Aprendizagem automática (ML)

A Aprendizagem Automática (AM) é um ramo da Inteligência Artificial (IA) que visa permitir que os sistemas informáticos aprendam com os dados sem serem explicitamente programados. Em vez de seguir regras predefinidas, os algoritmos de aprendizagem automática identificam padrões nos dados para fazer previsões ou tomar decisões. Este processo de aprendizagem permite que os sistemas melhorem o seu desempenho ao longo do tempo, à medida que são expostos a mais dados.

Definição e conceito central

Na sua essência, a aprendizagem automática consiste em criar algoritmos que podem aprender e tomar decisões ou fazer previsões com base nos dados. Para isso, alimenta um algoritmo de aprendizagem automática com dados e permite-lhe ajustar os seus parâmetros internos para alcançar o resultado pretendido, como classificações ou previsões exactas. A ideia central é que, com dados relevantes suficientes, uma máquina pode aprender a resolver problemas ou fazer previsões que seriam demasiado complexas ou demoradas para programar manualmente. Esta capacidade é crucial em muitas áreas, incluindo a visão por computador e o processamento de linguagem natural.

Tipos de aprendizagem automática

A aprendizagem automática engloba vários tipos de paradigmas de aprendizagem, cada um deles adequado a diferentes problemas e tipos de dados. Os principais tipos incluem:

• Aprendizagem supervisionada: Este é o tipo mais comum, em que o algoritmo aprende a partir de dados rotulados. Por exemplo, na deteção de objectos, um modelo é treinado em imagens com caixas delimitadoras e etiquetas para aprender a identificar objectos em novas imagens. Ultralytics YOLO Os modelos de deteção de objectos são excelentes exemplos de aprendizagem supervisionada em ação.
• Aprendizagem não supervisionada: Esta abordagem lida com dados não rotulados, em que o algoritmo tem de encontrar estruturas ou padrões por si próprio. O agrupamento e a redução da dimensionalidade são tarefas comuns na aprendizagem não supervisionada. O DBSCAN é um exemplo de um algoritmo de agrupamento não supervisionado.
• Aprendizagem por reforço: Aqui, um agente aprende a tomar decisões ao interagir com um ambiente para maximizar uma recompensa. Este tipo de aprendizagem é frequentemente utilizado em robótica e em jogos. Os processos de decisão de Markov (MDP) fornecem um quadro matemático para compreender a aprendizagem por reforço.
• Aprendizagem semi-supervisionada: Trata-se de uma abordagem híbrida que utiliza dados rotulados e não rotulados. Pode ser particularmente útil quando os dados etiquetados são escassos mas os dados não etiquetados são abundantes, melhorando frequentemente a precisão do modelo e reduzindo a necessidade de etiquetagem extensiva.

Aplicações no mundo real

A aprendizagem automática está a transformar inúmeras indústrias e aplicações diárias. Eis dois exemplos concretos:

1. Reconhecimento de imagens nos cuidados de saúde: A análise de imagens médicas utiliza o ML para analisar imagens médicas como radiografias, ressonâncias magnéticas e tomografias computorizadas para detetar doenças, tumores e anomalias. Isto ajuda os profissionais de saúde no diagnóstico, planeamento de tratamentos e deteção de anomalias, conduzindo a serviços de saúde mais rápidos e precisos. Por exemplo, o ML pode ajudar na deteção de tumores em imagiologia médica.
2. Sistemas de recomendação no retalho: As plataformas de comércio eletrónico utilizam sistemas de recomendação baseados em ML para analisar o comportamento e as preferências dos utilizadores e sugerir produtos que estes provavelmente comprarão. Estes sistemas melhoram a experiência do cliente, aumentam as vendas e melhoram a retenção de clientes, proporcionando experiências de compra personalizadas.

Relevância na IA e na visão computacional

A aprendizagem automática é uma pedra angular da IA moderna e é especialmente crucial para o avanço da visão por computador. As tarefas de visão por computador, como a deteção de objectos, a segmentação de imagens e a classificação de imagens, dependem fortemente de algoritmos de aprendizagem automática para interpretar e compreender os dados visuais. Estruturas como PyTorch e plataformas como Ultralytics HUB fornecem ferramentas e ambientes para desenvolver e implementar modelos de ML para aplicações de visão computacional de forma eficiente.

Relação com a aprendizagem profunda

A aprendizagem profunda (AP) é um subcampo da aprendizagem automática que utiliza redes neurais com muitas camadas (redes neurais profundas) para analisar dados. A aprendizagem profunda revolucionou muitas tarefas de ML, particularmente na visão computacional e no processamento de linguagem natural, devido à sua capacidade de aprender automaticamente caraterísticas complexas a partir de dados brutos. Modelos como Ultralytics YOLO aproveitam as arquitecturas de aprendizagem profunda para obter um desempenho de ponta na deteção de objectos e tarefas relacionadas.