Aprendizagem automática (ML)

Conceito principal

A ideia central por detrás da aprendizagem automática é a criação e utilização de algoritmos que podem processar dados de entrada e aprender a produzir o resultado pretendido. Este processo de aprendizagem envolve normalmente a alimentação de grandes conjuntos de dados ao algoritmo, que depois ajusta os seus parâmetros internos (muitas vezes referidos como pesos do modelo) para minimizar os erros, muitas vezes medidos por uma função de perda, ou maximizar a precisão das suas previsões ou classificações. Um ML eficaz depende frequentemente de um pré-processamento de dados exaustivo para limpar e estruturar os dados de entrada de forma adequada para o algoritmo de aprendizagem. O objetivo final é permitir que as máquinas resolvam problemas complexos ou façam previsões exactas de forma autónoma, o que exige frequentemente técnicas como a engenharia de caraterísticas para selecionar as caraterísticas de dados mais relevantes.

Tipos de aprendizagem automática

A Aprendizagem Automática é tipicamente categorizada em vários tipos principais, cada um adequado a diferentes tipos de tarefas e dados:

• Aprendizagem supervisionada: O algoritmo aprende a partir de um conjunto de dados rotulados, o que significa que cada ponto de dados é marcado com a saída correta. O objetivo é aprender uma função de mapeamento para prever a saída para entradas novas e não vistas. As tarefas mais comuns incluem a regressão e a classificação de imagens. Explora uma comparação entre aprendizagem supervisionada e não supervisionada.
• Aprendizagem não supervisionada: O algoritmo trabalha com dados não rotulados, com o objetivo de encontrar padrões ocultos ou estruturas intrínsecas nos próprios dados. As tarefas mais comuns incluem o agrupamento (agrupamento de pontos de dados semelhantes), como o K-Means, e a redução da dimensionalidade (simplificação dos dados).
• Aprendizagem por reforço (RL): O algoritmo aprende através da interação com um ambiente. Recebe recompensas ou penalizações pelas suas acções, aprendendo a escolher acções que maximizem a recompensa acumulada ao longo do tempo. A RL é frequentemente utilizada em robótica, jogos e sistemas de navegação. Lê uma descrição geral da aprendizagem por reforço profundo.
• Aprendizagem Semi-Supervisionada: Esta abordagem utiliza uma combinação de uma pequena quantidade de dados etiquetados e uma grande quantidade de dados não etiquetados para treino, fazendo a ponte entre a aprendizagem supervisionada e não supervisionada.

Aplicações no mundo real

A aprendizagem automática impulsiona a inovação em inúmeros domínios. Eis alguns exemplos proeminentes:

• Análise de imagens médicas: Os modelos ML analisam exames médicos (como raios X, TACs, MRIs) para ajudar os radiologistas a detetar anomalias, como a identificação de tumores ou outras patologias, conduzindo frequentemente a um diagnóstico mais precoce e a melhores resultados para os doentes. Esta é uma área fundamental da IA nos cuidados de saúde. Investigação em Radiologia: Inteligência Artificial destaca os avanços em curso.
• Veículos autónomos: Os veículos autónomos dependem fortemente do ML para tarefas como a perceção do ambiente, a deteção de objectos (identificação de peões, outros veículos, sinais de trânsito), a manutenção da faixa de rodagem e a navegação. Empresas como a Waymo apresentam esta tecnologia. Explora mais sobre soluções de IA no sector automóvel.

Outras aplicações incluem sistemas de recomendação (como no Netflix ou na Amazon), deteção de fraudes financeiras, processamento de linguagem natural (PNL) e otimização da gestão do inventário de retalho.

ML vs. termos relacionados

• IA vs. ML: A Inteligência Artificial (IA) é o vasto campo da criação de máquinas capazes de executar tarefas que normalmente requerem inteligência humana. O ML é um subconjunto da IA que se centra especificamente na aprendizagem de sistemas a partir de dados.
• ML vs. Aprendizado profundo: O Deep Learning (DL) é um subconjunto especializado de ML que usa redes neurais (NNs ) complexas e de várias camadas para aprender padrões intrincados de grandes conjuntos de dados. Embora o ML use vários algoritmos, a DL se destaca particularmente com dados não estruturados, como imagens e texto.
• ML vs. Extração de dados: A extração de dados envolve a descoberta de padrões e conhecimentos a partir de grandes conjuntos de dados. O ML utiliza frequentemente estes padrões para criar modelos de previsão. Embora relacionados e utilizando técnicas semelhantes, a extração de dados dá ênfase à descoberta de padrões, enquanto o ML dá ênfase à previsão ou à tomada de decisões com base em padrões aprendidos.

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 aproveita as técnicas de ML, em particular a Aprendizagem Profunda, para alcançar elevada precisão e velocidade em aplicações em tempo real. Podes explorar as comparações de modelos doUltralytics YOLO para ver as diferenças de desempenho.

Frameworks como PyTorch (visita o site oficialPyTorch ) e TensorFlow fornecem as ferramentas necessárias para desenvolver e treinar modelos de ML. Plataformas como o Ultralytics HUB oferecem ambientes integrados que simplificam o processo, desde a gestão de conjuntos de dados e o treino de modelos personalizados até à implementação e monitorização de modelos(MLOps). A criação eficaz de modelos envolve frequentemente uma afinação cuidadosa dos hiperparâmetros e a compreensão das métricas de desempenho.