Aprendizagem supervisionada

Como funciona a aprendizagem supervisionada

O processo começa com um conjunto de dados cuidadosamente preparado, em que cada ponto de dados é constituído por caraterísticas de entrada e uma etiqueta de saída correta correspondente. Isto implica frequentemente um esforço significativo na recolha e anotação de dados. Por exemplo, numa tarefa de classificação de imagens, as entradas seriam imagens (talvez pré-processadas utilizando técnicas de bibliotecas como a OpenCV), e as etiquetas seriam as categorias a que pertencem (por exemplo, "gato", "cão"). O algoritmo faz previsões iterativamente nos dados de treinamento e ajusta seus parâmetros internos (ou pesos do modelo) usando um algoritmo de otimização como o Stochastic Gradient Descent (SGD) ou Adam para minimizar a diferença entre suas previsões e os rótulos reais. Esta diferença é medida por uma função de perda. Este treino continua, muitas vezes através de várias épocas, até o modelo atingir um nível satisfatório de precisão ou outras métricas de desempenho relevantes em dados de validação separados, garantindo que generaliza bem para novos dados e evita o sobreajuste.

Relevância e aplicações

A aprendizagem supervisionada é incrivelmente versátil e permite uma vasta gama de aplicações em que os dados históricos podem prever acontecimentos futuros ou classificar novas informações. A sua capacidade de aprender diretamente a partir de exemplos rotulados torna-a adequada para tarefas que exigem elevada precisão. Muitas tarefas de visão por computador (CV) dependem fortemente da aprendizagem supervisionada, incluindo as realizadas por modelos topo de gama como o Ultralytics YOLO.

Eis dois exemplos concretos:

• Análise de imagens médicas: Os modelos de aprendizagem supervisionada podem ser treinados em exames médicos (como ressonâncias magnéticas ou tomografias computorizadas) rotulados por radiologistas para detetar tumores em imagens médicas. Isto ajuda os profissionais de saúde no diagnóstico, constituindo uma parte essencial de muitas soluções de IA nos cuidados de saúde. Vê investigação relacionada de fontes como Radiologia: Inteligência Artificial.
• Análise de sentimentos: Os algoritmos aprendem com dados de texto rotulados com categorias de sentimento (por exemplo, positivo, negativo, neutro) para determinar automaticamente o sentimento expresso em novos textos, como comentários de clientes ou publicações em redes sociais. Isto é valioso para estudos de mercado e monitorização de marcas. Sabe mais sobre a análise de sentimentos.

Outras aplicações comuns incluem a deteção de objectos em imagens e vídeos (utilizados em veículos autónomos e sistemas de segurança), a filtragem de correio eletrónico não solicitado, a previsão dos preços da habitação (uma tarefa de regressão ) e o reconhecimento facial. Também é aplicada em IA para uma gestão mais inteligente do inventário de retalho e IA em soluções agrícolas.

Conceitos-chave

Vários conceitos são fundamentais para compreender e aplicar eficazmente a aprendizagem supervisionada:

• Dados rotulados: A base da aprendizagem supervisionada, que consiste em dados de entrada emparelhados com rótulos de saída corretos. A qualidade e a quantidade de dados rotulados influenciam fortemente o desempenho do modelo. São frequentemente utilizadas ferramentas e plataformas de rotulagem de dados.
• Engenharia de caraterísticas: O processo de seleção, transformação ou criação de caraterísticas de entrada para melhorar o desempenho do modelo. Embora menos crítico na aprendizagem profunda devido à extração automática de caraterísticas, continua a ser importante no ML tradicional. Consulta o glossário de engenharia de caraterísticas.
• Classificação vs. Regressão: Dois tipos principais de tarefas de aprendizagem supervisionada. A classificação prevê categorias discretas (por exemplo, spam/não spam, YOLO para classificação), enquanto a regressão prevê valores contínuos (por exemplo, preço, temperatura).
• Algoritmos comuns: Muitos algoritmos são abrangidos pela aprendizagem supervisionada, incluindo a regressão linear, a regressão logística, as máquinas de vectores de apoio (SVM), as árvores de decisão, as florestas aleatórias e vários tipos de redes neuronais (NN), especialmente as redes neuronais convolucionais (CNN) para tarefas de visão.
• Estruturas e ferramentas: Bibliotecas como PyTorch e TensorFlow fornecem ferramentas para construir e treinar modelos supervisionados. Plataformas como o Ultralytics HUB oferecem ambientes integrados para todo o ciclo de vida do ML, desde a gestão de conjuntos de dados até à implementação de modelos.

Comparação com outros paradigmas de aprendizagem

A aprendizagem supervisionada é diferente de outros paradigmas primários de aprendizagem automática:

• Aprendizagem não supervisionada: Esta abordagem utiliza dados não rotulados, em que o algoritmo tenta encontrar padrões ou estruturas por si próprio, como o agrupamento de pontos de dados semelhantes(clustering) ou a redução das dimensões dos dados. Não aprende um mapeamento direto de entrada para saída a partir de respostas conhecidas. Lê uma visão geral da aprendizagem não supervisionada.
• Aprendizagem por reforço: Neste paradigma, um agente aprende a tomar sequências de decisões interagindo com um ambiente e recebendo recompensas ou penalizações com base nas suas acções. Aprende comportamentos óptimos através de tentativa e erro, em vez de exemplos rotulados. Explora uma visão geral da Aprendizagem por Reforço.

Em resumo, a aprendizagem supervisionada é uma técnica poderosa e amplamente utilizada que utiliza dados rotulados para treinar modelos para tarefas de previsão. Constitui a espinha dorsal de muitas aplicações de IA bem sucedidas, incluindo as desenvolvidas e apoiadas pela Ultralytics, e é uma competência crucial para quem trabalha em ciência de dados ou IA.