4.4 KiB
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:
- Aprendizado supervisionado
- Aprendizagem não supervisionada
- Aprendizagem Semi-supervisionada
- 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
- Colecione o conjunto de treinamento.
- Divide o conjunto de treinamento em objeto de entrada (recursos) e objeto de saída (classes ou valor)
- Decida o que você irá aplicar, regressão ou classificador
- Decida qual algoritmo você aplicará, SVM, deep net, etc.
- Execute o algoritmo no conjunto de treinamento e use o modelo para previsões
Cursos:
- Introdução ao aprendizado de máquina
- Machine Learning - Ministrado por: Andrew Ng
- Ciência de Dados e Aprendizado de Máquina com Python - Hands On!
- Aprendizado de Máquina
- O Analytics Edge - ministrado por: MIT
Recursos de vídeo:
Mais Informações:
- Aprendizado de Máquina na Wikipedia
- Aprendizado de Máquina Desmistificado: Youtube
- Se você quiser uma breve introdução ao aprendizado de máquina e preferir vídeos, experimente este vídeo de introdução ao aprendizado de máquina
- 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