Aprendizado supervisionado: como ensinar as máquinas a nos ajudar

Você pode pensar na aprendizagem supervisionada como um professor supervisionando todo o processo de aprendizagem.

É uma das formas mais comuns de aprendizado das máquinas e é uma ferramenta inestimável no campo da inteligência artificial. Esse processo de aprendizado é comparável a uma relação aluno-professor, embora as máquinas não sejam tão teimosas quanto os humanos.

Se você acabou de entrar no mundo da inteligência artificial, o aprendizado supervisionado pode não ser um termo com o qual você se deparou anteriormente. Em suma, é uma estratégia de aprendizado de máquina que permite que os sistemas de IA aprendam e progridam.

Simplificando, os algoritmos de aprendizado supervisionado são projetados para aprender pelo exemplo. Esses exemplos são chamados de dados de treinamento e cada exemplo é um par de um objeto de entrada e o valor de saída desejado. O par de dados de entrada e saída alimentados no sistema é geralmente referido como dados rotulados .

Ao alimentar dados rotulados, você mostra a uma máquina as conexões entre diferentes variáveis ​​e resultados conhecidos. Com o aprendizado supervisionado, o sistema de IA é informado explicitamente sobre o que procurar nos dados de entrada fornecidos. Isso permite que os algoritmos melhorem periodicamente e criem modelos de aprendizado de máquina que podem prever resultados ou classificar dados com precisão quando apresentados a dados desconhecidos.

O ajuste do modelo refere-se à medida de quão bem o modelo generaliza para dados semelhantes àqueles em que foi treinado. Um modelo bem ajustado produz resultados precisos; um modelo superajustado corresponde aos dados muito próximos; um modelo subajustado não corresponde suficientemente aos dados.

Como funciona o aprendizado supervisionado?

O treinamento desempenha um papel fundamental na aprendizagem supervisionada. Durante a fase de treinamento, o sistema de IA é alimentado com grandes volumes de dados de treinamento rotulados. Como mencionado anteriormente, os dados de treinamento instruem o sistema sobre como a saída desejada deve ser a partir de cada valor de entrada distinto.

O modelo treinado recebe então os dados de teste . Isso permite que os cientistas de dados determinem a eficácia do treinamento e a precisão do modelo. A precisão de um modelo depende do tamanho e da qualidade do conjunto de dados de treinamento e do algoritmo usado.

No entanto, alta precisão nem sempre é uma coisa boa. Por exemplo, alta precisão pode significar que o modelo está sofrendo de overfitting – um erro de modelagem ou a otimização incorreta de um modelo quando ele fica excessivamente ajustado ao seu conjunto de dados de treinamento e pode até resultar em falsos positivos.

Nesse caso, o modelo pode ter um desempenho notavelmente bom em cenários de teste, mas pode falhar em fornecer a saída correta em circunstâncias do mundo real. Para erradicar as chances de overfitting, certifique-se de que os dados de teste sejam totalmente diferentes dos dados de treinamento. Além disso, verifique se o modelo não extrai respostas de sua experiência anterior.

Os exemplos de treinamento também devem ser diversos. Caso contrário, ao se deparar com casos nunca antes vistos, o modelo não funcionará.

No contexto da ciência de dados e mineração de dados (o processo de transformar dados brutos em informações úteis), o aprendizado supervisionado pode ser dividido em dois tipos: classificação e regressão .

Um algoritmo de classificação tenta determinar a categoria ou classe dos dados apresentados. Classificação de spam de e-mail, visão computacional e classificação de medicamentos são alguns dos exemplos comuns de problemas de classificação.

Por outro lado, os algoritmos de regressão tentam prever o valor de saída com base nas características de entrada dos dados fornecidos. Prever as taxas de cliques de anúncios digitais e prever o preço de uma casa com base em seus recursos são alguns dos problemas comuns de regressão.

Aprendizado supervisionado versus não supervisionado versus semisupervisionado

Uma das melhores maneiras de entender a diferença entre aprendizado supervisionado e não supervisionado é observar como você aprenderia a jogar um jogo de tabuleiro – digamos xadrez.

Uma opção é contratar um professor de xadrez. Um tutor irá ensiná-lo a jogar o jogo de xadrez, explicando-lhe as regras básicas, o que cada peça de xadrez faz e muito mais. Uma vez que você esteja ciente das regras do jogo e do escopo de cada peça, você pode ir em frente e praticar jogando contra o tutor.

O tutor supervisionaria seus movimentos e o corrigiria sempre que você cometer erros. Depois de reunir conhecimento e prática suficientes, você pode começar a jogar competitivamente contra os outros.

Este processo de aprendizagem é comparável à aprendizagem supervisionada . No aprendizado supervisionado, um cientista de dados age como um tutor e treina a máquina alimentando as regras básicas e a estratégia geral.

Se você não quiser contratar um tutor, ainda pode aprender o jogo de xadrez. Uma maneira é observar outras pessoas jogando o jogo. Você provavelmente não pode fazer perguntas a eles, mas pode assistir e aprender a jogar o jogo.

Apesar de não saber os nomes de cada peça do xadrez, você pode aprender como cada peça se move observando o jogo. Quanto mais jogos você assiste, melhor você entende e mais conhecedor você se torna sobre as diferentes estratégias que você pode adotar para vencer.

Esse processo de aprendizado é semelhante ao aprendizado não supervisionado . O cientista de dados permite que a máquina aprenda observando. Embora a máquina não conheça os nomes ou rótulos específicos, ela poderá encontrar padrões por conta própria.

Simplificando, o aprendizado não supervisionado é quando um algoritmo recebe um conjunto de dados de treinamento que contém apenas os dados de entrada e nenhum dado de saída correspondente.

Como você pode ver, ambos os métodos de aprendizagem têm pontos fortes e fracos notáveis.

Para o aprendizado supervisionado, você precisa de um tutor experiente que possa ensinar as regras e a estratégia à máquina. No exemplo do xadrez, isso significa que você precisa de um tutor para aprender o jogo. Caso contrário, você pode acabar aprendendo o jogo de forma errada.

No caso de aprendizado não supervisionado, você precisa de grandes volumes de dados para a máquina observar e aprender. Embora os dados não rotulados sejam baratos (e abundantes) e fáceis de coletar e armazenar, eles devem ser desprovidos de dados duplicados ou inúteis. Dados falhos ou incompletos também podem resultar em viés de aprendizado de máquina – um fenômeno no qual os algoritmos produzem resultados discriminatórios.

No exemplo do xadrez, se você está aprendendo observando outros jogadores, isso significa que você precisa assistir dezenas de jogos antes de entender. Além disso, se você estiver observando jogadores que jogam o jogo incorretamente, poderá acabar fazendo o mesmo.

Depois, há o aprendizado semi-supervisionado .

Como você deve ter adivinhado, o aprendizado semissupervisionado é uma mistura de aprendizado supervisionado e não supervisionado. Nesse processo de aprendizado, um cientista de dados treina um pouco a máquina para que ela obtenha uma visão geral de alto nível. A máquina então aprende as regras e a estratégia observando padrões. Uma pequena porcentagem dos dados de treinamento será rotulada e o restante não será rotulado.

No exemplo do aprendizado de xadrez, o aprendizado semi-supervisionado seria semelhante a um tutor explicando apenas o básico para você e permitindo que você aprenda jogando competitivamente.

Outro processo de aprendizagem é o aprendizado por reforço (RL) . É uma estratégia de aprendizado de máquina na qual um sistema de IA enfrenta uma situação semelhante a um jogo. Para ensinar a IA, um programador usa uma técnica de recompensa-penalidade, na qual o sistema deve se concentrar em tomar ações adequadas para maximizar a recompensa e evitar penalidades.

Algoritmos de aprendizado supervisionado

Numerosas técnicas de computação e algoritmos são usados ​​no processo de aprendizagem supervisionada.

Aqui estão alguns dos algoritmos de aprendizado de máquina supervisionados comuns que você encontrará.

Regressão linear

A regressão linear é tanto um algoritmo estatístico quanto um algoritmo de aprendizado de máquina. É um algoritmo que tenta modelar a relação entre duas variáveis ​​anexando uma equação linear aos dados observados. Das duas variáveis, uma é considerada uma variável explicativa e a outra uma variável dependente.

A regressão linear também pode ser usada para identificar a relação entre uma variável dependente e uma ou mais variáveis ​​independentes. No domínio do aprendizado de máquina, a regressão linear é usada para fazer previsões.

Regressão logística

A regressão logística é um modelo matemático usado para estimar a probabilidade de um evento com base nos dados anteriores fornecidos. A pontuação de crédito e a detecção de fraudes em transações online são algumas das aplicações reais desse algoritmo. Em outras palavras, é um algoritmo de análise preditiva baseado nos conceitos de probabilidade usados ​​para resolver problemas de classificação binária.

Assim como a regressão logística, a regressão linear também foi emprestada do campo da estatística. No entanto, ao contrário da regressão linear que trabalha com variáveis ​​dependentes contínuas, a regressão logística funciona com dados binários, como "verdadeiro" ou "falso".

Redes neurais

As redes neurais artificiais (RNAs) são usadas principalmente por algoritmos de aprendizado profundo. Eles são uma série de algoritmos que imitam as funções do cérebro humano para reconhecer relações entre grandes volumes de dados. Como você deve ter adivinhado, as RNAs são críticas para os sistemas de inteligência artificial.

As redes neurais são compostas por camadas de vários nós. Cada nó consiste em entradas, pesos, polarização e saídas. Uma RNA é treinada ajustando os pesos de entrada com base no desempenho da rede. Por exemplo, se a rede neural classifica uma imagem corretamente, os pesos que contribuem para a resposta correta aumentam, enquanto os outros pesos diminuem.

Baías ingénuas

Naive Bayes é um método de classificação baseado no princípio da independência condicional de classe do Teorema de Bayes. Em termos mais simples, a abordagem do classificador Naive Bayes assume que a presença de um recurso específico em uma classe não afeta a presença de nenhum outro recurso.

Por exemplo, uma fruta pode ser considerada uma maçã se for de cor vermelha, redonda e com aproximadamente três polegadas de diâmetro. Mesmo que essas características sejam dependentes umas das outras, todas essas propriedades contribuem individualmente para a probabilidade de que a própria fruta seja uma maçã.

O modelo Naive Bayes é útil ao lidar com grandes conjuntos de dados. É fácil de construir, rápido e tem um desempenho ainda melhor do que os métodos avançados de classificação.

Máquina de vetores de suporte (SVM)

A máquina de vetor de suporte (SVM) é um algoritmo de aprendizado de máquina supervisionado bem conhecido desenvolvido por Vladimir Vapnik. Apesar de ser predominantemente usado para problemas de classificação, SVMs também podem ser usados ​​para regressão.

Os SVMs são construídos com a ideia de encontrar um hiperplano que melhor divida um determinado conjunto de dados em duas classes. Tal hiperplano é referido como um limite de decisão e separa os pontos de dados em ambos os lados. Detecção de rosto, categorização de texto, classificação de imagem são algumas das muitas aplicações do mundo real do SVM.

K-vizinhos mais próximos (KNN)

O algoritmo K-nearest neighbors (KNN) é um algoritmo de aprendizado de máquina supervisionado usado para resolver problemas de regressão e classificação. É um algoritmo que agrupa pontos de dados com base em sua proximidade e relacionamento com outros dados.

É fácil de entender, simples de implementar e tem um baixo tempo de cálculo. No entanto, o algoritmo torna-se notavelmente lento à medida que o tamanho dos dados em uso aumenta. KNN é geralmente usado para sistemas de recomendação e reconhecimento de imagem.

Floresta aleatória

A floresta aleatória é um método de aprendizado que consiste em um grande número de árvores de decisão operando como um conjunto (o uso de vários algoritmos de aprendizado para obter melhor desempenho preditivo). Cada árvore de decisão entrega uma previsão de classe e a classe com os votos mais altos se torna a previsão do modelo.

O algoritmo de floresta aleatória é amplamente utilizado no mercado de ações, bancos e área médica. Por exemplo, ele pode ser usado para identificar clientes com maior probabilidade de pagar suas dívidas no prazo.

Exemplos de aprendizado supervisionado

Como mencionado anteriormente, a previsão de preços de imóveis, as taxas de cliques de anúncios on-line e até mesmo a disposição de um cliente em pagar por um determinado produto são alguns dos exemplos notáveis ​​de modelos de aprendizado supervisionado.

Máquinas de ensinar a pensar

Ao alavancar dados rotulados, os algoritmos de aprendizado supervisionado podem criar modelos que podem classificar big data com facilidade e até fazer previsões sobre resultados futuros. É uma técnica de aprendizado brilhante que apresenta as máquinas ao mundo humano.

Falando em aprender técnicas para tornar as máquinas inteligentes, você já se perguntou do que os sistemas de inteligência artificial que temos hoje são realmente capazes? Em caso afirmativo, alimente sua curiosidade lendo mais sobre IA estreita.