Tipos de aprendizagem

Preditivas:

Tarefas preditivas são tarefas voltadas para previsão, que é encontrar uma função, modelo ou hipótese que pode ser utilizada para previsão, digamos que eu posso querer prever um valor de um imóvel, ou por exemplo eu quero prever o estado para um novo paciente daqui a 5 meses depois da cirurgia, se ele estará doente ou saudável como nos vimos anteriormente, então na previsão eu tenho uma entrada (geralmente representada por X) e uma saída (geralmente representada por Y).

Descritivas:

Descritivas são tarefas de descrição, basicamente é explorar ou descrever em um conjunto de dados os objetos/exemplos que não possuem saídas associadas.

Tudo bem, e qual seria a hierarquia de aprendizados?

Na primeira imagem desse artigo nós temos o aprendizado supervisionado que dentro temos o aprendizado preditivo, temos também o não supervisionado que é o descritivo, lembrando que essa divisão é apenas por questões didáticas pois essa divisão é não tão rígida assim, muitas vezes você vai acabar misturando elas no mesmo projeto, pois o modelo preditivo também pode prover descrição dos dados e o modelos descritivos também pode prover previsões após validado.

Aprendizado supervisionado:

O aprendizado supervisionado como o próprio nome já diz, ele tem um supervisor externo ou seja, nós conhecemos a saída desejada para cada exemplo, lá no conjunto de dados do hospital nós tínhamos a saída para cada exemplo indicando se o paciente estava doente ou saudável, nós tínhamos rolotolados ali então a saída desejada para cada amostra.

Dentro do aprendizado supervisionado nós temos a classificação e a regressão

Classificação:

Na classificação nós temos rótulos discretos, como os diagnósticos das pessoas se elas estão doentes ou saudáveis, se elas são boas ou más pagadoras, saber se uma fruta é banana, maçã ou laranja, temos um rótulo discreto.

Aqui temos uma imagem de classificação

veja, de uma lado está classificado o símbolo de adição(+), do outro as bolinhas(o), ai separamos os dois objetos, cada um com sua classificação.Por exemplo, bolinha poderia ser maus pagadores e o sinal mais(+) bons pagadores

Regressão:

Na regressão os rótulos não são discretos, eles são contínuos, por exemplo: peso, altura e etc.

Veja essa imagem da representação de um dos tipos de regressão (no caso regrssão linear)

não se preocupe, isso será detalhado mais à frente nessa série de artigos com exemplo práticos.

Aprendizado não supervisionado:

Se de um lado tem o aprendizado supervisionado com classificação e regressão onde você conhece as saídas desejadas para cada objeto, do outro tem o aprendizado não supervisionado onde nele, os algoritmos não fazem o uso de atributos de saída, esses algoritmos exploram as regularidade dos dados, um tipo de aprendizado não supervisionado é o de agrupamento (que nós vamos ver nessa série de artigos sobre Machine learning), onde um agrupamento dos dados é feito de acordo com sua similaridades, por exemplo, agrupar sequências biológicas, ou até mesmo clientes com comportamentos de compras similar para recomendar melhores produtos para esses cliente, os agrupamentos se preocupam em segmentar os registros do conjunto de dados em subconjuntos (também conhecidos como clusters), de tal forma que os elementos de um cluster compartilham propriedades comuns que distinguem de elementos dos demais clusters, isso nós vamos ver mais detalhadamente mais pra frente para não confundir a sua cabeça.

No aprendizado não supervisionado também tem a sumarização que é encontrar a descrição compacta para os dados, consistem em identificar e indicar similaridade entre registros do conjuntos de dados. Tem também a associação para encontrar associações frequentes entre atributos.

Aprendizado semi-supervisionado:

Nesse tipo de aprendizado utilizamos dados rotulados e não rotulados para o treinamento.

Normalmente utiliza-se uma pequena quantidade de dados rotulados com uma grande quantidade de dados não rotulados pois os não rotulados são mais baratos e são obtidos com menos esforço.

Aprendizado por reforço:

Neste tipo de aprendizado o algoritmo descobre por tentativa e erro quais ações geram as maiores recompensas, ele possui 3 componentes: o agente(tomador de decisões), ambiente(tudo com o qual o agente interage) e as ações(o que o agente pode fazer).

O objetivo do aprendizado por reforço é que o agente escolhe ações que maximizem a recompensa esperada.

Existem várias outras técnicas de aprendizado de máquina.

Cada uma das técnicas tem lá suas peculiaridades, mas diante de tantas técnicas existe a melhor? NÃO, o que existe é a técnica mais adequada para o seu problema levando em consideração os seus dados e outros fatores como por exemplo o tempo de espera para o processamento, pois algumas técnicas demoram mais, outras demoram menos, ou algumas são mais eficazes que outras dependendo do seus dados .

Veremos algumas dessas técnicas nos próximos artigos.