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 desejado. Este processo de aprendizagem envolve normalmente a alimentação de grandes conjuntos de dados ao algoritmo, que depois ajusta os seus parâmetros internos para minimizar os erros ou maximizar a precisão das suas previsões ou classificações. Um ML eficaz depende frequentemente de um pré-processamento de dados minucioso para garantir que os dados de entrada são adequados para o algoritmo de aprendizagem. O objetivo final é permitir que as máquinas resolvam problemas complexos ou façam previsões exactas de forma autónoma.

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: Os modelos aprendem com dados rotulados, em que cada ponto de dados tem uma entrada e uma saída conhecidas. Isto é comum em tarefas como a regressão e a classificação de imagens.
• Aprendizagem não supervisionada: Os modelos identificam padrões e estruturas em dados não rotulados sem resultados predefinidos. As técnicas incluem Clustering e redução de dimensionalidade. Encontra uma visão geral da aprendizagem não supervisionada para obter mais detalhes.
• Aprendizagem por reforço: Os agentes aprendem a tomar sequências de decisões tentando maximizar um sinal de recompensa através de tentativa e erro num ambiente. Consulta esta Visão geral da aprendizagem por reforço para obteres informações básicas.

Aplicações no mundo real

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

• Cuidados de saúde: Os algoritmos de ML são utilizados na análise de imagens médicas para ajudar os médicos no diagnóstico de doenças, como a identificação de tumores em exames.
• Transportes e retalho: O ML potencia as funcionalidades dos veículos autónomos e optimiza as operações no retalho através de aplicações como a previsão da procura e a IA para uma gestão mais inteligente do inventário de retalho. Para obter mais contexto, consulta esta visão geral da IA no retalho.

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 o reconhecimento facial 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 para atingir uma elevada precisão e velocidade. Estruturas como PyTorch e plataformas como o Ultralytics HUB fornecem as ferramentas necessárias para desenvolver, treinar e implementar estes sofisticados modelos de ML.

Relação com a aprendizagem profunda

A Aprendizagem Profunda (AP) é um subcampo especializado da Aprendizagem Automática. Centra-se na utilização de redes neuronais (NN) com várias camadas (arquitecturas profundas) para modelar padrões complexos nos dados. A DL tem capacidades de ML significativamente avançadas, especialmente em áreas que lidam com dados não estruturados como imagens, texto e som, porque pode aprender automaticamente caraterísticas hierárquicas sem engenharia manual de caraterísticas. Podes aprender mais sobre os conceitos básicos nesta visão geral das Redes Neuronais Explicadas. Muitos modelos avançados de visão computacional, incluindo os desenvolvidos pela Ultralytics, são baseados em princípios de aprendizagem profunda.