Sunteți pe pagina 1din 5

Aprendizagem de Máquinas

Janderson de Souza Campelo 1


Rodrigo Dantas de Andrade2

1
Sistemas de Informação – Centro Universitário Luterano de Ji-Paraná (CEULJI)
Caixa Postal 271 – 76.9071-438 – Ji-Paraná – RO – Brasil
rd_opo@hotmail.com

RESUMO
Este trabalho fala sobre o sub-ramo da inteligência artificial conhecido como
aprendizagem de máquinas, seu surgimento, principais métodos e características.

1. Definição

“Um programa de computador aprende se: a partir da experiência E referente a uma


classe de tarefas T e a medida de sua performance P, se a performace nas tarefas T,
medidas de por P, melhorarem com a experiência E.”
Mitchell, Tom. M. 1997. Machine Learning.p2.

Aprendizagem de Máquinas é o campo que estuda o desenvolvimento de algoritmos


capazes de induzir padrões, regras, ou organizações a partir de experiências passadas.
O “aprendiz” (um programa de computador) recebe várias informações, e com base nelas
desenvolve uma forma melhor de exibir as informações futuras, ou ao menos tenta exibi-
las da forma mais significativa.

2. Aprendizagem supervisionada

A Aprendizagem supervisionada é a tarefa de inferir uma função a partir de dados


de treinamento supervisionados. Os dados de treinamento consistem em um conjunto de
exemplos de treinamento. Cada exemplo é um par que consiste de um objeto de entrada
(tipicamente um vetor) e um objeto de saída desejado (também chamado de sinal
supervisor). Um algoritmo de aprendizagem supervisionada analisa os dados de
treinamento e produz uma função inerente, a qual é chamada de classificadora, caso a
saída seja discreta e possibilite o agrupamento natural, ou função de regressão, se a saída
é contínua e uma espécie de média ou delimitador tenha de ser gerado para que ocorra o
agrupamento. A função inferida deve predizer o valor de saída correto para qualquer
objeto de entrada válido. Isso requer que o algoritmo de aprendizagem generalize a partir
dos dados de treinamento para situações imprevistas de uma forma razoável.
2.1 Indução por Tendência
O método de Indução por tendência, é uma forma de aprendizagem pouco eficaz
que define um padrão ou um resumo através das saídas observadas.
Por exemplo:
 Eu como as frutas da cesta 1, e acho-as saborosas.
 Eu como as frutas da cesta 2, e acho-as saborosas.
 Eu como as frutas da cesta 3, e acho-as saborosas.
 …
 Eu como as frutas da cesta 100, e acho-as saborosas.
 Então, eu acharei todas as frutas que eu comer, saborosas.

2.2 Árvore de Decisão

As árvores de decisão são modelos hierárquicos para aprendizagem


supervisionada, que consiste de uma seqüência de divisões recursivas em passos
menores. Uma árvore de decisão é composta de nodos internos de decisão e folhas
terminais, cada nodo implementa uma função que retorna um resultado que rotula os
galhos. Dado uma entrada, cada nodo realiza um teste com a mesma e um dos galhos é
retornado dependendo dos resultados, o processo se inicia na raiz e segue até chegar a
uma das folhas.
Um exemplo simples seria um algoritmo que definisse os dias em que uma pessoa
bebe, baseado no clima e se ela irá trabalhar no dia seguinte ou não.

Dia Clima Trabalha dia Seguinte? Bebe Álcool


Segunda Muito Calor Sim Sim
Quarta Frio Sim Não
Sexta Calor Não Sim
Quarta Muito Calor Sim Sim
Sexta Frio Não Não
Segunda Muito Frio Sim Não
Segunda Calor Sim Não
Quinta Muito Calor Sim Sim
Domingo Calor Sim Não
Sábado Frio Não Sim
Regras:
Sempre Bebe quando está fazendo muito calor.
Nunca Bebe pela Manhã, a Não ser que esteja fazendo Muito Calor.
Nunca Bebe antes do trabalho a não ser que esteja fazendo Muito Calor.
Nunca Bebe Quando está Muito Frio.
Sempre Bebe quando Não trabalha no dia seguinte a não ser que esteja Fazendo
Muito Frio.

A estrutura da árvore para a tabela acima seria:


3. Aprendizagem não supervisionada

Na aprendizagem não supervisionada, não existe tal supervisor e nós apenas


temos os dados de entrada. A meta é encontrar as organizações na entrada. Existe uma
estrutura, uma ordem, para a entrada de dados tais que certos padrões ocorrem mais
freqüentemente que outros, e nós queremos ver o que geralmente acontece ou deixa de
acontecer. Em estatística isso é chamado de estimativa de densidade.

3.1. Clustering ou Agrupamento

O método de Clustering (agrupamento) é uma forma de aprendizagem não


supervisionada onde a meta é encontrar em uma base ou uma seqüência de entrada de
dados, e retornar os clusters (feixes) ou grupos encontrados.
Um exemplo seria no caso de uma companhia com dados de clientes antigos,
onde os dados do cliente contêm as suas informações demográficas assim como o
histórico de transações com a empresa, e que a companhia queira ver a distribuição dos
perfis dos clientes, para saber quais tipos de clientes são mais freqüentes. Em tal caso, um
modelo de agrupamento aloca os clientes com atributos similares nos mesmos grupos,
provendo a companhia agrupamentos naturais dos seus clientes; isso é chamado
segmentação de clientes.
Uma vez que tais grupos sejam encontrados, a companhia deve decidir as
estratégias, por exemplo, serviços e produtos, específicos para diferentes grupos; isso
também é conhecido como gerenciamento de relacionamento com cliente. Tal grupo
também permite identificar quais são os "marginais", digam-se, aqueles diferentes dos
outros clientes, que significa um nicho do mercado que pode ser melhor explorado pela
companhia.

3.2. Aprendizagem por Reforço

A aprendizagem por reforço se da através de um agente, que toma decisões, em


um ambiente e é recompensado ou punido por suas ações, tendo por objetivo aprender a
melhor seqüência de decisões a tomar para acumular o maior número de recompensas.
Um bom exemplo é o de um robô (agente) em um labirinto (ambiente), que se
movimenta (tomando decisões) buscando chegar a um ou mais pontos (e receber a
recompensa). O ambiente está sempre em um determinado estado, a cada tomada de
decisão do agente, o ambiente muda ou não de estado, e quando certo estado é ativado, o
agente é recompensado.

3.3 Redes Neurais Artificiais

Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo


matemático inspirado na estrutura neural de organismos inteligentes e que adquirem
conhecimento através da experiência, esta se baseia-se em redes neurais genéticas, por
exemplo, o cérebro humano.
Uma rede neural artificial é composta por várias unidades de processamento, cujo
funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais
de comunicação que estão associados a determinado peso. As unidades fazem operações
apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O
comportamento inteligente de uma Rede Neural Artificial vem das interações entre as
unidades de processamento da rede.
A propriedade mais importante das redes neuronais é a habilidade de aprender a
partir do seu ambiente e com isso melhorar o seu desempenho. Isso é feito através de um
processo iterativo de ajustes aplicado aos seus pesos, o treino. A aprendizagem ocorre
quando a rede neuronal atinge uma solução generalizada para uma classe de problemas.
4. Conclusão

A Aprendizagem de Máquinas é uma área da Inteligência Artificial muito vasta,


este artigo apresentou de uma maneira geral os seus principais tópicos, abordando os
principais métodos de aprendizagem: Aprendizagem Supervisionada, Indução por
Tendencias, Áárvores de Decisão, Clustering e por fim as Redes Neurais.

5. Referências

N.Sebe , Ira Cohen, Ashutosh Garg e Thomas S. Huang (2005) Machine Learning in
Computer Vision.

Tom M. Mitchell (1997) Machine Learning.

Ethem Alpaydın (2010) Intoduction to Machine Learning 2nd Edition.

Filipe Pereira, Luís Aguilar e Vitor Rodrigues, (2005) Trabalho Sobre Sistemas de
Aprendizagem, disponível no endereço
alunos.di.ubi.pt/~a14676/varios/machine_learning.ppt acessado 20/11/2010.

Frank Keller (2003) Introduction to Machine Learning disponível no endereço


http://www.coli.uni-saarland.de/~crocker/Teaching/Connectionist/lecture8_4up.pdf
acessado em 20/11/2010.

S-ar putea să vă placă și