10 termos do Aprendizado de Máquina (Machine Learning) que você deve aprender o quanto antes!

/, Big Data Analytics, Ciência de Dados, Machine Learning, noticias-tecnologia/10 termos do Aprendizado de Máquina (Machine Learning) que você deve aprender o quanto antes!

10 termos do Aprendizado de Máquina (Machine Learning) que você deve aprender o quanto antes!

Machine Learning - Penso, logo sou perigoso
Se você é novo no contexto do Aprendizado de Máquina e suas
aplicações (como eu), então já se deparou com alguns
termos muito técnicos que são muitas vezes difíceis para os iniciantes entenderem.
Por isso, resolvi traduzir os 10 termos de
Aprendizagem de Máquina relacionados pelo KDNuggets, num esforço louvável de torná-los mais fáceis de entender.
Vamos a eles.

Aprendizado de
Máquina (Machine Learning)

É um subcampo da
ciência da computação e inteligência artificial (IA) que incide
sobre a concepção de sistemas que podem aprender e tomar decisões
e previsões baseadas em dados.
O aprendizado de máquina permite que
os computadores possam agir e tomar decisões baseadas em dados ao
invés de serem explicitamente programados para realizar uma
determinada tarefa. 
Programas de aprendizagem de máquina também são
projetados para aprender e melhorar ao longo do tempo quando expostos
a novos dados.
O aprendizado de máquina tem estado no centro de
muitos avanços tecnológicos nos últimos anos, como carros
autônomos, visão computacional e sistemas de reconhecimento de voz.

Aprendizagem
Supervisionada

Sempre que o
programa é “treinado” em um conjunto de dados
pré-definido.
A partir desse treinamento, o programa
pode tomar decisões precisas quando recebe novos dados. 
Exemplo:
usando um conjunto de treinamento de recursos humanos com etiquetas
de tweets positivos, negativos e neutros para treinar um
classificador de análise de sentimento.

Aprendizagem não
Supervisionada

Quando um programa,
dado um conjunto de dados, pode automaticamente encontrar padrões e
relações de conjunto.
Exemplo: analisando um conjunto de dados de
e-mails e agrupar automaticamente os e-mails relacionados ao tema,
com nenhum conhecimento prévio ou de formação que também é
conhecido como a prática de agrupamento.

Classificação

Uma subcategoria do
aprendizado supervisionado, a Classificação é o processo de tomar
algum tipo de entrada e atribuir um rótulo a ela.
Sistemas de
classificação são usados ​​geralmente quando as previsões são
discretas: ou “sim” ou “não”.
Exemplo: mapeamento de uma
imagem de uma pessoa a uma classificação de gênero masculino ou
feminino.

Regressão

Outra subcategoria
do aprendizado supervisionado usado quando o valor que está sendo
previsto difere de um “sim” ou “não” à medida que se
encaixa em um espectro contínuo.
Sistemas de regressão poderiam ser
usados, por exemplo, para responder às perguntas de “Quanto?”
ou “Quantos?”.

Árvores de Decisão

Uma árvore de
decisão é uma ferramenta de apoio à decisão que usa um gráfico
de árvore ou modelo de decisões e suas possíveis consequências.
Uma árvore de decisão é também uma maneira de representar
visualmente um algoritmo.
Exemplo:
A árvore de
decisão acima mostra a sobrevivência de passageiros do Titanic (“sibsp”
é o número de cônjuges ou irmãos a bordo).
Fonte:
http://en.wikipedia.org/wiki/Decision_tree_learning

Modelo Generativo

Em probabilidade e
estatística, um modelo generativo é um modelo usado para gerar
valores de dados quando alguns parâmetros estão ocultos.
Modelos
generativos são usados ​​em Aprendizado de Máquina para
qualquer modelagem de dados diretamente ou como um passo
intermediário para a formação de uma função densidade de
probabilidade condicional.
Em outros termos, um modelo P (x, y), a
fim de fazer previsões (que podem ser convertidas para p (x | y)
aplicando a regra de Bayes), bem como para ser capaz de gerar
prováveis pares ​​(x, y), que é amplamente utilizado na
Aprendizagem não supervisionada.
Exemplos de Modelos Generativos incluem Naive Bayes, Latent Dirichlet Allocation e Gaussian Mixture
Model.

Modelo Discriminativo

Modelos
discriminativos ou modelos condicionais são uma classe de modelos
usados ​​em Aprendizado de Máquina para modelar a dependência
de uma variável Y em uma variável X.
Como esses modelos tentam
calcular probabilidades condicionais, isto é, p (y | x), eles são
frequentemente utilizados em aprendizado supervisionado.
Exemplos
incluem Regressão Logística, SVMs e Redes Neurais.

Aprendizagem
Profunda (Deep Learning)

Tema quente nos
últimos anos, a aprendizagem profunda refere-se a uma categoria de
algoritmos de aprendizado de máquina que muitas vezes usam redes
neurais artificiais para gerar modelos.
Técnicas de aprendizado
profundo, por exemplo, foram muito bem sucedidos na resolução de
problemas de reconhecimento de imagem devido à sua capacidade de
escolher as melhores características, bem como para expressar
camadas de representação.

Redes Neurais ou
Redes Neurais Artificiais

Uma rede neural
simples.

Inspirado por redes
neurais biológicas, redes neurais artificiais são uma rede de nós
interconectados que compõem um modelo.
Elas podem ser definidas como
modelos de aprendizagem estatística que são usados para calcular ou
aproximar funções que dependem de um grande número de entradas.
As
redes neurais são normalmente utilizadas quando o volume de entradas
é demasiado grande para as abordagens convencionais de aprendizagem
de máquina previamente discutidas.

Conclusão

Aprendizado de Máquina é um dos temas mais importantes para o estudo de Big Data e Ciência de Dados.
Assim, se você pretende seguir carreira nesta área, é bom começar a se familiarizar com estes conceitos o quanto antes.
Para saber mais, confira nossa palestra sobre Big Data e Ciência de Dados.
Mas devo registrar que não sou nenhum especialista neste assunto, sou curioso e tenho lido a respeito, então achei que este é um tema que vale a pena trazer pra você.

About the Author:

Deixe uma resposta