O Machine Learning (ML), ou aprendizado de máquina, é uma tecnologia que aos poucos se tornou parte da nossa rotina, muitas vezes até sem mesmo percebermos. Ele está desde a busca em navegadores como em sugestões de séries e filmes indicados pela Netflix. Mas você sabe qual o conceito de Machine Learning?
Ele pode ser conceituado de diferentes formas, mas principalmente como uma forma de análise de dados que orienta os computadores a aprenderem por conta própria, para que aprimorem seu desempenho diante de problemas específicos.
Estimulados por avanços no poder de processamento, memória, armazenamento e uma riqueza de dados sem precedentes, os computadores estão sendo solicitados a lidar com tarefas de aprendizagem cada vez mais complexas, muitas vezes com sucesso surpreendente. Os computadores agora dominam uma variante popular do pôquer, aprenderam as leis da física a partir de dados experimentais e se tornaram especialistas em videogames. Tarefas que teriam sido consideradas impossíveis não muito tempo atrás.
Origem
O Machine Learning surgiu em 1959, criado pelo engenheiro e cientista da computação Arthur Samuel. Na época o mesmo estudava a criação de uma máquina autônoma. Arthur foi pioneiro na pesquisa de inteligência artificial, mais conhecido por seu programa que jogava verificadores de nível de campeonato.
Como o ML funciona
Para o estudo da aprendizagem de máquina são utilizados dados, quantos mais dados forem fornecidos ao sistema, mais perguntas surgirão e assim se obtém mais formas de solucionar o problema.
Para isso muito se utiliza o Big Data, que estuda como tratar, analisar e obter informações a partir de conjuntos de dados grandes demais para serem analisados por sistemas tradicionais. Em sua essência, o ML faz exatamente isso: armazena toneladas de dados obtidos por meio de redes sociais, mecanismos de buscas, e, até mesmo, por meio de microfones e câmeras de smartphones.
Então, algoritmos cada vez mais inteligentes fazem uma varredura dessa quantidade gigantesca de informações e, a partir do momento em que padrões são descobertos, os sistemas se tornam capazes de fazer previsões com base nesses padrões.Cada algoritmo aciona um comando diferente para lidar com os dados que a máquina recebe, e a combinação entre eles gera o machine learning.
O ML pode ser classificado de acordo com a categoria em que está inserido. Abaixo se encontra uma breve descrição de cada um dos tipos de algoritmos utilizados para o ML. Para uma descrição detalhada, continue acompanhando a nossa série especial sobre Machine Learning.
Tipos de machine learning
Aprendizado supervisionado
Esse é um tipo de aprendizado de máquina em que, usando uma coleção rotulada de pares de dados de entrada e saída, o objetivo é realizar um planejamento de contribuições a rendimentos e um grande número de instâncias de treinamento em um conjunto de treinamento.
Aprendizado não supervisionado
Nesta metodologia utiliza-se um algoritmo que será treinado em dados não rotulados e não classificados, permitindo ao computador compilar dados à luz de semelhança ou contraste. Cálculos de aprendizado não supervisionados podem realizar tarefas de manuseio mais complicado do que cálculos de aprendizado regulamentados, no entanto, eles são ainda mais suscetíveis a erros.
Quando comparada com outras abordagens de aprendizagem características, a análise exploratória de dados amplamente utilizada é um tipo de análise de dados que usa a análise de cluster, um método de aprendizagem não supervisionado, para caçar padrões ocultos ou grupos de dados.
Aprendizado semi supervisionado
Este tipo de aprendizado utiliza os dados rotulados e não rotulados, os combinando. Gerando uma pequena quantidade de respostas definidas entre as incertezas. É possível usar esse tipo de algoritmo quando você quer que o algoritmo aprenda informações nos dados mas também aprenda usando alguns dados supervisionados.
Aprendizado por reforço
É diferente de todas as metodologias anteriores, pois não utiliza nenhum conjunto prévio de dados. Os algoritmos baseados em aprendizado por reforço aprendem por tentativa e erro, através da coleta de impressões e consequente adaptação ao ambiente.
Diferença entre Machine Learning e Inteligência Artificial (IA)
A IA é um campo de estudo da ciência da computação e tem como objetivo o desenvolvimento de algoritmos que tenham a capacidade de aprendizado, ou seja, tomar decisões certas e assertivas a partir do aprendizado obtido de treinamentos e experiências. A IA é ampla e engloba outras áreas, como o ML e deep learning, e um exemplo famoso de sua aplicabilidade são o chatbots, ou “robôs de conversa”, que fornecem atendimento ao cliente nos mais diversos ramos da indústria.
Já o ML está dentro do leque de aplicações da IA, atuando como uma forma de como a IA se apresenta. Com o ML, é possível criar algoritmos que aprendem por conta própria, utilizando conjuntos de dados ou não, e que têm a capacidade de aperfeiçoar o seu desempenho de acordo com a experiência, o que leva a tomada de decisões mais assertivas. Um exemplo de sua aplicabilidade é a recomendação de séries e filmes que recebemos nos aplicativos de streaming. A aplicação de ML aprende com as nossas escolhas e assim é capaz de fornecer recomendações.
Em resumo, o ML é uma sub-área da IA que não apenas analisa dados brutos, como também procura padrões nos dados, aprendendo a resolver um problema. Nos próximos textos sobre ML, a diferença entre IA e ML, bem como as categorias de ML existentes e suas aplicações na biotecnologia serão abordadas de forma mais aprofundada.
Graduada em Biotecnologia pela Universidade Federal de Pelotas, foi membro do Grupo de Pesquisa em Neurobiotecnologia como bolsista do CNPq, e do Laboratório de Bioinformatica e Proteômica (BioProLab) como bolsista da UFPEL, onde atuou na pesquisa sobre as ações de lectinas na indução da proliferação de células epiteliais envolvidas no processo de cicatrização e também no estudo de engenharia de proteínas.
Texto produzido em parceria com a Omixdata
Autora: Kethlin de Quadros Ferreira – @kethlin_ferreira_
Graduada em Biotecnologia e Colaboradora do omixdata; (https://medium.com/omixdata/)
Graduada em Biotecnologia pela Universidade Federal de Pelotas, foi membro do Grupo de Pesquisa em Neurobiotecnologia como bolsista do CNPq, e do Laboratório de Bioinformática e Proteômica (BioProLab) como bolsista da UFPEL, onde atuou na pesquisa sobre as ações de lectinas na indução da proliferação de células epiteliais envolvidas no processo de cicatrização e também no estudo de engenharia de proteínas.
Cite este artigo:
FERREIRA, K. Q. Introdução ao Machine Learning. V. 10, 2023. Disponível em:<https://profissaobiotec.com.br/introducao-machine-learning>. Acesso em: dd/mm/aaaa.
Referências
DEO, R. C. Machine Learning in Medicine. Circulation, vol. 132, n.20, p. 1920-1930, 2015. doi: 10.1161 / CIRCULATIONAHA.115.001593.
KUMBHAR, A. et al. A comprehensive review: Machine learning and its application in integrated power system. Energy Reports, v. 7, p. 5467–5474, 2021. doi: 10.1016/J.EGYR.2021.08.133.
MONTEIRO, S. T., RIBEIRO, C. H. Desempenho de algoritmos de aprendizagem por reforço sob condições de ambiguidade sensorial em robótica móvel. Sba Controle & Automação, v. 15, n. 3, p. 320-338, 2004. doi: doi.org/10.1590/S0103-17592004000300008.
SILVA, D. Entenda a diferença entre inteligência artificial, machine learning e deep learning. Blog da Zendesk. Disponível em:<https://www.zendesk.com.br/blog/diferenca-entre-inteligencia-artificial-machine-learning-e-deep-learning/>. Acesso em: 17 Jan 2023.
TSAI, C. W. et al. An efficient parallel machine learning-based blockchain framework. ICT Express, v. 7, n. 3, p. 300–307, 2021. doi: 10.1016/J.ICTE.2021.08.014.
Fonte da imagem destacada: Unsplash.
