Tipos de aprendizado de máquina
Aprendizagem supervisionada
Baseado em uma base de dados preparada com dados anotados (isto é, com suas características bem declaradas), o algoritmo de ML irá gerar um modelo treinado que será capaz de definir informações novas (dados não anotados).
Etapas:
- Extração de características
- Baseado no que queremos aprender, vamos identificar características e diferenças
- Vai resultado em uma base de dados
- Criação de modelo
- Vamos enviar para o algoritmo o que queremos identificar com as características anotadas
- O algoritmo supervisor irá aprender com estas informações
- O algoritmo irá devolver o modelo aprendido
- Utilização de modelo
- Vamos enviar para o algoritmo uma nova informação não anotada
- O algoritmo irá tentar extrair características
- Através do nosso modelo aprendido, teremos retornado o que o modelo identificou
Aprendizagem não-supervisionada
Analisa automaticamente os dados (criando associação, agrupamentos, etc) usando as características anotadas
Necessita de uma análise para determinar o significado dos padrões encontrados
Aprendizagem por reforço
Aprender com a própria experiência (pode ser 1 único agente ou diversos agentes comunicando-se).
- Exemplo: Interações com o ambiente (causa e efeito): Um robô bater na parede e entender os pontos negativos, evitando repetir a ação