. Esse tipo de aprendizado é usado na tomada de decisões sequenciais, como jogos como o xadrez. Por exemplo, o AlphaGo é baseado no Aprendizado por Reforço. Com a ajuda de RL, tornou-se o primeiro programa de computador a derrotar jogadores humanos profissionais e, portanto, tornou-se o jogador de Go mais forte da história.

Aprendizado Profundo (DL)

Deep Learning é um subconjunto de ML inspirado no neurônio em um cérebro humano. Funciona em redes neurais. DL usa uma estrutura em camadas de nós interconectados (neurônios no cérebro humano). O número de camadas de nós interconectados também é chamado de profundidade. Deve haver mais de três camadas para um algoritmo de aprendizado profundo. A seguir está um diagrama mostrando a rede neural profunda.

Deep Learning é amplamente utilizado em reconhecimento de imagem, tradução de fala para texto, etc.

Espero que este artigo tenha ajudado você com uma ideia mais clara sobre IA, ML e DL.

Continue aprendendo! Continue tentando! Continue crescendo! :)