Machine Learning

Aprendizagem Supervisionada (Supervised Learning)

É o termo usado sempre que uma rede é “treinada” sobre um conjunto de dados pré-definido. Baseado no treinamento ns dados pré-definidos, a rede pode tomar decisões precisas quando recebe novos dados. Exemplo: Pode-se usar um conjunto de dados de resultados de julgamentos para treinamento da Machine Learning, que tenha condenações, acordos e absolvições e assim treinar um classificador de análise de casos de alta confiabilidade.

Aprendizagem Não Supervisionada (Unsupervised Learning)

Termo usado quando uma rede pode automaticamente encontrar padrões e relações em um conjunto de dados. Exemplo: Análise de um conjunto de dados de clientes e clusterização automática destes clientes relacionados a um conjunto de características, sem que o programa possua qualquer conhecimento prévio sobre os dados.

Classificação (Classification)

A classificação é uma sub-categoria de aprendizagem supervisionada. 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 de natureza distinta, ou seja, um simples “sim ou não”. Exemplo: Mapeamento de uma imagem de uma pessoa e classificação como masculino ou feminino.

Regressão (Regression)

Outra sub-categoria de aprendizagem supervisionada usada quando o valor que está sendo previsto difere de um “sim ou não” e que siga um espectro contínuo. Sistemas de regressão poderiam ser usados, por exemplo, para responder às perguntas: “Quanto custa?” ou “Quantos existem?”.

Árvores de Decisão (Decision Trees)

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.

Modelo Gerador (Generative Model)

Em probabilidade e estatística, um Modelo Gerador é um modelo usado para gerar valores de dados quando alguns parâmetros são desconhecidos. Modelos geradores são usados ​​em Machine Learning para qualquer modelagem de dados diretamente ou como um passo intermediário para a formação de uma função de densidade de probabilidade condicional.

Modelos Condicionais (Discriminative Model)

Discriminative Model ou modelos condicionais, são uma classe de modelos usados ​​em Machine Learning para modelar a dependência de uma variável y em uma variável x. Como esses modelos tentam calcular probabilidades condicionais, isto é, p (y | x) são frequentemente utilizados em aprendizado supervisionado. Exemplos incluem regressão logística, SVMs e Redes Neurais.

Aprendizagem Profunda (Deep Learning)

Este tem sido um tema muito discutido recentemente. Basicamente, a aprendizagem profunda refere-se a uma categoria de algoritmos de Machine Learning que muitas vezes usam redes neurais artificiais para gerar modelos. Técnicas de Deep Learning, por exemplo, foram muito bem sucedidas na resolução de problemas de reconhecimento de imagem devido à sua capacidade de escolher as melhores características, bem como para expressar camadas de representação. Inspirado por redes neurais biológicas, redes neurais artificiais são uma rede de nós interconectados que compõem um modelo. Eles podem ser definidos 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 entrada é demasiado grande para as abordagens convencionais de aprendizagem automática previamente discutidas.