Machine Learning descomplicado

Machine Learning é, sem dúvidas, um dos temas mais pedidos pelos nossos seguidores. E já adianto que essa tendência tecnológica é a grande aposta para os próximos anos!  A certeza é que os estudos e projetos na área irão crescer intensamente.

Sabemos que muitas dúvidas que permeiam o assunto: será que as máquinas continuarão tomando o espaço do homem? Será que farão atividades desde as triviais até as mais complexas? Como ficará o emprego? Isso é muito Black Mirror.

Vamos começar essa conversa aos poucos! Ao longo do texto, iremos explicar de forma descomplicada tudo sobre o assunto. Desde o que significa Machine Learning, mostrar várias aplicações incríveis e claro, deixar um compilado de links pra você pode aprender mais sobre o assunto.

O que é Machine Learning?

A tradução do termo Machine Learning é: aprendizado de máquina. De forma bem simplificada, Machine Learning é um tipo de inteligência artificial que permite que computadores tomem decisões com ajuda de algoritmos que reconhecem padrões e podendo assim, fazer previsões.

Existem muitas definições que podemos encontrar sobre o assunto, mas da forma mais descomplicada é uma tecnologia capaz de fazer o computador atuar de maneira inteligente, se baseando no comportamento humano para solucionar problemas, de maneira que estivesse “pensando”.

Um dos pilares do machine learning é justamente a análise de dados com a finalidade de detectar padrões. Na verdade, o aprendizado de máquina envolve o processamento de grande quantidade de dados em um espaço de tempo extremamente curto.

O conceito de Machine Learning foi criado há muito tempo, mas somente com a chegada da internet que o conceito realmente se arquitetar. Com tantas informações disponíveis pela internet, foi necessário criar meios para que este conteúdo fosse organizado. E, na medida do possível, que algumas decisões mais simples pudessem ser automatizadas.

O método utiliza de modelos matemáticos para criar a linha de construção das análises de maneira que os sistemas consigam detectar os padrões, e assim, aprender com o mínimo de intervenção humana. Podendo assim produzir modelos capazes de analisar dados complexos de larga escala, entregando resultados precisos. Assim, consegue até mesmo prever os resultados e claro, impedir o máximo de riscos indesejados.

Como funciona?

Os algoritmos de Machine Learning podem ser divididos em 3 categorias: aprendizagem supervisionada, aprendizagem não supervisionada e aprendizado por reforço.

A aprendizagem supervisionada quando um algorítimo precisa aprender uma informação já existente no banco de dados.

O aprendizado não supervisionado é quando o aprendizado do algoritmo é a a partir de itens que não são pré atribuídos. O algoritmo não recebe orientação humana para alguma resposta, é totalmente sua a identificação de padrões durante o processo e analise de dados.

O aprendizado de reforço está entre estes dois extremos, que utiliza dados conhecidos e não conhecidos, de forma a aprender com os erros de forma de feedback.

Algumas técnicas que são usadas nessas aprendizagens:

Aprendizagem Supervisionada

– Arvores de decisão: lógica

– Classificação Naïve Bayes: probabilidade

– Regressão Linear de Mínimos Quadrados: estatística

– Regressão logística

Aprendizagem sem supervisão

– Algoritmos de Agrupamento (Clustering): agrupando por meio de alguma regra determinada

– Decomposição em valores singulares

– Análise de Componentes Principais

 

Aplicações

Os sistemas que são criados para a Inteligência Artificial permitem extensas análises, cruzamento de informações, geração de insights, entre outros.

E nesse momento, vamos trazer aqui várias aplicações que já são usadas hoje em dia. Se prepara pro efeito Black Mirror.

1- Stream da Netflix

Muitos já devem ter percebido, mas o serviço de streaming da Netflix (Youtube também, entre outros serviços de stream) faz sugestões aos telespectadores sobre os filmes indicados para que ela assista. Com base nos filmes que o usuário já assistiu, somado ao tempo no determinado filme e as avaliações que foram dadas, eles conseguem trazer sugestões que muito provavelmente irão animar o usuário.

2- Quer uma viagem planejada com o Waze?

Se você já usou o aplicativo, deve ter percebido a qualidade de dados a respeito de congestionamentos, acidentes, até mesmo clima, entre outros.

3- Memória de elefante no Evernote.

Evernote, pra quem não sabe é um aplicativo de notas, bem parecido com qualquer outro a primeiro modo. Porém, ele possui uma ferramenta de pesquisa extremamente apurada. Conseguimos encontrar palavras em fotos que foram tiradas, em pdf, em imagens que foram indexadas no programa.

Para nós, pessoas comuns, é muito simples ler uma frase escrita em uma foto,imagens. Mas para maquinas, o processo é diferente, e um algoritmo foi criado para identificar os caracteres em imagens, pdf, etc.

4- Keep, pode falar que eu escrevo

 

O aplicativo de notas da Google, o Keep, é muito utilizado nas práticas diárias em smartphones. A ideia é ser como outros aplicativos de notas, app para capturar seus pensamentos em fotos, links, tópicos, desenhos, textos, voz.

E o incrível é que ele vem com uma função: Speech to Text. Ele é capaz de, com apenas um clique, gravar áudio da sua voz e, ao mesmo tempo, é feita uma transcrição daquilo que foi dito. A conversão de voz em texto é feito com tecnologia de machine learning.

5- Reconhecimento de rostos em fotos

Pra quem tem costume de usar o Google Fotos, sabe que existe álbuns somente com rostos que foram identificados na sua biblioteca.

E no Facebook essa novidade ainda assusta em determinados momentos. Você já recebeu essa mensagem: Você deseja ser marcado nessa foto da Ana? Ou ainda, “você deseja marcar o Felipe nessa foto?” Com o reconhecimento facial, é possível trazer mais conexão na plataforma.

7- Bolha de conteúdo (do Facebook)

Possivelmente você já sabe que o Facebook usa um algoritmo que determina aquilo que será colocado no seu feed de notícias. Muito possivelmente, paginas que você não curtia e nem interagia muito, não devem aparecer com frequência no seu feed.

A ideia é trazer a você as publicações que sejam mais relevantes, para que você aproveite mais o momento que está na sua rede social.

8- Vendas

Hoje existem plataformas de vendas online, seja o Facebook como o Google Adwords que possuem uma serie de dados que podem ser segmentados para que sua campanha de vendas seja com o dinheiro mais bem gasto, conseguindo mais clientes.

A ideia é conseguir cruzar os dados no interesse de encontrar seu público ideal, a partir dos clusters que eles já separaram. Dá pra colocar um nicho extremamente bem feito.

9- Reconhecimento de expressões no rosto (projeto no GitHub)

Já pensou num computador capaz de reconhecer as emoções humanas a partir de micro-expressões faciais?

Pra fechar com chave de ouro, deixo aqui esse projeto que está disponível na GitHub: Face Classification. Em tempo real, o projeto é capaz de detectar o gênero e a emoção humana por meio de uma câmera.

Aprender mais sobre a técnica:

Como vocês já sabem, no final do nosso texto damos aquelas dicas makers pra quem se interessou pelo assunto e pretende se aprofundar mais sobre ele.

Então, a partir do básico, é importante que você compreenda dos modelos matemáticos. E nesse ponto, haja vontade de aprender! Os tópicos aqui são:

Álgebra linear,

vetores,

matrizes,

probabilidade e estatística (métricas básicas, regressão),

além de noções de otimização analítica.

Pra sair do básico, muitos se aprofundam em algumas linguagens de programação como Python e/ou programação em R.

Sites

Tensor2Tensor: O T2T é uma biblioteca de modelos de Deep Learning lá no GitHub. O objetivo é tornar esse conteúdo mais acessível a todos.

Um podcast do Kunumi que conta a historia do Juliano Viana (todo seu caminho no aprendizado de IA).

Nesse post (em inglês) vemos uma lista Top 10 Algoritmos de Machine Learning pra iniciantes.

Alguns livros:

Um dos livros mais clássicos e didáticos sobre o assunto é a Inteligência Artificial de Peter Norvig – Uma Abordagem Moderna.

Outro livro massa e bem conhecido é o Deep Learning por membros do MIT.

E, por fim dos livros, o de estudo de Python: Python Data Science Handbook por Jake VandersPlas.

Se pretende conhecer mais cientistas de dados que estão empenhados em estudar e fazer projetos nessa área, conheça e participe das competições no Kaggle!

Pra quem pretende fazer alguns cursos, temos:

Machine Learning, curso gratuito da Google

Curso de Machine Learning, Curso na Coursera

Curso de Machine Learning, na Data Science Academy

Participe de competições no Kaggle: plataforma que reúne cientistas de dados
um curso online da Udacity Intro to Machine Learning.

 

Concluindo

Essa foi nossa descomplicada tech da semana, a tendência mais quente na tecnologia para os próximos anos! Esse texto foi útil pra você? Escreve um comentário pra gente!

Texto escrito por Aline Almeida

 

Deixe um comentário!!!