Jones Granatyr

O que é Machine Learning? O termo que, em português, significa aprendizagem de máquina, é uma subárea da Inteligência Artificial. Seu objetivo é prático: fazer com que o computador aprenda por meio de treinamento.

Após esse treinamento, o computador consegue tomar decisões baseado no que ele aprendeu. Esse contexto pode parecer um pouco obscuro para quem está iniciando nessa área. Porém, o treinamento em um computador ocorre de forma parecida como acontece conosco. 

Vamos imaginar uma situação para ilustrar o conceito: um aluno que estuda matemática tem uma prova agendada. Este aluno terá condições de realizar essa prova com sucesso somente depois de fazer muitos exercícios práticos para que aprenda como resolver as questões.

Machine Learning e Data Science com Python de A a Z

Last Updated September 2020

  • 209 lectures
  • All Levels
4.6 (3,172)

Aprenda as técnicas que o mundo real exige e torne-se um profissional competitivo na área de Inteligência Artificial! | By Jones Granatyr

Explore Course

Um outro exemplo é relacionado a seguinte questão: como você ensinaria uma criança de dois anos a diferenciar o que é um gato e o que é um cachorro? Note que, na imagem abaixo, existem diversos tipos e raças de gatos e cachorros. Portanto, uma maneira de ensiná-la é mostrar várias imagens de gatos e várias imagens de cachorros. 

Com isso, ela irá aprender a identificar algumas características específicas de cada animal, como por exemplo: em geral, os gatos possuem um nariz com comprimento menor do que os cães.

Depois que a criança aprendeu a diferenciar os animais utilizando as imagens, se mostrarmos para ela um gato ou um cachorro real, ela usará seu aprendizado para diferenciar o tipo de animal.

Como funciona o Machine Learning?

Os humanos utilizam vários processos cognitivos complexos, além de experiências, para aprenderem a resolver problemas. Ou seja, a criança adquiriu experiência observando as imagens. 

Computadores fazem isso de maneira bastante similar. Porém, os processos cognitivos em computadores são representados por algoritmos que ajudam na aprendizagem; enquanto a experiência em computadores é adquirida por meio de bases de dados.

Para entender melhor esse conceito, considere o exemplo de um banco que precisa de um sistema para indicar qual é o risco de conceder empréstimo para novos clientes. 

Conforme a tabela abaixo, esse banco já possui uma base de dados histórica com várias características de seus clientes, como a história do crédito, o valor das dívidas, se possui garantias como imóveis ou veículos e a renda anual. 

Note também que a última coluna representa o risco que o banco obteve para conceder empréstimo para cada um desses clientes, considerando que cada linha da tabela é um cliente. 

Quando utilizamos a coluna do risco, indicamos que estamos trabalhando com aprendizagem de máquina supervisionada, ou seja, existe a figura de um “supervisor humano” que precisa fazer a anotação desses dados. 

Utilizando essa base de dados histórica de empréstimos que já foram concedidos no passado, é possível aplicar um algoritmo de machine learning para análise de dados e indicação do perfil dos clientes que são mais propensos a atrasar as mensalidades ou simplesmente não pagarem o empréstimo. 

Dessa forma, o banco pode evitar prejuízos futuros ao tomar decisões de não conceder empréstimo para clientes que tem altas chances de não realizarem o pagamento.

Hoje em dia, praticamente todas as empresas possuem conjunto de dados sobre seus processos gerenciais. Portanto, todas elas podem analisar dados para encontrar padrões. Esses padrões podem ser utilizados para executar tarefas do dia-a-dia de forma a maximizar as receitas e recursos das empresas utilizando inteligência artificial.

Algoritmos de Machine Learning

Como dito anteriormente, os humanos utilizam processos cognitivos para aprender, enquanto os computadores utilizam algoritmos. Os algoritmos são basicamente vários cálculos matemáticos executados na base de dados. Ou seja, é feita a leitura de todos os registros e são executados processos específicos para tentar encontrar os padrões. 

Existem centenas de algoritmos diferentes que utilizam funções matemáticas diferentes. Um dos mais didáticos é chamado de árvores de decisão. Como o próprio nome indica, este algoritmo gera uma árvore que será utilizada no processo de tomada de decisão, conforme a figura abaixo. 

Essa árvore de decisão foi criada utilizando os quatorze clientes da base de dados acima e é somente ilustrativa, pois em um cenário real o banco possuirá uma base de dados com milhões ou bilhões de registros (big data).

Note que, na figura acima, a renda foi adicionada no topo da árvore. Isso acontece porque os cálculos matemáticos indicaram que esta é a característica mais importante para previsão do risco de conceder empréstimo. 

Vamos supor que acabou de chegar ao banco um novo cliente solicitando empréstimo e que ele possui as seguintes características: renda anual maior do que R$ 35.000 e uma boa história de crédito. 

O sistema usará esses dados para prever o risco de crédito. Ou seja, se a renda for “> 35” selecionaremos o ramo à direita da árvore, chegando no atributo história de crédito. A história de crédito é boa, portanto, seguiremos para o ramo da esquerda e chegaremos no resultado final, que indica que o risco de conceder empréstimo para esse cliente em particular é baixo.

As árvores de decisão são famosas por sua simplicidade de visualização dos resultados. Existem inúmeros outros algoritmos que possuem características totalmente diferentes do exemplo dado anteriormente. 

Outro algoritmo bastante conhecido é aquele por trás das redes neurais artificiais, que está no grupo de algoritmos que atualmente são utilizados para o desenvolvimento de aplicações complexas, como carros autônomos, chatbots e até mesmo encontrar cura para doenças.

Agora que você aprendeu um pouco mais sobre os dois componentes principais do aprendizado de máquina (base de dados e algoritmos), veremos alguns exemplos de diferentes técnicas para aplicá-lo em situações do dia-a-dia.

Classificação

Essa é uma das técnicas de machine learning mais utilizadas e consiste em realizar previsões futuras. 

A concessão de empréstimo vista anteriormente é um exemplo de classificação que usa machine learning. Ou seja, o objetivo é prever se o risco de empréstimo para um cliente do banco é baixo, médio ou alto, a partir da análise de características do cliente. 

Você alguma vez já enviou um e-mail para um amigo e a mensagem enviada foi parar na caixa de spam? Isso também é um exemplo de classificação, no qual o filtro de spam analisa o conteúdo dos e-mails e os classifica como “spam” ou “não spam”. 

Outros exemplos são: previsão de doenças, baseada no resultado dos exames; reconhecimento facial; reconhecimento de voz; e até mesmo a classificação automática de animais baseado em fotos, assim como no exemplo que vimos no início do artigo.

Regressão

A regressão é muito parecida com a classificação, com a diferença de que o objetivo é prever números, e não classes. Imagine que uma pessoa queira vender sua casa, mas não tem ideia de quanto poderá cobrar por ela.

Um algoritmo de regressão utilizará os dados deste caso — como a metragem da casa, metragem do terreno, número de quartos, número de banheiros, quantidade de vagas na garagem, localização, entre outros — para fazer uma análise. Baseado nestes dados sobre a casa, o algoritmo pode retornar o preço ideal pelo qual ela deverá ser vendida. 

O mesmo processo ocorre com o limite do cartão de crédito. Nesse caso, o valor do novo limite será calculado de acordo com a quantidade de transações e valor gasto, por exemplo.

Detecção de desvios

Como o próprio nome indica, essa técnica tem o objetivo de encontrar anomalia nos dados, ou seja, algo que está fora do padrão. Um dos exemplos mais clássicos é quando o seu cartão de crédito é bloqueado para evitar fraudes! Quando isso acontece, provavelmente o usuário está fazendo compras em algum local diferente, no qual não costumar ir; ou o valor é muito mais alto do que o valor médio que ele costuma gastar.

Regras de associação

O exemplo mais famoso desta técnica é a análise de cestas de compras, aplicada inicialmente em uma famosa rede de supermercado. Nesse contexto, os analistas descobriram que, em determinados dias da semana, havia muita compra de fraldas e cervejas na mesma transação. 

Com essa informação, obtida por meio da mineração de dados, o mercado remanejou as prateleiras desses dois produtos dentro de sua loja, de modo a deixá-las muito próximas e, com isso, conseguiu aumentar consideravelmente suas vendas. 

As regras de associação podem ser utilizadas também para fazer um “mix” de produtos, pacotes promocionais ou identificar produtos pouco vendidos para colocá-los em promoção.

Padrões sequenciais

Essa técnica é parecida com as regras de associação — a principal diferença é que existe um fator temporal para determiná-la. Por exemplo, se uma pessoa compra hoje o livro “Inteligência Artificial”, após algum tempo a loja na qual a compra foi realizada enviará uma oferta para o livro “Machine Learning, que é uma continuidade natural ao estudo. 

Provavelmente você já viu em sites de comércio eletrônico a frase: “Quem comprou o produto A, também comprou o produto B e C”, certo?

Agrupamento

O objetivo desta técnica é analisar uma base de dados e agrupar aqueles que possuem características semelhantes, ou seja, que pertencem ao mesmo grupo. 

Uma das principais aplicações dessa técnica é agrupar clientes, com o objetivo de enviar marketing direcionado somente para o grupo que possui potencial interesse em um determinado produto. 

Por exemplo, se um grupo de clientes está interessado em videogame, poderão ser enviadas apenas as propagandas sobre este assunto específico para tal grupo. Um grande banco do país foi um dos pioneiros no uso dessa técnica, conseguindo aumentar as respostas de seus clientes em mais de 25%.

Juntamente com as regras de associação, o agrupamento é considerado aprendizagem não supervisionada, pois não existe a figura de um supervisor durante sua aplicação, como no exemplo da base de dados do risco de crédito. Nesse tipo de técnica, o objetivo é encontrar padrões, e não realizar previsões.

Conclusão

Este artigo apresentou brevemente uma introdução sobre o que é machine learning e sobre seus dois componentes principais: as bases de dados e os algoritmos. 

Você também aprendeu sobre as principais técnicas de aprendizagem de máquina, bem como alguns exemplos de aplicações práticas. 

Algumas reflexões importantes sobre o assunto: a inteligência artificial é uma área muito abrangente, que possui uma variedade muito grande de tópicos; contudo, machine learning faz parte da inteligência artificial (subárea). Para que o aprendizado ocorra são necessários algoritmos.

Além disso, uma rede neural é considerada como um desses algoritmos, dentre as centenas de algoritmos que existem. É muito comum também encontrarmos os termos machine learning e deep learning sendo utilizados em conjunto. De forma resumida, área de deep learning é uma subárea de machine learning, que tem o objetivo de explorar o algoritmo de redes neurais artificiais.

Page Last Updated: July 2020

Principais cursos em Aprendizado automático

Data Science Course 2021: Complete Machine Learning Training
Data-Driven Science
4.8 (21)
Novo e em alta
AWS SageMaker and Certified Machine Learning Specialty Exam
Chandra Lingam
4.4 (2,110)
Mais vendidos
Deployment of Machine Learning Models
Soledad Galli, Christopher Samiullah
4.5 (2,098)
A Beginner's Guide To Machine Learning with Unity
Penny de Byl, Penny @Holistic3D.com
4.6 (1,431)
Machine Learning Practical Workout | 8 Real-World Projects
Dr. Ryan Ahmed, Ph.D., MBA, Kirill Eremenko, Hadelin de Ponteves, SuperDataScience Team, Mitchell Bouchard
4.5 (696)
Feature Selection for Machine Learning
Soledad Galli
4.6 (1,063)
Machine Learning Classification Bootcamp in Python
Dr. Ryan Ahmed, Ph.D., MBA, Kirill Eremenko, Hadelin de Ponteves, Mitchell Bouchard, SuperDataScience Team
4.6 (552)
Natural Language Processing (NLP) in Python with 8 Projects
Ankit Mistry, Vijay Gadhave, Data Science & Machine Learning Academy
4.5 (70)
Mais vendidos
Deep Learning Foundation : Linear Regression and Statistics
Jay Shankar Bhatt
4.9 (86)
Mais vendidos
Bayesian Machine Learning in Python: A/B Testing
Lazy Programmer Inc.
4.6 (3,965)
Mais vendidos

More Aprendizado automático Courses

Os alunos de Aprendizado automático também aprendem

Empower your team. Lead the industry.

Get a subscription to a library of online courses and digital learning tools for your organization with Udemy for Business.

Request a demo