Aprendizado de Máquina

Introducao

Sabemos que atualmente a área de IA (inteligencia artificial) está cada vez maior e cada vez mais estável no mercado
tanto de trabalho como econômica. O tópico abordado hoje será uma das áreas da IA, conhecida como aprendizado de máquina.

Aprendizado de Máquina

Como dito anteriormente, trata-se de uma área da IA e então isso nos remete pensar em robôs, computadores falantes, entre outras
"aberrações" por aí. Mas isso não é verdade. O que acontece de fato, é que somos nós programadores quem de fato opera sobre as máquinas.
De forma simples e fácil, é fazermos com que o computador perceba, dado um conjunto de entradas, um padrão.



Depois de vários agentes "inteligentes" que surgiram antes do aprendizado de máquina (ex.: algoritmos de busca), perguntou-se
se um computador poderia realmente aprender.



A resposta infelizmente é não. Apesar de que uma das bases fundamentais da IA é o próprio ser humano (genética, neurônio, etc),
ainda nao descobrimos uma forma de fazer com que o computador aprenda exatamente como nós seres humanos. Isso seria
de tamanha utilidade, como percebemos por exemplo, pelos carros autônomos: o fato do carro ser dirigido por uma inteligencia
artificial evitaria inúmeros acidentes no trânsito, pois computadores não sentem sono, não dirigem embriagados e muito
menos desrespeitam as leis.



Para suprir tais necessidades, inúmeras pesquisas são feitas na área, surgindo cada vez mais algoritmos complexos e porem
eficazes capazes de treinar de fato um computador.

Tipos de aprendizado

Antes de falarmos dos algoritmos, vamos ver como podem ser classificados cada uma delas: temos 3 classificações:

Aprendizado Supervisionado

Intuitivamente, o nome nos faz perceber que deve ter alguém presente para o aprendizado. Por exemplo, uma aula com um professor, onde nós alunos estariamos aprendendo com a supervisão do professor. Para nós, isso quer dizer que dentro do próprio algoritmo, já dizemos quais são as respostas certas do problema. A vantagem desse aprendizado é a sua eficiencia. Já a desvantagem é que nem sempre sabemos as respostas certas, logo funciona para um conjunto limitado de problemas.

Aprendizado Nao Supervisionado

Ao contrário do supervisionado, o próprio programa em si reconhece o padrão contido nos dados de entrada. Através de pesos o algoritmo é capaz de determinar cada característica.

Aprendizado por Reforço

O reforço para nós são recompensas ou punições. O agente realiza o reconhecimento do padrão e gera uma resposta. Dependendo do grau de acerto da resposta, damos recompensa ou punição. Após realizado o reforço, o próprio agente deve reconhecer se os passos realizados foram bons (recompensa) ou ruins (punição) e se auto-ajustar para a próxima saída.

Fases do Aprendizado

Todos os algoritmos de aprendizado constituem de duas partes principais: treinamento e utilização.

Treinamento

Usamos um dataset de exemplo para o algoritmo. Através dele todos os parâmetros são ajustados para que a saída se aproxime da saída desejada.

Utilizacao

É a fase de teste do algoritmo final. Apresentamos um outro conjunto de dados nunca visto anteriormente e analisamos as saídas do algoritmo. Caso estejam de acordo, o algoritmo está funcionando.

Tipos de Problemas

Alguns problemas em que podemos utilizar o aprendizado de máquina para resolver:

Classificacao

Separar as entradas em diferentes classes. Exemplo: em uma imagem, diferenciar gatos de cachorros.

Regressao

Previsão de acontecimentos futuros baseados nos dados de ontem. Por exemplo: prever o valor do dólar amanhã, em base das variáveis da semana passada.

Estimação de Densidade

Estimar quantas diferentes categorias estão presentes no dataset.

Dificuldades do aprendizado de máquina

Generalizacao

Generalizar um problema é extremamente complexo, porém sempre é o tipo de solução idela que gostaríamos. Fazer o computador aprender por memorização possui custo alto e pouca aplicação.

Overfitting

Quando se utiliza um exemplo pouco variado, o algoritmo consegue bons resultados para o dataset de exemplo mas nos datasets de uso possuem uma taxa de erro maior.

Underfitting

Quando se utiliza um exemplo muito simples, o algoritmo tende a obter alta taxa de erro na aprendizagem.

Algoritmos

Aprendizado Supervisionado

Arvores de decisao

KNN

SVM

Redes Neurais

Aprendizado Nao Supervisionado

Clusterizacao sequencial

Clusterizacao hierarquica

K-Means

Redes Neurais