freeCodeCamp/guide/portuguese/machine-learning/index.md

title	localeTitle
Machine Learning	Aprendizado de Máquina

Aprendizado de Máquina

Arthur Samuel, pioneiro em inteligência artificial, definiu o Machine Learning em 1959 como "o campo de estudo que dá aos computadores a capacidade de aprender sem serem programados explicitamente".

Uma definição mais formal de Machine Learning é fornecida pelo Prof Tom Mitchell da CMU:

"Diz-se que um programa de computador aprende com a experiência E em relação a alguma classe de tarefas T e medida de desempenho P se seu desempenho em tarefas em T, como medido por P, melhora com a experiência E."

Considere o exemplo de um algoritmo de aprendizado de máquina que joga xadrez. Neste exemplo, E refere-se à experiência de jogar xadrez, T é a tarefa de jogar xadrez e P denota a probabilidade de o programa vencer o próximo jogo de xadrez.

O aprendizado de máquina é exatamente como um ser humano aprende. Por exemplo, se um humano quiser aprender a jogar poker, ele aprenderá primeiro as regras. Em seguida, ele tentará obter experiência jogando o jogo. Essa experiência nada mais é do que um enorme conjunto de dados para uma máquina, usando o qual ela pode tomar decisões inteligentes reagrupando o problema proposto.

Em geral, os problemas de aprendizado de máquina podem ser classificados em aprendizado supervisionado e aprendizado não supervisionado. Na aprendizagem supervisionada, você tem a entrada e a saída rotulada e suspeita que existe uma relação entre a entrada e a saída rotulada. Quando você não sabe qual é o resultado rotulado nem se existe um relacionamento, o aprendizado não supervisionado ajudará a encontrar a estrutura em seus dados, se houver um.

Nós cobrimos duas categorias principais de aprendizado de máquina, mas há quatro categorias amplas de aprendizado de máquina:

1. Aprendizado supervisionado
2. Aprendizagem não supervisionada
3. Aprendizagem Semi-supervisionada
4. Aprendizagem por Reforço

Aprendizado supervisionado

O aprendizado supervisionado é a tarefa de aprendizado de máquina de inferir uma função a partir de dados de treinamento supervisionados. O treinamento Os dados consistem em um conjunto de exemplos de treinamento. Na aprendizagem supervisionada, cada exemplo é um par que consiste em um objeto de entrada (tipicamente um vetor) e um valor de saída desejado (também chamado de sinal de supervisão). Além disso, o aprendizado supervisionado pode ser tomado como 2 paradigma, classificação e regressão.

Fluxograma básico / etapas para aprendizado supervisionado

1. Colecione o conjunto de treinamento.
2. Divide o conjunto de treinamento em objeto de entrada (recursos) e objeto de saída (classes ou valor)
3. Decida o que você irá aplicar, regressão ou classificador
4. Decida qual algoritmo você aplicará, SVM, deep net, etc.
5. Execute o algoritmo no conjunto de treinamento e use o modelo para previsões

Cursos:

1. Introdução ao aprendizado de máquina
2. Machine Learning - Ministrado por: Andrew Ng
3. Ciência de Dados e Aprendizado de Máquina com Python - Hands On!
4. Aprendizado de Máquina
5. O Analytics Edge - ministrado por: MIT

Recursos de vídeo:

1. Canal do Youtube de Siraj Raval
2. Canal do Youtube da Sentdex

Mais Informações:

1. Aprendizado de Máquina na Wikipedia
2. Aprendizado de Máquina Desmistificado: Youtube
3. Se você quiser uma breve introdução ao aprendizado de máquina e preferir vídeos, experimente este vídeo de introdução ao aprendizado de máquina
4. Se você quiser saber como proceder com o aprendizado de máquina de aprendizado, dê uma olhada neste vídeo

Laboratório

Criando Aplicativos Inteligentes com o Estúdio de Aprendizado de Máquina do Azure