O que é aprendizado de máquina (Machine Learning)?
Aprendizado de máquina é um subcampo da inteligência artificial que lida com algoritmos de computação que podem ser melhorados via dados de treinamento sem programação explícita. É considerado o caminho mais promissor para alcançar a inteligência artificial verdadeiramente próxima à humana.
Algoritmos de aprendizado de máquina podem ser classificados, de maneira geral, em três categorias:
- Aprendizagem supervisionada: São feitas entradas de rótulos e exemplos atuais a respectiva saída desejada e isso permite ao algoritmo aprender as regras que mapeiam entradas e saídas.
- Aprendizagem não supervisionada: Os rótulos não são fornecidos e, portanto, o algoritmo pode encontrar sua própria estrutura de processamento das entradas (por exemplo, encontrando padrões ocultos nos dados).
- Aprendizagem por reforço: O algoritmo interage repetidamente com um ambiente dinâmico com um objetivo específico como, por exemplo, ganhar um jogo ou dirigir um carro. O algoritmo chega à solução mais otimizada para o problema por meio de repetidos erros e tentativas.
Neste artigo, apresentaremos uma breve visão geral de aprendizado de máquina e aprendizagem profunda, além das diferenças entre os dois conceitos.
O que é aprendizagem profunda?
Aprendizagem profunda é um ramo do aprendizado de máquina que usa redes neurais artificiais para se aproximar da inteligência humana. Inspirada pelos neurônios humanos, a aprendizagem profunda usa a teoria dos grafos para organizar algoritmos ponderados em camadas de vértices e arestas. Os algoritmos da aprendizagem profunda são ótimos em processar dados não estruturados, como imagens ou linguagem.
Tecnicamente, para ser classificada como profunda, a rede neural precisa conter camadas ocultas entre as camadas de entrada e saída da perceptron, que é a estrutura base de uma rede neural. Essas camadas são consideradas ocultas porque não têm conexão com o mundo exterior. Exemplos de arquiteturas de aprendizagem profunda incluem:
- Redes neurais sem realimentação ou redes neurais feedforward (FF): os dados trafegam em uma direção desde a camada de entrada, passando pelas camadas ocultas, até a camada de saída; todos os vértices estão conectados e os dados nunca retomam o ciclo nas camadas ocultas. A rede feedforward é usada na compactação de dados e no processamento básico de imagens.
- Redes neurais recorrentes (RNN, Recurrent Neural Networks): um tipo de rede feedforward que adiciona um tempo de espera às camadas ocultas, o que permite o acesso à informações anteriores durante uma iteração corrente. Esse loop de feedback se aproxima da memória, o que torna as RNNs adequadas para processamento de linguagem. Um bom exemplo disso é o texto preditivo que se baseia em palavras usadas com mais frequência para personalizar as sugestões.
- Redes neurais convolucionais (CCN, Convolutional neural networks): convolução é uma operação matemática em duas funções que produz uma terceira, descrevendo como uma é modificada pela outra. Usada principalmente para reconhecimento e classificação de imagens, as CNNs são os “olhos” da inteligência artificial. As camadas ocultas em uma CNN agem como filtros matemáticos usando a soma ponderada para identificar arestas, cores, contraste e outros elementos de um pixel.
