Big Data

Introdução ao aprendizado de máquina para iniciantes absolutos

Este artigo foi publicado como parte do Data Science Blogathon.

Introdução

Foi um filme muito bom, mas com certeza levaremos algum tempo para encontrar um verdadeiro T-100 🙁

Aqui, neste artigo, veremos o que exatamente é o aprendizado de máquina e por que ele é tão popular hoje. Este artigo foi criado para quem está começando a entrar no mundo do aprendizado de máquina. Considere isso como um guia de aprendizado de máquina para NOOBS. No final deste blog, Também criei uma seção de perguntas frequentes para responder a algumas das perguntas comuns sobre aprendizado de máquina. Então, sem mais expiração, vamos começar.

Se você está interessado em uma carreira em ciência de dados e deseja começar a aprender esses algoritmos e técnicas com projetos relevantes para o setor, verifique nosso Faixa preta com certificação AI e ML Acelere programa aqui.

O que é aprendizado de máquina?

Antes de entender o significado do aprendizado de máquina de forma simplificada, vamos dar uma olhada nas definições formais de aprendizado de máquina.

Definição 1:

O aprendizado de máquina em seu aspecto mais básico é a prática de usar algoritmos para analisar dados, aprender com eles e então fazer uma determinação ou previsão sobre algo no mundo. – NVIDIA

Definição 2:

O aprendizado de máquina é a ciência que faz os computadores funcionarem sem serem programados explicitamente.- Stanford

Definição 3:

O aprendizado de máquina é baseado em algoritmos que podem aprender com os dados sem depender da programação baseada em regras. -McKinsey & Co.

Definição 4:

Algoritmos de aprendizado de máquina podem descobrir como realizar tarefas importantes generalizando a partir de exemplos. - Universidade de Washington

Todas as definições acima são tecnicamente corretas e fornecidas por especialistas neste campo.; porém, para alguém novo no aprendizado de máquina, essas definições podem parecer um pouco difíceis. Como este é um guia para iniciantes no aprendizado de máquina, vamos criar nossa definição de aprendizado de máquina de uma maneira iniciante :)

Definição simplificada de aprendizado de máquina:

Aprendizado de máquina é a capacidade da máquina de aprender por si mesma

Espero. Isso é tudo. Esta é a definição de aprendizado de máquina?

Nós vamos, sim, em termos simples, essa é a definição de aprendizado de máquina. Agora, como chegamos a esta definição, como uma máquina aprende e como pode resolver um dos problemas mais difíceis do mundo, é algo que veremos mais tarde.

Uma explicação para o aprendizado de máquina

Então, Como funciona o aprendizado de máquina? Nós vamos, deixa eu te mostrar uma foto.

Aqui o que você vê?

Você pode ver que existem dois robôs lá., vamos chamá-los de máquinas neste contexto e há humanos ensinando essas máquinas. Nós vamos, isso é aprendizado de máquina em poucas palavras. No aprendizado de máquina, não codificamos máquinas explicitamente para resolver um problema específico. No lugar disso, damos à máquina as habilidades para que ela possa resolver o problema e tentar resolvê-lo por conta própria.

Ingredientes do aprendizado de máquina

Para que qualquer algoritmo de aprendizado de máquina funcione corretamente, quatro ingredientes são necessários.

1.Dados: dados de entrada fornecidos ao algoritmo de aprendizado de máquina

2.Modelo: algoritmo de aprendizado de máquina que vamos construir

3.Função objetiva: mede o quão perto da saída esperada do real

4.Algoritmo de otimização: um ciclo de teste

Para explicar esses termos mais rapidamente, Vou explicar esses ingredientes enquanto explico os tipos de aprendizado de máquina.

Tipos de aprendizado de máquina

Dependendo de como o processo de aprendizagem é realizado para a máquina, o aprendizado de máquina é classificado em 3 Categorias principais

1.Aprendizagem supervisionada

2.Aprendizagem não supervisionada

3.Aprendizagem por reforço

NOTA: Aqui neste post vou explicar-lhe sobre a aprendizagem supervisionada, sem supervisão e por reforço.

Aprendizagem supervisionada

Vamos entender o aprendizado supervisionado com a ajuda de uma imagem.

Suponha que a pessoa nesta imagem seja você e o robô seja seu amigo, llamémosle chuck. Você está jogando com o jogo “Adivinhe a fruta” o chuck. Neste jogo, você vai mostrar a Chuck algumas fotos de frutas e Chuck, na sua vez, adivinhe o que é essa fruta.

Agora vamos entender a aprendizagem supervisionada a partir das seguintes perspectivas:

1.Dados: Aqui nesta foto, você tem algumas imagens de frutas, esses são os seus dados.

2.Modelo: Seu amigo Chuck é nosso modelo. Tecnicamente, o modelo pode ser qualquer coisa. É tão simples quanto um algoritmo ou uma função de regressão ou equação.

3.Função objetiva: isso é algo que calcula quão próximo o resultado de Chuck está do resultado real

4.Algoritmo de otimização: depois de jogar este jogo várias vezes, decidiu atualizar a CPU, a RAM e o sensor de imagem do mandril para que você possa ver as imagens com mais clareza e, porque CPU e RAM são mais rápidos, pode processar essas imagens mais rápido. Vamos considerar essa série de etapas como algoritmos e agora este é o nosso algoritmo de otimização.

Agora, a questão é por que isso é chamado de aprendizagem supervisionada??

Nós vamos, é claro na própria imagem. Exibe imagens de mandril e, na sua vez, verificar é dar uma resposta. Se você adivinhar corretamente, respondeu sim, pelo contrário, respondeu agora. Em definitivo, você está supervisionando o mandril para identificar corretamente a fruta mostrada na imagem e é por isso que o nome está sendo monitorado.

Aprendizagem não supervisionada

Vamos entender a aprendizagem não supervisionada com a ajuda de uma imagem.

Você e Chuck gostaram de jogar o jogo de adivinhação de frutas.. Porém, tenha uma reunião de escritório importante para pôr em dia. Entretanto, para manter o chuck ocupado, você dá a ele outro jogo. Desta vez você colocou uma foto com algumas frutas na mesa e disse ao Chuck para separar aquelas frutas e você foi para a reunião.

Agora, Vamos entender a aprendizagem não supervisionada a partir das seguintes perspectivas:

1.Dados: Imagem que tem vários frutos.

2.Modelo: O próprio Chuck 🙂

3.Função objetiva: Chuck classifica frutas corretamente?

4.Algoritmo de otimização: –

Já que você está na reunião, Chuck tem que jogar este jogo sozinho. Mas esta vez, depois de ver aquelas imagens, Chuck ficou confuso sobre como classificá-los. Chuck ficou confuso e começou a fazer essa atividade sozinho.

Agora, a questão é por que isso é chamado de aprendizagem não supervisionada??

Nós vamos, mais uma vez, é claro a partir da própria imagem :). Já que você está na reunião, não há ninguém para supervisionar Chuck e ele deve descobrir isso sozinho. Falta de supervisão e, portanto, isso é chamado de aprendizagem não supervisionada.

Uma coisa que você pode perguntar é por que não mencionei nada no algoritmo de otimização. A razão para isso é que na aprendizagem não supervisionada, uma vez que não estamos monitorando a máquina sobre como resolver nosso problema, a máquina tem que descobrir isso por conta própria e realizar suas próprias otimizações.

Aprendizagem reforçada

Deixe-me explicar o último tópico restante do aprendizado de máquina com a ajuda de uma imagem.

A aprendizagem por reforço é bastante difícil de explicar. Deixe-me tentar explicar isso com a ajuda do exemplo acima.

Imagine que você está ensinando seu cachorro, vamos chamá-lo de fido para pegar um pedaço de pau. Cada vez que Fido procura o stick com sucesso, você ofereceu a ele uma guloseima (um osso, Digamos). Finalmente, Fido reconheceu este padrão, e toda vez que você joga um pedaço de pau, tente encontrá-lo o mais rápido possível para obter uma recompensa (um osso), resultando na diminuição do tempo de recuperação.

Nós vamos, isso é reforço de aprendizagem em poucas palavras.

Perguntas frequentes sobre aprendizado de máquina

1. O que é um modelo em aprendizado de máquina?

Em termos simples, um modelo pode ser qualquer coisa. Pode ser seu algoritmo de aprendizado de máquina implementado em R ou Python ou pode ser tão simples quanto uma equação matemática

Os dados são necessários para que um algoritmo de aprendizado de máquina funcione??

sim, muitos dados são necessários para que um algoritmo de aprendizado de máquina funcione. Não há dados, sem aprendizado de máquina.

3. Onde está o aprendizado de máquina no universo da ciência de dados??

Ciência da Computação -> Ciência de Dados -> Aprendizado de máquina

4.Quando usar que tipo de algoritmo de aprendizado de máquina?

Nós vamos, é difícil decidir. Não há uma resposta específica para isso.. Depende completamente do tipo de problema que você está tentando resolver. Mas em poucas palavras,

1. Aprendizagem supervisionada: não. Regressão, classificação

2.Aprendizagem não supervisionada: não. Agrupamento

3. Aprendizagem por reforço: não. Carro autônomo

5. Que linguagem usar para criar algoritmos de aprendizado de máquina?

Depende totalmente de você qual linguagem de programação deseja usar. Se uma linguagem de programação oferece melhores funcionalidades do que outra, use-o. Não há certo ou errado.

Se você gosta deste post, compartilhe seus comentários sobre [e-mail protegido]