1. Modelos de Aprendizado de Máquina: Supervisionado e Não Supervisionado [2]

Os modelos de aprendizado de máquina são divididos em duas categorias principais: aprendizado supervisionado e aprendizado não supervisionado.

1.1. Aprendizado Supervisionado [4]

  1. O aprendizado supervisionado usa dados de entrada e saída de exemplo para aprender a mapear uma entrada para uma saída. [5]
    1. Por exemplo, um modelo de aprendizado supervisionado pode prever o tamanho do sapato de uma pessoa com base na idade, usando um conjunto de dados que inclui idade (entrada) e tamanho do sapato (saída). [6]

1.2. Subcategorias do Aprendizado Supervisionado [7]

  1. O aprendizado supervisionado tem duas subcategorias: regressão e classificação. [7]
  2. Os modelos de regressão encontram um valor-alvo contínuo com base em preditores independentes. [8]
    1. A regressão linear encontra uma linha que melhor se ajusta aos dados. [10]
    2. As extensões incluem a regressão linear múltipla (encontra um plano de melhor ajuste) e a regressão polinomial (encontra uma curva de melhor ajuste). [11]
    3. A árvore de decisão usa nós (quadrados) para tomar decisões, e mais nós geralmente significam maior precisão. [12]
    4. A floresta aleatória é uma técnica que constrói múltiplas árvores de decisão a partir de subconjuntos de dados e variáveis, selecionando a previsão mais comum para reduzir erros. [15]
    5. A rede neural é um modelo multicamadas inspirado no cérebro humano, onde os nós (círculos) representam camadas de entrada, ocultas e de saída, processando a entrada para produzir uma saída. [18]
  3. Nos modelos de classificação, a saída é discreta (por exemplo, sim/não, gato/cachorro). [24]
    1. A regressão logística é semelhante à regressão linear, mas modela a probabilidade de um número finito de resultados, geralmente dois. [27]
    2. A máquina de vetor de suporte (SVM) é uma técnica que encontra um hiperplano em um espaço n-dimensional para classificar distintamente os pontos de dados. [28]
    3. O Naive Bayes é um classificador probabilístico baseado no teorema de Bayes, usado para tarefas de classificação. [30]
    4. Árvores de decisão, florestas aleatórias e redes neurais também podem ser usadas para classificação, com a diferença de que a saída é discreta. [32]

2. Aprendizado Não Supervisionado [34]

O aprendizado não supervisionado é usado para encontrar padrões e tirar conclusões de dados de entrada sem rótulos.

2.1. Métodos de Aprendizado Não Supervisionado [35]

  1. O aprendizado não supervisionado é usado para encontrar padrões e tirar conclusões de dados de entrada sem rótulos. [35]
  2. Os dois métodos principais são agrupamento (clustering) e redução de dimensionalidade. [36]
    1. O agrupamento envolve agrupar pontos de dados semelhantes. [37]
      1. É frequentemente usado para segmentação de clientes, detecção de fraudes e classificação de documentos. [38]
      2. As técnicas comuns incluem K-means clustering, hierarchical clustering, mean-shift clustering e density-based clustering. [39]
      3. Embora cada técnica use métodos diferentes, todas buscam o mesmo objetivo de encontrar grupos. [40]
    2. A redução de dimensionalidade é o processo de diminuir o número de características em um conjunto de dados. [41]
      1. Os autoencoders reduzem o número de características. [42]
      2. A maioria das técnicas de redução de dimensionalidade se enquadra em eliminação de características ou extração de características. [43]
      3. Um método popular é a Análise de Componentes Principais (PCA). [44]