Aprendizado de máquina
Aprendizado de máquina é uma abordagem em que dados são usados para ajustar um modelo que realiza uma tarefa, como prever valores ou classificar exemplos. O objetivo é funcionar também com casos que não foram usados no ajuste.
Escrito pela equipe Compuzilla
Publicado em . Atualizado em .
Siglas: ML
Também chamado de: machine learning, aprendizagem de máquina
Neste verbete
Ajustar e depois prever
- Dados de treino
- Modelo ajustado
- Novas previsões
Ajustar um modelo a partir de exemplos
Um modelo é uma representação usada para produzir uma saída a partir de entradas. No aprendizado supervisionado, os exemplos incluem entradas e respostas conhecidas. Um procedimento de treinamento usa esses pares para ajustar o modelo.
Em uma regressão linear, por exemplo, coeficientes determinam uma relação entre medidas e um valor estimado. O ajuste por mínimos quadrados procura reduzir a soma dos erros ao quadrado nos exemplos de treinamento. É uma abordagem particular, não a descrição de toda IA.
Treinamento e uso são etapas diferentes
No treinamento, o procedimento altera os parâmetros, como os coeficientes de uma reta. Depois, o modelo ajustado pode receber uma nova entrada e gerar uma previsão. Essa etapa costuma ser chamada de inferência.
Uma consulta comum a um modelo já treinado não implica que seus parâmetros estejam sendo atualizados naquele instante. Um serviço pode ter outros mecanismos de coleta ou adaptação, mas isso depende de seu projeto.
Generalizar e memorizar
Generalizar é obter resultados úteis em exemplos diferentes dos usados no ajuste. Um modelo pode ir muito bem nos dados de treinamento e falhar em novos casos; esse problema é chamado de sobreajuste.
Por isso, a avaliação reserva dados que não participaram do ajuste. Acertar exemplos já vistos não basta. Também importa verificar se a avaliação representa as condições de uso pretendidas.
Limites dos dados
Aprender uma relação nos dados não demonstra sua causa. Uma associação pode depender de condições específicas ou de erros de medição. Dados insuficientes ou pouco representativos também limitam o que o modelo consegue fazer.
Há outras formas de aprendizado, além do supervisionado, como agrupar exemplos sem respostas previamente marcadas. Redes neurais são uma família de modelos, e não um sinônimo de todo aprendizado de máquina.
Próxima leitura
Acompanhe como uma IA aprende com dados para ver um exemplo numérico de ajuste e avaliação.
Na prática
- Um modelo linear pode ajustar uma relação entre quantidade de peças e tempo de produção usando exemplos medidos.