Aprendizagem automática (ML)

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.