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
Can you explain the main differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are some common algorithms used in supervised, unsupervised, and reinforcement learning?
Awesome!
Completion rate improved to 3.13
Tipos 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!