Aprendizado de máquina não é mais coisa do futuro, mas sim do nosso mundo atual. Vivemos em uma nova era, uma era em que convivemos com soluções como o IBM Watson, Google Home entre outras. Esse tipo de solução nos faz pensar: Computadores são realmente capazes de aprender? A resposta é sim, contudo, com algumas importantes observações. Ainda não sabemos, exatamente, como fazer para que os computadores aprendam como os seres humanos. Mas isso não deve nos desmotivar, pois existem algoritmos importantes que resolvem eficientemente vários tipos de tarefas de aprendizagem.
É importante ter claro que não se trata de memorização. Qualquer
computador é capaz de memorizar, mas a dificuldade está em generalizar um
comportamento para uma nova situação. Como um programa de computador deve se
comportar em situações padrões, ou então em situações que fogem do padrão.
Uma conversa habitual entre duas pessoas é repleta de sinais
ocultos de comunicação. Sinais não verbais que fazem parte do processo de
comunicação, que dão significado às palavras que estão sendo apresentadas. Veja
esse exemplo: https://www.youtube.com/watch?v=EXM4Cl8XDe0,
com certeza é um grande avanço no processo de comunicação, mas perceba que a
comunicação ainda está longe de ser um exemplo de comunicação habitual entre
dois seres humanos especialistas nos assuntos que estão sendo tratados, mas
convenhamos, é bem superior se comparado com o teste de Touring representado
por esse exemplo: http://www.manifestation.com/neurotoys/eliza.php3
Bem, mas como ensinar uma máquina? Isso pode ocorrer por diferentes tipos de aprendizados, entre elas:
- Aprendizado Supervisionado: No aprendizado supervisionado os algoritmos trabalham com um conjunto de dados de treinamento para aprender sobre um determinado problema. Esse conjunto de dados contém obrigatoriamente o atributo alvo. Após “aprender” sobre o problema com os dados do conjunto de dados com o atributo alvo, seu conhecimento é aplicado em outro conjunto de dados, geralmente chamado de conjunto de teste, para que as predições sejam realizadas É um estilo de aprendizado bastante utilizado para resolver problemas de classificação ou regressão.
- Aprendizado Não Supervisionado: Por sua vez, algoritmos de aprendizado não supervisionado usam conjuntos de dados que não apresentam atributos rotulados. Ao invés disso, os valores presentes no conjunto de dados são utilizados para que deduções sobre eles sejam feitas e uma forma de representação do conhecimento sobre o problema que está sendo investigado seja criada. É um estilo de aprendizado bastante utilizado para solucionar problemas de agrupamento com extração de regras.
- Aprendizado Semi-supervisionado: Com características dos dois outros estilos de aprendizagem, algoritmos de aprendizado semi-supervisionado trabalham com um conjunto de dados que apresentam atributos parte rotulado e parte não rotulado. Apesar de existir um problema de predição, o algoritmo deve aprender com os dados de entrada para prever corretamente a saída. Assim como os algoritmos de aprendizado supervisionado, é um estilo de aprendizado bastante utilizado para solucionar problemas de classificação e regressão.
- Aprendizado Por Reforço: Por fim, algoritmos de aprendizado por reforço trabalham com um conjunto de dados que são fornecidos como estímulos e os algoritmos devem responder e reagir a eles. O resultado de seu processamento é apresentado como um conjunto de punições ou recompensas. É um estilo de aprendizado bastante utilizado para solucionar problemas de robótica.
Nenhum comentário:
Postar um comentário