beatrizvencio / 03_machine-learning

Um pouco das minhas aulas sobre Aprendizagem de Máquina (Machine Learning).

Machine Learning

Definição

Aprendizagem de Máquina (Machine Learning) é um ramo da inteligência artificial onde sistemas aprendem com dados para identificar padrões e decidir com mínima intervenção humana. Difere da programação tradicional, onde são dadas instruções específicas. Em vez disso, um modelo é treinado com dados para fazer previsões ou tomar decisões, sem programação explícita.

O Uso de Aprendizagem de Máquina na sociedade atual

A Aprendizagem de Máquina, com aplicações desde reconhecimento de fala até identificação de doenças, é cada vez mais presente na sociedade. Além de ter potencial para impactar áreas como educação, energia e meio ambiente, traz questões éticas e sociais importantes, como privacidade, preconceito e justiça, que são áreas de estudo e debate significativas.

Tipos de Aprendizagem de Máquina

• Aprendizado Supervisionado:
  • No aprendizado supervisionado, o modelo aprende a partir de dados já rotulados, ou seja, emparelhados com as respostas corretas. O objetivo é usar esse aprendizado para fazer previsões em novos dados. As tarefas comuns incluem classificação e regressão. Por exemplo, para reconhecer imagens de gatos, usamos um conjunto de imagens rotuladas como "gatos" para treinar o modelo.
• Aprendizado Não Supervisionado:
  • No aprendizado não supervisionado, o modelo aprende a partir de dados não rotulados, visando entender a estrutura intrínseca dos dados. Tarefas comuns incluem agrupamento e redução de dimensionalidade. Por exemplo, para agrupar clientes com hábitos de compra semelhantes, usamos aprendizado não supervisionado para identificar esses grupos sem informações prévias dos grupos existentes.
• Aprendizado por Reforço:
  • No aprendizado por reforço, o modelo de aprendizagem de máquina (agente) aprende a realizar ações para maximizar uma recompensa cumulativa em um ambiente. Não há diretrizes explícitas sobre qual ação o agente deve tomar; ele aprende a melhor ação através de tentativa e erro. Por exemplo, o aprendizado por reforço é usado para treinar agentes de IA para jogar jogos, como o Go e videogames. O agente aprende a jogar o jogo tomando ações, vendo o resultado e ajustando suas futuras ações para aumentar as chances de ganhar.

Existem outros tipos de aprendizado de máquina, como aprendizado semi-supervisionado e aprendizado por transferência. O tipo escolhido para uso depende do problema específico que se deseja resolver.

Aplicações da Aprendizagem de Máquina

• Saúde:
  • A Aprendizagem de Máquina está revolucionando a área da saúde, sendo usada para prever doenças, interpretar imagens médicas, personalizar planos de tratamento e até mesmo para desenvolver novos medicamentos. Por exemplo, algoritmos de aprendizado supervisionado podem ser treinados em dados de pacientes para prever o risco de condições como diabetes ou doenças cardíacas.
• Finanças:
  • No setor financeiro, a Aprendizagem de Máquina é usada para detectar transações fraudulentas, automatizar a negociação de ações, fornecer conselhos personalizados sobre investimentos e melhorar a previsão do mercado. Por exemplo, algoritmos de aprendizado não supervisionado podem ser usados para detectar atividades suspeitas que indicam fraude de cartão de crédito.
• Transporte:
  • No campo do transporte, a Aprendizagem de Máquina é um componente chave para o desenvolvimento de veículos autônomos. Além disso, é usada para otimizar rotas de entrega, prever a demanda de transporte e melhorar a segurança no trânsito.
• Entretenimento:
  • Na indústria do entretenimento, a Aprendizagem de Máquina é usada para recomendar músicas, filmes ou séries baseados nas preferências dos usuários, criar efeitos especiais realistas e até desenvolver jogos mais envolventes e personalizados.

Ética no Uso de Aprendizagem de Máquina

• Viés:
  • Como os modelos de aprendizado de máquina são treinados em dados criados por humanos, eles podem perpetuar e até amplificar preconceitos existentes nos dados. É crucial estar ciente desses vieses e trabalhar para mitigá-los.
• Privacidade:
  • Como muitos sistemas de aprendizado de máquina requerem grandes quantidades de dados, muitas vezes pessoais, existem preocupações legítimas sobre a privacidade e a segurança dos dados.
• Transparência e Explicabilidade:
  • Muitos modelos de aprendizado de máquina são considerados "caixas-pretas" porque suas operações internas são ininteligíveis para os humanos. Isso levanta questões sobre a responsabilidade e a capacidade de contestar decisões tomadas por sistemas de aprendizado de máquina.
• Automação e Emprego:
  • A medida que a Aprendizagem de Máquina e a automação continuam a avançar, há preocupações sobre o impacto no emprego e na estrutura da sociedade.