Glossário

Aprendizagem automática (ML)

Descobrir a aprendizagem automática: Explore os seus principais conceitos, tipos e aplicações reais em IA, visão computacional e aprendizagem profunda. Saiba mais agora!

A aprendizagem automática (AM) é um subcampo da inteligência artificial (IA) que dá aos computadores a capacidade de aprender sem serem explicitamente programados. Definidos pela primeira vez por pioneiros como Arthur Samuel, os algoritmos de aprendizagem automática utilizam dados históricos para identificar padrões, fazer previsões e melhorar o seu desempenho ao longo do tempo, à medida que são expostos a mais informações. Em vez de depender de um programador para escrever código estático para uma tarefa, um modelo de ML aprende a sua própria lógica diretamente a partir dos dados com que é treinado. Esta capacidade de adaptação faz do ML a força motriz de muitas das tecnologias mais sofisticadas da atualidade.

Distinguir o ML de termos relacionados

Compreender o ML significa também saber como se relaciona com outros conceitos-chave no domínio:

  • Inteligência Artificial (IA): A IA é o conceito alargado de criação de máquinas capazes de um comportamento inteligente. O ML é a abordagem mais proeminente e bem sucedida para alcançar a IA. Enquanto a IA é o objetivo global, o ML é a metodologia prática que permite aos sistemas aprender e adaptar-se.
  • Aprendizagem profunda (DL): A aprendizagem profunda é um subcampo especializado de ML que utiliza redes neurais (NNs) complexas e multicamadas, muitas vezes chamadas de redes neurais profundas. A DL tem sido responsável por grandes avanços no tratamento de dados complexos, como imagens, som e texto, e alimenta a maioria dos modelos de visão de última geração.
  • Extração de dados: Embora ambos os campos analisem dados, os seus objectivos são diferentes. A extração de dados, tal como definida por líderes da indústria como o SAS, centra-se na descoberta de padrões previamente desconhecidos em grandes conjuntos de dados para gerar conhecimentos para utilização humana. Em contrapartida, o ML utiliza padrões para criar modelos preditivos que podem tomar decisões autónomas sobre dados novos e desconhecidos.

Tipos de aprendizagem automática

Os modelos de ML são normalmente categorizados com base na forma como aprendem com os dados:

  • Aprendizagem supervisionada: O tipo mais comum, em que o modelo aprende a partir de dados rotulados que consistem em pares de entrada-saída. O objetivo é aprender uma função de mapeamento que possa prever a saída para novas entradas. A classificação de imagens e a deteção de spam são exemplos clássicos.
  • Aprendizagem não supervisionada: O modelo recebe dados não rotulados e deve encontrar padrões ou estruturas intrínsecas por si próprio, como o agrupamento de pontos de dados em clusters. A deteção de anomalias e a segmentação de clientes são casos de utilização comuns.
  • Aprendizagem por reforço: Um agente aprende através da interação com um ambiente. Recebe recompensas por acções desejáveis e penalizações por acções indesejáveis, com o objetivo de maximizar a sua recompensa cumulativa. Esta abordagem é amplamente utilizada na robótica e em jogos estratégicos.

Relevância na IA e na visão computacional

A aprendizagem automática é um pilar fundamental da IA moderna e é particularmente transformadora no domínio da visão computacional (CV). Tarefas como a deteção de objectos, a segmentação de imagens e a estimativa de pose dependem fortemente de modelos de aprendizagem automática para interpretar e compreender a informação visual. Os modelos mais avançados, como o Ultralytics YOLO, tiram partido das técnicas de AM, nomeadamente da aprendizagem profunda, para obter uma elevada precisão e velocidade em aplicações em tempo real.

Aqui estão dois exemplos de ML em ação:

  1. Análise de imagens médicas: Na IA para os cuidados de saúde, os modelos de ML treinados em conjuntos de dados como o conjunto de dados de tumores cerebrais podem analisar exames de ressonância magnética ou de tomografia computorizada para detetar e delinear potenciais anomalias. Isto ajuda os radiologistas ao destacar áreas de preocupação, levando a diagnósticos mais rápidos e precisos. Organizações como o National Institute of Biomedical Imaging and Bioengineering (NIBIB) estão a explorar ativamente estas aplicações.
  2. Veículos autónomos: Os automóveis autónomos utilizam um conjunto de modelos de ML para processar dados de câmaras, LiDAR e radar em tempo real. Na AI para automóveis, esses modelos são usados para detetar e classificar objetos como outros veículos, pedestres e sinais de trânsito, permitindo que o carro navegue em seu ambiente com segurança. Plataformas tecnológicas como o DRIVE da NVIDIA são construídas em torno de poderosos recursos de ML.

Ferramentas e estruturas

O desenvolvimento e a implantação de modelos de ML são apoiados por um rico ecossistema de ferramentas. Estruturas como o PyTorch (visite o site oficial do PyTorch) e o TensorFlow (visite a página inicial do TensorFlow) fornecem os blocos de construção essenciais para a criação de redes neurais.

Plataformas como o Ultralytics HUB oferecem ambientes integrados que simplificam todo o fluxo de trabalho, desde o gerenciamento de conjuntos de dados e o treinamento de modelos personalizados até a implantação e o monitoramento de modelos por meio de MLOps. A criação de um modelo eficaz geralmente envolve um ajuste cuidadoso dos hiperparâmetros e um profundo entendimento das métricas de desempenho.

Junte-se à comunidade Ultralytics

Junte-se ao futuro da IA. Ligue-se, colabore e cresça com inovadores globais

Aderir agora
Ligação copiada para a área de transferência