Machine Learning e suas 6 áreas

Faça parte da comunidade!

O aprendizado de máquina, ou machine learning, é uma das áreas mais promissoras no âmbito Data Science. Impactou, beneficiou e mudou a realidade de bilhões de pessoas pelo mundo e os casos de uso só aumentam. A demanda por profissionais unicórnios, chamados Data Scientists(mas com skills em data analytics, data engineering e machine learning engineering) só aumenta.

Por este motivo, é essencial que você, pelo menos, conheça cada uma das áreas de Machine Learning e que possa inclusive incluir em seu portfólio pelo 1 projeto de cada uma destas 6 áreas aqui elencadas.

Lembramos que há outras formas de dividir os algoritmos e certamente em cada sub-área, como por exemplo “Regressão” nós teremos novos algoritmos ou antigos nem mesmo citados. O propósito aqui é lhe dar uma perspectiva geral de cada área com possíveis aplicações e códigos práticos.

Em “CLASSICAL LEARNING” encontramos os algoritmos mais utilizados atualmente, sendo 3 grandes áreas conforme tipo de aprendizado: SUPERVISIONADO, NÃO-SUPERVISIONADO e REDUÇÃO DE DIMENSIONALIDADE.

Classical Learning

Aqui encontramos 3 das 6 áreas demonstadas na imagem acima. Na verdade, aqui estão concentradas a maioria das aplicações em Machine Learning. Os algoritmos mais utilizados aqui estão: aprendizado supervisionado e não-supervisionado. Temos ainda a redução de dimensionalidade que também será abordada.

Supervised(Aprendizado Supervisionado)

Classificação

Neste exemplo poderiamos prever classes como: SPAM/NÃO-SPAM; GATO/CACHORRO/PÁSSARO…

Em tarefas de classificação, o programa de aprendizado de máquina deve tirar uma conclusão dos valores observados e determinar a
que categoria pertencem as novas observações. Por exemplo, ao filtrar emails como ‘spam’ ou ‘não spam’, o programa deve examinar os dados observacionais existentes e filtrar os emails de acordo.

Métricas: ACURÁCIA, MATRIZ DE CONFUSÃO(PRECISÃO, F1, RECALL) + REPORT SCIKIT LEARN

Clicando aqui você acessa o PROJETO PRÁTICO “SPAM CLASSIFIER COM PYTHON”.

Regressão

Neste exemplo poderiamos prever valores contínuos como PREÇO DE IMÓVEIS, GASTO DE COMBÚSTIVEL POR KILOMETRO RODADO…

A máquina deve estimar – e compreender – as relações entre as variáveis. A análise de regressão se concentra em uma variável dependente e uma série de outras variáveis ​​- tornando-a particularmente útil para predição e previsão. Aqui podemos prever valores contínuos como, por exemplo, preços de casas conforme suas variáveis: bairro, número de quartos, tamanho do terreno…

Métricas: RMSE, RSE

Clicando aqui você acessa o PROJETO PRÁTICO “REGRESSÃO LINEAR COM PYTHON”.

Reinforcement Learning

Aprendizado por reforço é o treinamento de modelos de aprendizado de máquina para  tomar uma sequência de decisões . O agente aprende a atingir uma meta em um ambiente incerto e potencialmente complexo. Na aprendizagem por reforço, a máquina enfrenta uma situação semelhante a um jogo. O computador utiliza tentativa e erro para encontrar uma solução para o problema. Para fazer com que a máquina faça o que o programador deseja, a inteligência artificial obtém recompensas ou penalidades pelas ações que realiza. Seu objetivo é maximizar a recompensa total.

Dica: Assista ao documentário ALPHA GO(Netflix) para entender uma aplicação real deste algoritmo muito utilizado em jogos/robótica.

Clicando aqui você acessa o PROJETO PRÁTICO “REINFORCEMENT LEARNING COM PYTHON”.

Ensemble

Métodos ensemble, ou métodos de “conjunto” é uma técnica de aprendizado de máquina que combina vários modelos de base para produzir um modelo preditivo ideal. Em competições Kaggle, apresentam os melhores resultados, afinal, ao invés de você utilizar apenas 1 modelo preditivo, acaba combinando diversos e conforme a métrica utilizada pode prever a média, mediana ou outras entre todas as predições realizadas.

Clicando aqui você acessa o PROJETO PRÁTICO “Métodos Ensemble com Python”.

Deep Learning

Aqui encontramos o que há de mais sofisticado e moderno em Machine Learning. redes neurais. Indicamos a leitura de nosso ebook DEEP LEARNING: PRIMEIROS PASSOS.

São subdivididas em CNN´S(redes neurais convolucionais), RNN´S(redes neurais recorrentes), GAN´S(redes adversariais generativas), AUTOENCODERS e PERCEPTRONS(marco zero).

Perceptron: rede neural de camada única. Um perceptron de várias camadas é chamado de Rede Neural. Perceptron é um classificador linear (binário). Além disso, também é usado na aprendizagem supervisionada.

CNN: REDE NEURAL CONVOLUCIONAL

CNN´s: Uma rede neural convolucional é uma sequência de camadas, e cada camada de uma CNN transforma um volume de ativações em outra, por meio de uma função: cada camada está associada à conversão das informações dos valores, disponíveis nas camadas anteriores, em algumas informações mais complexas e passam para as próximas camadas para generalização posterior. Usada para detecção de objetos e classificação de imagens.

RNN´S: REDES NEURAIS RECORRENTES

RNN´S: Uma Rede Neural Recorrente funciona com base no princípio de salvar a saída de uma camada específica e alimentá-la de volta(backpropagation) para a entrada, a fim de prever a saída da camada. Usada para reconhecimento de fala, reconhecimento de voz, previsão de séries temporais e processamento de linguagem natural.

Clicando aqui você acessa o ebook “DEEP LEARNING: PRIMEIROS PASSOS”.

Passe adiante...!

Compartilhar no facebook
Compartilhar no linkedin
Compartilhar no twitter
Compartilhar no email
Compartilhar no whatsapp

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

catorze + 3 =

Receba em seu email o acesso as aulas e materiais

Vá além:

Matplotlib: o guia inicial!

Matplotlib é um Módulo Python que serve pra gerar gráficos de maneira simples, mas, apesar de ser uma biblioteca compacta, o processo de fazer a