Tipos de Aprendizado de Máquina
Aprendizado Supervisionado
Aprendizado supervisionado é uma técnica de aprendizado de máquina na qual o modelo é treinado com um conjunto de treinamento rotulado.
As tarefas de aprendizado supervisionado mais populares são:
-
Regressão (por exemplo, prever o preço de uma casa): será necessário um conjunto de treinamento rotulado com outros preços de casas para isso;
-
Classificação (por exemplo, classificar e-mails como spam/ham): será necessário um conjunto de treinamento rotulado como spam/ham para isso.
Aprendizado Não Supervisionado
Aprendizado não supervisionado é uma técnica de aprendizado de máquina na qual o modelo é treinado com um conjunto de dados de treinamento não rotulado.
As tarefas mais populares de aprendizado não supervisionado são clusterização, detecção de anomalias e redução de dimensionalidade.
Clusterização
Processo de agrupar pontos de dados semelhantes em clusters. Não é necessário rotular os dados para isso. Por exemplo, um conjunto de treinamento de e-mails sem rótulos spam/ham pode ser utilizado.
Detecção de Anomalias
Processo de detectar desvios do comportamento normal dos dados. Por exemplo, detecção de fraude em transações de cartão de crédito. Não é necessário rotular fraude/não fraude. Basta fornecer as informações da transação para um modelo, que determinará se a transação se destaca.
Redução de Dimensionalidade
Processo de reduzir o número de dimensões mantendo o máximo possível de informações relevantes. Também não requer nenhum rótulo.
Aprendizado por Reforço
O aprendizado por reforço difere significativamente dos dois tipos anteriores. É uma técnica utilizada para treinar veículos autônomos, robôs, IA em jogos e muito mais.
Aprendizado por reforço é uma técnica de aprendizado de máquina na qual o agente (por exemplo, robô aspirador) aprende tomando decisões e recebendo uma recompensa se a decisão for correta e uma penalidade se a decisão for incorreta.
Imagine treinar um cachorro para buscar uma bola. O cachorro receberia uma recompensa (como um petisco ou elogio) ao pegar a bola e trazê-la para mais perto do dono. Ele receberia uma penalidade (como não receber o petisco ou um tom de voz desapontado) se correr na direção errada ou se distrair. Além disso, receberia uma grande recompensa ao conseguir buscar a bola e entregá-la ao dono com sucesso.
1. Para treinar o modelo de ML em uma tarefa de aprendizado supervisionado, é necessário que o conjunto de treinamento contenha o alvo (seja rotulado). Está correto?
2. Para treinar o modelo de ML em uma tarefa de aprendizado não supervisionado, não é necessário que o conjunto de treinamento contenha um alvo (seja rotulado). Está correto?
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 3.13Tipos de Aprendizado de Máquina
Deslize para mostrar o menu
Aprendizado Supervisionado
Aprendizado supervisionado é uma técnica de aprendizado de máquina na qual o modelo é treinado com um conjunto de treinamento rotulado.
As tarefas de aprendizado supervisionado mais populares são:
-
Regressão (por exemplo, prever o preço de uma casa): será necessário um conjunto de treinamento rotulado com outros preços de casas para isso;
-
Classificação (por exemplo, classificar e-mails como spam/ham): será necessário um conjunto de treinamento rotulado como spam/ham para isso.
Aprendizado Não Supervisionado
Aprendizado não supervisionado é uma técnica de aprendizado de máquina na qual o modelo é treinado com um conjunto de dados de treinamento não rotulado.
As tarefas mais populares de aprendizado não supervisionado são clusterização, detecção de anomalias e redução de dimensionalidade.
Clusterização
Processo de agrupar pontos de dados semelhantes em clusters. Não é necessário rotular os dados para isso. Por exemplo, um conjunto de treinamento de e-mails sem rótulos spam/ham pode ser utilizado.
Detecção de Anomalias
Processo de detectar desvios do comportamento normal dos dados. Por exemplo, detecção de fraude em transações de cartão de crédito. Não é necessário rotular fraude/não fraude. Basta fornecer as informações da transação para um modelo, que determinará se a transação se destaca.
Redução de Dimensionalidade
Processo de reduzir o número de dimensões mantendo o máximo possível de informações relevantes. Também não requer nenhum rótulo.
Aprendizado por Reforço
O aprendizado por reforço difere significativamente dos dois tipos anteriores. É uma técnica utilizada para treinar veículos autônomos, robôs, IA em jogos e muito mais.
Aprendizado por reforço é uma técnica de aprendizado de máquina na qual o agente (por exemplo, robô aspirador) aprende tomando decisões e recebendo uma recompensa se a decisão for correta e uma penalidade se a decisão for incorreta.
Imagine treinar um cachorro para buscar uma bola. O cachorro receberia uma recompensa (como um petisco ou elogio) ao pegar a bola e trazê-la para mais perto do dono. Ele receberia uma penalidade (como não receber o petisco ou um tom de voz desapontado) se correr na direção errada ou se distrair. Além disso, receberia uma grande recompensa ao conseguir buscar a bola e entregá-la ao dono com sucesso.
1. Para treinar o modelo de ML em uma tarefa de aprendizado supervisionado, é necessário que o conjunto de treinamento contenha o alvo (seja rotulado). Está correto?
2. Para treinar o modelo de ML em uma tarefa de aprendizado não supervisionado, não é necessário que o conjunto de treinamento contenha um alvo (seja rotulado). Está correto?
Obrigado pelo seu feedback!
