O Que é Aprendizado de Máquina?

1. Principais Tipos de Aprendizado de Máquina:

1.1. Aprendizado supervisionado: A máquina é treinada através de um conjunto de dados onde para cada entrada a saída é conhecida. Os dados para este tipo de método devem possuir rótulos. Podemos comparar a um aprendizado acompanhado, onde o professor supervisiona todo o processo de aprendizado, dizendo o que é certo, o que é errado e aonde se quer chegar. O desafio fica para quando se quer prever futuras situações. Com uma entrada de dados, quais serão os resultados previstos para aquela situação. Neste caso o algoritmo deve se ajustar para chegar aos resultados corretos e com o máximo de acerto. Para isso o aprendizado pode ser constante, aumentando assim a experiência com aquele problema. Um bom exemplo para esse caso é conseguir prever se uma transação do cartão de crédito de certa pessoa é falsa ou não. Aprendizado não supervisionado: neste método de aprendizagem, ao contrário do anterior, os dados não possuem rótulo, ou seja, a saída correta não é informada. Podemos comparar a um aprendizado autodidata, onde o aluno tem que descobrir o caminho e alcançar os resultados. Neste caso, o algoritmo deve descobrir a base de dados e o que está sendo mostrado, explorando os dados e buscando encontrar alguma estrutura neles. Dependendo da técnica utilizada, o algoritmo vai encontrar agrupamentos entre esses dados, aproximando os dados que tem alguma semelhança entre si. Um exemplo pode ser a classificação de pessoas que tenham a tendência de adquirir diabetes, analisando a sua alimentação e rotina, porém não é informado quais pessoas realmente tem ou não diabetes. Neste caso o algoritmo tem que agrupar e contextualizar esses dados para chegar a predição correta dos casos. Processo de aprendizado Como o ser humano, a máquina precisa passar por alguns processos para que ela possa aprender. Como discutido anteriormente, os dados são essenciais, então o primeiro passo é escolher quais dados serão trabalhados e disponibilizados para o processo do Aprendizado de Máquina. Porém, nem todo conjunto de dados, seja ele adquirido em bases de dados abertas, coletados em tempo real ou de um banco de dados, estará de forma estruturada e pronta para ser passados para a máquina aprender. Como nós, que precisamos de um material para estudo de qualidade para podermos aprender, a máquina precisa de um conjunto de dados razoável para também poder aprender. Como citado, muitas das vezes os dados estão completamente desestruturados e fora de um padrão e para isso é necessário a realização da técnica de Data Cleaning. Data Cleaning, ou Limpeza de Dados, é uma técnica utilizada para trabalhar com os dados. Nesse processo é realizada a normalização, a estruturação, padronização e contextualização dos dados. Pode ser que nem todas as bases de dados precisem passar por esse processo, porém, é bom validar dependendo do problema e qual o resultado desejado. Após ter um conjunto de dados estruturados, o próximo passo neste processo de aprendizado é a aplicação de um método de aprendizagem juntamente com uma técnica de Aprendizado de Máquina. As técnicas de Aprendizado de Máquina utilizam algoritmos, que por sua vez faz o trabalho computacional e todo o processamento dos dados.

2. Como a máquina consegui aprender?

2.1. Aprendizado de Máquina é um método de análise de dados que automatiza o desenvolvimento de modelos analíticos. É possível utilizar algoritmos para coletar dados e aprender com os dados, levando em consideração todo o histórico para então fazer uma determinação ou predição sobre alguma coisa ou situação do mundo real. O que acontece é que o computador aprende através de técnicas que utilizam algoritmos computacionais. Os algoritmos trabalham com certa base de dados, então conseguem aprender através de treinamento e prever situações com a experiência adquirida com aqueles dados. O mais interessante é que os algoritmos começam a trabalhar de certa forma autônoma, retornando resultados para que nem foram programados, ou seja, começam a ter insights sobre algo específico.

3. Como Funciona o Aprendizado de Máquina?

3.1. Basicamente, os algoritmos utilizam análises estatísticas aprimoradas sobre os dados que recebem, resultando em respostas e previsões mais precisas. O Machine Learning permite que as aplicações de software se tornem mais “inteligentes” e preditivas, sem que seja necessário programá-las com frequência para que elas “aprendam”.

4. Trabalha com a ideia das máquinas que podem aprender sozinhas ao terem acesso a um grandes volumes de dados. Podendo detectar padrões e criar conexões entre dados, por meio de Big Data e algoritmos sofisticados, quando aprenderem sozinhas para a executar alguma tarefa.

5. Por que a importância do Aprendizado de Máquina hoje em dia?

5.1. A quantidade de dados disponíveis! Com o fácil acesso a informação e a tecnologia, nunca se produziu tantos dados como atualmente. Um artigo da Scientific American, em 2016 foi produzido cerca de 2,5 Exabytes por dia no mundo. E é essa quantidade de dados é que alimenta e fortifica o Aprendizado de Máquina.

6. 3 DESAFIOS/PLOBLEMAS/CENÁRIOS COM APRENDIZADO DE MÁQUINA NO BRASIL

7. 3- Podemos com os dados de internações do covid-19, que são cedidos pelo ministério da Saúde, gerar com IA uma previsão de qual será a cidade ou estado com mais infecções ao longo do tempo. Para assim focar melhor os recursos disponíveis no Brasil.

8. 1- Pode-se realizar uma analise de dados por aprendizado de máquina onde sejam separadas regiões com maior índice de acidentes para que seja revisto a sinalização, bem como monitoramento por guardas de trânsito, visando assim uma diminuição de acidentes.

9. 2- Utilizando os dados de ocorrências criminais no estado, podemos com a IA realizar uma estratégia onde os agentes de segurança possam estar em locais de maior importância com relação à criminalidade.

10. APRENDIZADO DE MÁQUINA