Machine Learning, traduzindo, Aprendizado de Maquina é a técnica onde as máquinas adquirem conhecimento com base em aprendizado e não só entradas de instruções.
Uma analogia que ajuda a entender isso é quando nós aprendemos a andar de bicicleta. Acredito que não foi alguém que disse dessa forma: “Olha, você tem que colocar o pé nessa posição, executar uma força de tantos Newtons, nessa velocidade, com esse vetor, nessa direção aqui, balancear o corpo de uma certa forma”. Não foi com uma série de instruções que foi memorizada uma vez que você começou a andar de bicicleta, foi simplesmente alguém falando que você tinha que subir em cima da bicicleta e pedalar. Algumas vezes você caiu, e então você pensou: “Agora tenho que inclinar aqui, tenho que ir um pouco mais rápido, tenho que colocar mais força no pé”. E aos poucos foi aprendendo com os erros, e dessa forma, que o ser humano aprende boa parte das coisas. É muito mais rápido pra nós, seres humanos, aprendermos com a tentativa e erro, do que uma longa lista de instruções pra decorar. E no caso dos computadores o comportamento é similar, a máquina aprende muito mais rápido com a tentativa e erro do que ter uma longa lista de instruções pra seguir. No lugar de escrever cada linha de código de instruções que a máquina vai ter que seguir, a máquina vai aprender sozinha o que ela tem que fazer por meio de tentativa e erro.
E esse aprendizado de máquina podem ser dividido em subáreas, elas mudam conforme o tipo de problema que vamos resolver. Eles podem ser divididos em:
Seres Humanos Ensinando Máquinas – Aprendizagem Supervisionado: É quando os rótulos do problema estão bem definidos. Por exemplo, na imagem abaixo é fornecido para a máquina várias representações de retângulos diferentes, e são dados rótulos para eles.
Depois que toda a informação está rotulada, a máquina a partir dessas informações começa a tentar a entender o que existe em comum com aqueles retângulos, qual a relação entre esses retângulos e o que faz um retângulo ser um retângulo. Reforçando que, essa informação já foi dada para a máquina previamente, já existe um conceito definido do que tem que ser um retângulo e o que a máquina tem que aprender, por esse motivo, é chamado de Aprendizado Supervisionado. É como se houvesse um professor dizendo para a máquina o que ela tem que aprender, supervisionando e direcionando os erros e acertos da máquina. Um exemplo prático de Aprendizagem Supervisionada são os classificadores de spam, é preciso primeiro indicar para a máquina o que é, ou o que não é um Spam para que ela tenha condição de filtrar da maneira correta.
Aprendendo sem um professor – Aprendizado Não Supervisionado: O Aprendizado Não Supervisionado é quando não existem rótulos. Vamos voltar ao exemplo dos retângulos, é fornecido para a máquina várias imagens de retângulos, porém, dessa vez não é fornecido nenhum rótulo do que é um retângulo, dessa vez é função do algoritmo descobrir padrões entre aqueles objetos, é função da máquina descobrir sozinha o que é ou não é um retângulo, e nos dizer a conclusão que ela chegou. Um exemplo para isso são os sistemas de recomendação de filmes ou músicas, como o Spotify ou a Netflix, o algoritmo descobre sozinho relações entre nossos gostos e apresenta o resultado em forma de recomendações.
Aprendizado por Reforço: É quando existe uma espécie de sistema de pontuação para os erros e acertos da máquina, cada erro ela perde pontos, e cada acerto ela ganha pontos. No exemplo do retângulo seria dado uma bonificação para a máquina a cada vez que ela acerta o que é um retângulo, e é tirado pontos toda vez que ela erra. E dessa forma ela vai aprendendo as características corretas que um retângulo tem que ter. Um exemplo para isso são os carros autônomos, ele trabalha em um sistema de feedback que dita o que são boas ou más escolhas no transito.
Essas são as principais áreas de aprendizado do Machine Learning, vamos a seguir no próximo artigo introduzir o que é o Deep Learning.
