Índice:
Definição - O que significa Machine Learning?
O aprendizado de máquina é uma disciplina de inteligência artificial (IA) voltada para o desenvolvimento tecnológico do conhecimento humano. O aprendizado de máquina permite que os computadores lidem com novas situações por meio de análise, auto-treinamento, observação e experiência.
O aprendizado de máquina facilita o avanço contínuo da computação através da exposição a novos cenários, testes e adaptação, enquanto emprega a detecção de padrões e tendências para melhorar as decisões em situações subsequentes (embora não idênticas).
O aprendizado de máquina é frequentemente confundido com mineração de dados e descoberta de conhecimento em bancos de dados (KDD), que compartilham uma metodologia semelhante.
Techopedia explica Machine Learning
Tom M. Mitchell, pioneiro em aprendizado de máquina e professor da Universidade Carnegie Mellon (CMU), previu a evolução e sinergia do aprendizado humano e de máquina. O Feed de notícias do Facebook de hoje é um exemplo perfeito. O Feed de notícias está programado para exibir o conteúdo de amigos do usuário. Se um usuário codificar ou gravar com frequência no mural de um amigo em particular, o Feed de notícias mudará seu comportamento para exibir mais conteúdo desse amigo.
Outras aplicações de aprendizado de máquina incluem reconhecimento de padrões sintáticos, processamento de linguagem natural, mecanismos de busca, visão computacional e percepção de máquina.
| Download grátis: IA no setor de seguros: 26 casos de uso no mundo real |
É difícil replicar a intuição humana em uma máquina, principalmente porque os seres humanos geralmente aprendem e executam decisões inconscientemente.
Como as crianças, as máquinas exigem um período de treinamento prolongado ao desenvolver algoritmos amplos voltados para o ditado de comportamento futuro. As técnicas de treinamento incluem aprendizado mecânico, ajuste de parâmetros, macroperadores, fragmentação, aprendizado baseado em explicações, clustering, correção de erros, registro de casos, gerenciamento de vários modelos, propagação de retorno, aprendizado por reforço e algoritmos genéticos.
