Inteligência Artificial

Nesky
13 de jul. de 2024
4 min de leitura

Atualizado: 17 de ago. de 2024

O Aprendizado de Máquina (AM) é um campo da inteligência artificial (IA) que se concentra no desenvolvimento de algoritmos e técnicas que permitem aos sistemas aprenderem padrões e informações a partir de dados, sem a necessidade de programação explícita.

Em vez de serem explicitamente programados para realizar tarefas específicas, os sistemas de aprendizado de máquina utilizam dados para treinar modelos e fazer previsões ou tomar decisões com base nesses dados.

APLICAÇÃO

Entretenimento, Marketing e Publicidade

Exemplo: Criação de Conteúdo, Interação em Jogos:

Visão computacional

Exempo:Reconhecimento Facial, Detecção de Objetos, Segmentação de Imagem:

Processamento De Linguagem Natural (Nlp)

Exemplo: Análise de Sentimentos, Tradução Automática, Geração de Texto, Reconhecimento de Fala, Chatbots e Assistentes Virtuais:

Saúde e Medicina

Exemplo: Diagnóstico Assistido por IA, Desenvolvimento de Medicamentos Monitoramento de Saúde:

Finanças

Exemplo: Detecção de Fraudes, Análise de Crédito, Trading Algorítmico:

Projetos de Engenharia

Exemplo: Topografia, Estruturas, Geotecnia, Projetos

CAMPOS DE ESTUDO

Inteligência Artificial (IA)

Campo da ciência da computação dedicado a criar sistemas capazes de realizar tarefas que normalmente requerem inteligência humana.

É o campo mais abrangente, que inclui aprendizado de máquina, aprendizado profundo, mineração de dados, e técnicas de descoberta de conhecimento em bases de dados.

Aprendizado de Máquina (ML)

Subcampo da IA que se concentra em desenvolver algoritmos que permitem que os computadores aprendam a partir de dados. É uma subárea da IA.

Aprendizado Profundo (Deep Learning)

Subcampo do aprendizado de máquina que utiliza redes neurais artificiais com muitas camadas (redes neurais profundas) para modelar padrões complexos em grandes quantidades de dados.

É um subcampo do aprendizado de máquina. Enquanto ML abrange uma ampla gama de algoritmos, o aprendizado profundo é específico para redes neurais profundas e técnicas relacionadas.

Ciência de Dados

Campo interdisciplinar que usa métodos científicos, processos, algoritmos e sistemas para extrair conhecimento e insights de dados estruturados e não estruturados.

Envolve o uso de IA e ML (incluindo aprendizado profundo) para analisar e interpretar dados. Ciência de dados também abrange mineração de dados e KDD como parte do processo de extração de conhecimento de dados.

Mineração de Dados

Processo de descobrir padrões e conhecimento a partir de grandes conjuntos de dados utilizando métodos de aprendizado de máquina, estatísticas e sistemas de banco de dados.

É uma etapa dentro do processo mais amplo de KDD. A mineração de dados usa técnicas de aprendizado de máquina para encontrar padrões nos dados.

PROCESSO DE APRENDIZADO DE MÁQUINA

Definição do Problema e Objetivos:

Entender o problema e definir claramente os objetivos do projeto de machine learning. Isso inclui identificar se é um problema de classificação, regressão, clustering, etc.

Aquisição e Preparação dos Dados:

Isso pode envolver várias fontes de dados e requer a limpeza, transformação e preparação dos dados para o treinamento do modelo.

Análise exploratória

Identficação de padrões, tendências, relações entre variáveis e possíveis problemas nos dados (como outliers ou dados faltantes).

Seleção do Modelo e treinamento

Escolha do tipo de modelo de machine learning adequado para o problema, com base na natureza dos dados e nos objetivos do projeto.

Avaliação do Modelo:

Métricas de desempenho como precisão, Recall, F1-score, erro e ajuste de hiperparâmetros,

Implantação do Modelo

Após a validação e otimização, o modelo treinado é implantado em produção para fazer previsões ou tomar decisões automáticas com base em novos dados de entrada.

TIPOS DE APRENDIZADO

APRENDIZADO SUPERVISIONADO
APRENDIZADO NÃO SUPERVISIONADO
APRENDIZADO SEMI-SUPERVISIONADO
APRENDIZADO POR REFORÇO

APRENDIZADO SUPERVISIONADO

Neste tipo de aprendizado, os algoritmos são treinados usando um conjunto de dados rotulados. Cada exemplo de treinamento é composto por uma entrada e uma saída desejada.

O algoritmo aprende a mapear as entradas para as saídas, permitindo prever a saída de novos dados de entrada.

REGRESSÃO LINEAR
REGRESSÃO LOGÍSTICA
MÁQUINAS DE VETORES DE SUPORTE (SVM)
ÁRVORES DE DECISÃO
5FLORESTAS ALEATÓRIAS
K-VIZINHOS MAIS PRÓXIMOS
REDES NEURAIS ARTIFICIAIS (ANN)
REDES NEURAIS CONVOLUCIONAIS (CNN)
REDES NEURAIS RECORRENTES (RNN)
NAIVE BAYES
ANÁLISES DISCRIMINANTE LINEAR (LDA)
ANÁLISES DISCRIMINANTE QUADRÁTICA (QDA)
GRADIENT BOOSTING MACHINES (GBM)
EXTREME GRADIENT BOOSTING
LIGHTGBM
CATBOOST

APRENDIZADO NÃO SUPERVISIONADO

Algoritmos aprendem padrões e estruturas a partir de dados não rotulados.

O objetivo é encontrar agrupamentos, associações ou reduzir a dimensionalidade dos dados.

1. CLUSTERING

2. REDUÇÃO DE DIMENSIONALIDADE

3. MODELOS DE MISTURA GAUSSIANA

4. ANÁLISE DE COMPONENTES INDEPENDENTES

5. ANÁLISE DE DENSIDADE

6. REGRAS DE ASSOCIAÇÃO

7. DETECÇÃO DE ANOMALIAS

8. DESCOBERTA DE TÓPICOS

9. MINERAÇÃO DE REGRAS SEQUENCIAIS

APRENDIZADO SEMI-SUPERVISIONADO

Combina aprendizado supervisionado e não supervisionado. Utiliza uma pequena quantidade de dados rotulados junto com uma grande quantidade de dados não rotulados para treinar o modelo.