1. Benefícios
1.1. Ajuda a entender mudanças de comportamento, preferências ou satisfação do cliente;
1.2. Entrega de resultados precisos e confiáveis;
1.3. Automatização de processos (agilidade e otimização)
1.4. Redução de custos;
1.5. Análise rápida de uma grande quantidade de dados - tomadas de decisões estratégicas;
2. Aplicabilidade
2.1. Veículos autônomos;
2.2. Entretenimento: sistemas de recomendações (compras online, Netflix, Spotify Youtube);
2.3. Sistemas que detectam spam automáticos;
2.4. Detecção de fraudes (Bancos, operadoras de cartões de crédito);
2.5. Manutenção preditiva (previsão de falhas em equipamentos);
2.6. Sistemas de vigilância em vídeo (reconhecimento facial);
2.7. Diagnósticos médicos, classificação de sequências de DNA, previsão de doenças;
2.8. Bolsa de valores: previsão de qual o melhor investimento;
3. Etapas
3.1. 1.Coleta de dados;
3.2. 2. Preparação dos dados;
3.3. 3 . Escolha e aplicação do modelo;
3.4. 4. Treinamento;
3.5. 5. Avaliação;
3.6. 6. Aprimoramento dos parâmetros;
3.7. 7. Previsão.
4. Definição
4.1. Subcampo dentro da inteligência artificial;
4.2. Tecnologia que capacita os computadores para aprender com associação de dados ou experiências;
4.3. Método que permite que as máquinas tomem decisões e façam previsões com o mínimo de intervenção humana;
5. Tipos de Aprendizado
5.1. Aprendizado por reforço
5.1.1. Definição
5.1.1.1. O algoritmo recebe o feedback da análise de dados, orientando o usuário para o melhor resultado;
5.1.1.2. O sistema aprende por meio de tentativa e erro, quais ações rendem maiores recompensas. Exemplo: jogos;
5.2. Aprendizado supervisionado
5.2.1. Definição
5.2.1.1. Algoritmo que já possui categorias conhecidas;
5.2.1.2. É capaz de tomar suas próprias decisões quando recebe um novo conjunto de dados;
5.2.1.3. Aplicado em situações em que a análise de dados históricos permite antecipar acontecimentos futuros;
5.2.2. Classes
5.2.2.1. Classificação
5.2.2.1.1. Elabora decisões de menor complexidade;
5.2.2.1.2. Respondem perguntas do tipo sim ou não;
5.2.2.1.3. Exemplo: filtragem de spam;
5.2.2.2. Regressão
5.2.2.2.1. A ideia é prever um valor numérico;
5.2.2.2.2. Exemplo: previsão de quanto tempo levará um equipamento para apresentar defeito;
5.3. Aprendizado semi-supervisionado
5.3.1. Definição
5.3.1.1. Combinação de aprendizado supervisionado com o não supervisionado;
5.3.1.2. Formado por pequena quantidade de dados rotulados e uma maior quantidade de dados não rotulados;
5.3.1.3. Exemplo: identificação do rosto de uma pessoa na webcam;
5.4. Aprendizado não supervisionado
5.4.1. Definição
5.4.1.1. Não é apresentado ao algoritmo nenhum modelo predeterminado;
5.4.1.2. Exige que o sistema desenvolva suas próprias conclusões;
5.4.2. Classes
5.4.2.1. Associação
5.4.2.1.1. Permite o descobrimento de regras e correlações, identificando conjunto de itens que frequentemente ocorrem juntos.
5.4.2.1.2. Exemplo: sites de compras, para descobrir itens comprados em conjunto;
5.4.2.2. Clusterização (agrupamento)
5.4.2.2.1. O conjunto todo sofre segmentação em vários grupos com base nas semelhanças encontradas.
5.4.2.2.2. Exemplo: segmentação de mercado (tipos de cliente)