Machine Learning (ML, ou aprendizado de máquina) é a área da inteligência artificial em que sistemas aprendem padrões a partir de dados, em vez de seguir regras escritas manualmente por programadores. Está por trás de tradutores, recomendações de filmes e produtos, filtros de spam e assistentes virtuais.
Como funciona
- Coleta de dados: exemplos relevantes para o problema.
- Treinamento: um algoritmo ajusta um modelo para encontrar relações nesses dados.
- Avaliação: o modelo é testado em dados que não viu antes.
- Uso: o modelo faz previsões com dados novos e pode ser retreinado com o tempo.
Tipos de aprendizado
| Tipo | Ideia | Exemplo |
|---|---|---|
| Supervisionado | Aprende com dados rotulados (entrada e resposta certa). | Classificar e-mails como spam ou não; prever preço de imóveis. |
| Não supervisionado | Encontra estrutura em dados sem rótulos. | Agrupar clientes com perfis parecidos. |
| Por reforço | Aprende por tentativa e erro, buscando recompensas. | Agentes que aprendem a jogar ou a controlar robôs. |
Exemplos do dia a dia
- Tradução automática e reconhecimento de voz.
- Recomendações em streaming, redes sociais e lojas online.
- Detecção de fraudes em cartões.
- Reconhecimento de imagens e rostos.
- Diagnóstico assistido por imagens médicas.
IA x Machine Learning x Deep Learning
- Inteligência Artificial: o campo amplo de criar máquinas que executam tarefas que exigem inteligência.
- Machine Learning: parte da IA que aprende a partir de dados.
- Deep Learning: parte do ML que usa redes neurais com muitas camadas, base da IA generativa e da visão computacional atual.
Exemplo mínimo em Python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = load_iris(return_X_y=True)
X_treino, X_teste, y_treino, y_teste = train_test_split(X, y, test_size=0.3, random_state=42)
modelo = KNeighborsClassifier(n_neighbors=3)
modelo.fit(X_treino, y_treino)
print("Acurácia:", modelo.score(X_teste, y_teste))Ferramentas mais usadas
Python é a linguagem predominante, com bibliotecas como scikit-learn (ML clássico), TensorFlow, Keras e PyTorch (deep learning), pandas e NumPy (dados).
Cuidados
- A qualidade do modelo depende da qualidade e da diversidade dos dados.
- Dados enviesados geram resultados enviesados.
- É preciso respeitar a privacidade e a LGPD ao usar dados pessoais.