Curso de Aprendizado de Máquina no Coursera
Este artigo foi originalmente publicado em https://infosimples.com/ por Isabel Gomes em Agosto de 2014. Ele foi importado para o Medium da Infosimples, a nova casa dos artigos da Infosimples.
Recentemente, eu decidi realizar o curso online de Aprendizado de Máquina do Coursera. Neste artigo, eu vou explicar um pouco sobre a estrutura geral do curso e os assuntos que ele cobre.
Objetivo do curso
O curso de Aprendizado de Máquina do Coursera é ministrado por Andrew Ng, co-fundador do Coursera e diretor do laboratório de Inteligência artificial de Stanford.
O curso tem como objetivo ensinar alguns algoritmos para resolução de problemas usando a inteligência artificial, assim como a intuição por trás destes algoritmos.
Metodologia
O curso é dividido em 10 aulas sobre variados algoritmos de Aprendizado de Máquina. Cada aula é composta por:
- Vídeos: explicam o funcionamento do algoritmo e sua aplicação e apresentam diversos exemplos reais;
- Testes objetivos: testam o aprendizado do aluno sobre os assuntos explicados nos vídeos;
- Exercícios programa: aplicam de maneira direta os conceitos estudados na aula e auxiliam sua compreensão.
Algoritmos
Os algoritmos ensinados durante o curso podem ser divididos nas seguintes categorias:
- Aprendizado supervisionado
- Aprendizado não supervisionado
O aprendizado supervisionado refere-se a algoritmos que tentam prever uma saída dado como entrada um conjunto de dados. Nesses casos, para ensinar o algoritmo, é necessário uma base de dados com as entradas e as saídas corretas. Este modelo de aprendizado se divide em duas subcategorias:
- Regressão: neste caso, as saídas do algoritmo são valores contínuos, ou seja, podem assumir uma quantidade infinita de valores. Por exemplo, a determinação do preço de venda de uma casa a partir de algumas informações sobre ela, tais como número de quartos e tamanho, é considerado um problema de regressão.
- Classificação: as saídas de algoritmos desta subcategoria são valores discretos, contidos dentro de um subconjunto definido. Por exemplo, um algoritmo que decide se um email é um spam ou não gera uma saída 0 ou 1 e, portanto, pode ser considerado de classificação.
O aprendizado não supervisionado refere-se a algoritmos que tentam agrupar dados em conjuntos que tenham determinadas semelhanças entre si. Por exemplo, pode-se usar este tipo de algoritmos para agrupar pessoas que tenham características comuns em uma rede social.
Neste curso, os principais algoritmos de aprendizado supervisionado ensinados são Regressão Linear, Regressão Logística, Redes Neurais e Support Vector Machine. Já os algoritmos de aprendizado não supervisionado abordados são K-Means, Detecção de Anomalias e Sistemas de Recomendação.
Originally published at infosimples.com.
