Machine Learning (ML), ou aprendizado de máquina como é mais conhecido no Brasil, é uma tecnologia, associada à inteligência artificial, que permite computadores conseguirem aprender e modificar seu comportamento autonomamente tendo como base a sua própria experiência.

O processo de aprendizagem é construído conforme as respostas esperadas através de associações de diferentes dados como imagens, números, entre outros.

A modificação de comportamento acontece ao estabelecer regras lógicas que visam melhorar o desempenho de uma tarefa ou, dependendo da aplicação, tomar a decisão mais apropriada para o contexto. Essas regras são geradas com base no reconhecimento de padrões dentro dos dados analisados.

Para interpretação e geração de resultados, a Machine Learning usa como base modelos ou algoritmos, que são treinados para reconhecer determinados tipos de padrões.

O treinamento é realizado previamente em um modelo de conjunto de dados que fornece um algoritmo que pode ser usado para ponderar e aprender com esses dados.

Após o treinamento, o algoritmo é utilizado para analisar dados que não foram identificados e, posteriormente, fazer as previsões sobre esses dados .

Os algoritmos de Machine Learning são divididos em 3 categorias: Aprendizagem supervisionada, Aprendizagem não supervisionada e Aprendizagem por reforço.

  1. Aprendizagem supervisionada: indicada nos casos em que uma propriedade (rótulo) está disponível para um determinado conjunto de dados (conjunto de treinamento).

    Seus algoritmos são:

    Árvores de Decisão: classificação e regressão, através de um gráfico ou modelo de decisões e suas possíveis consequências, incluindo resultados de eventos fortuitos, custos de recursos e utilidade. Seu método, permite abordar o problema de uma forma estruturada e sistemática para chegar a uma conclusão lógica.
    Classificação Naïve Bayes: classificadores probabilísticos simples com base na aplicação Bayes – teorema com forte independência entre as características.
    Regressão Linear de Mínimos Quadrados: conjunto estatístico, incluindo variantes para resíduos ordinários (não ponderados), ponderados e generalizados (correlacionados). Métrica de erro que está sendo minimizado.
    Regressão Logística: forma estatística de modelar um resultado binomial com uma ou mais variáveis explicativas. Utiliza distribuição logística cumulativa. 
    Support Vector Machine: classificação, regressão e detecção de outliers muito utilizado com sucesso para reconhecimento de imagens, diagnósticos médicos e análises de textos.
    Ensemble Method: aprendizagem que constrói um conjunto de classificadores e, em seguida, classificam novos pontos de dados, tendo um ponderado voto de suas previsões.
  2. Aprendizagem não supervisionada: identifica semelhanças nos dados e reage com base na presença ou ausência de tais semelhanças em cada novo dado.

    Seus algoritmos são:

    Algoritmos de Agrupamento (‘Clustering’): agrupar um conjunto de objetos de tal forma que os do mesmo grupo (‘cluster’) são mais semelhantes uns aos outros do que aqueles em outros grupos. Com isto é possível descobrir semelhanças e desigualdades entre os padrões dos ‘clusters’ e, consequentemente, produzir conclusões úteis ao seu respeito.
    Decomposição em valores singulares: reduz conjuntos de dados contendo muitos valores.
    Análise de Componentes Principais: procedimento estatístico que usa uma transformação ortogonal para converter um conjunto de observações de variáveis, possivelmente correlacionadas em um conjunto de valores de variáveis linearmente não correlacionadas, chamadas componentes principais.
    Análise de componentes independentes: revela fatores ocultos que estão subjacentes a conjuntos de variáveis aleatórias, medições ou sinais.
  3. Aprendizado por reforço:
    Existe alguma forma de feedback disponível para cada passo ou ação preditiva, mas sem etiqueta precisa ou mensagem de erro. Existem três componentes principais: o agente, o ambiente e a forma de interação entre estes dois.

A tendência é que a Machine Learning continue evoluindo, pois, a disponibilidade de informações, oriundas dos aplicativos móveis, e da grande necessidade de competição entre empresas, é crescente. Tem ajudado pessoas e empresas a trabalharem melhor com as informações. Até gigantes de TI, como Google e Apple, já aproveitam seus benefícios para melhorar a experiência do cliente e aumentar o retorno sobre o investimento (ROI).

Conforme observamos, Machine Learning é a evolução da inteligência artificial, já está inserida em nossa realidade e é a grande tendência do futuro. 

Fontes:

 

https://santodigital.com.br/machine-learning-2021-quais-sao-as-principais-tendencias/

 

https://tatianaesc.medium.com/machine-learning-conceitos-e-modelos-f0373bf4f445