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