Os diferentes algoritmos de aprendizado de máquina são agrupados em uma taxonomia com base em seus resultados. Alguns tipos de algoritmos são:

A análise computacional e de desempenho de algoritmos de aprendizado de máquina é um ramo da estatística conhecido como teoria do aprendizado computacional.

As pessoas realizam o aprendizado de máquina automaticamente, pois é um processo tão simples para nós que nem percebemos como é feito e tudo o que envolve. Desde o nascimento até a morte, o ser humano realiza diversos processos, entre eles encontramos a aprendizagem através da qual adquirimos conhecimentos, desenvolvemos competências para analisar e avaliar através de métodos e técnicas, bem como através da nossa própria experiência. No entanto, as máquinas devem ser ensinadas a aprender, pois se uma máquina não for capaz de desenvolver as suas competências, o processo de aprendizagem não ocorrerá, mas será apenas uma sequência repetitiva.

Árvores de decisão

Este tipo de aprendizagem utiliza uma árvore de decisão como modelo preditivo. As observações sobre um objeto são mapeadas com conclusões sobre o valor final desse objeto.

Árvores são estruturas básicas em computação. As árvores de atributos são a base para as decisões.

Uma das duas principais formas de árvores de decisão é a desenvolvida por Quinlan para medir a impureza de entropia (Entropia (informação)) em cada ramo, algo que ele desenvolveu primeiro no algoritmo ID3 e depois no C4.5. Outra estratégia é baseada no índice GINI. O algoritmo CART é uma implementação desta estratégia.[6]​.

Regras de associação

Os algoritmos de regras de associação procuram descobrir relações interessantes entre variáveis. Entre os métodos mais conhecidos estão o algoritmo a priori, o algoritmo Eclat e o algoritmo de padrões frequentes.

Algoritmos genéticos

Algoritmos genéticos são processos de busca heurística que simulam a seleção natural. Eles utilizam métodos como mutação e cruzamento para gerar novas classes que possam oferecer uma boa solução para um determinado problema.

Redes neurais artificiais

Redes neurais artificiais (RNAs) são um paradigma de aprendizado de máquina inspirado em neurônios do sistema nervoso animal. É um sistema de ligações de neurônios que colaboram entre si para produzir um estímulo de saída. As conexões possuem pesos numéricos adaptados de acordo com a experiência. Dessa forma, as redes neurais se adaptam a um impulso e são capazes de aprender. A importância das redes neurais caiu durante algum tempo com o desenvolvimento de vetores de suporte e classificadores lineares, mas ressurgiu no final dos anos 2000 com o advento da aprendizagem profunda.

Máquinas de vetores de suporte

MVS são uma série de métodos de aprendizagem supervisionada usados ​​para classificação e regressão. Os algoritmos MVS usam um conjunto de exemplos de treinamento classificados em duas categorias para construir um modelo que prevê se um novo exemplo pertence a uma ou outra dessas categorias.

Algoritmos de cluster

A análise de agrupamento é a classificação de observações em subgrupos —clusters— de modo que as observações em cada grupo sejam semelhantes entre si de acordo com determinados critérios.

As técnicas de clustering fazem diferentes inferências sobre a estrutura dos dados; Geralmente são guiados por uma medida específica de similaridade e por um nível de compacidade interna (semelhança entre membros de um grupo) e separação entre diferentes grupos.

Clustering é um método de aprendizagem não supervisionado e uma técnica de análise estatística de dados muito popular.

Redes Bayesianas

Uma rede Bayesiana, rede de crenças ou modelo acíclico direcionado é um modelo probabilístico que representa uma série de variáveis ​​aleatórias e sua independência condicional através de um gráfico acíclico direcionado. Uma rede bayesiana pode representar, por exemplo, relações probabilísticas entre doenças e sintomas. Dados certos sintomas, a rede pode ser usada para calcular as probabilidades de certas doenças estarem presentes em um organismo. Existem algoritmos eficientes que inferem e aprendem utilizando esse tipo de representação.

No aprendizado de máquina podemos obter 3 tipos de conhecimento, que são:

Todos os três tipos são realizados durante um processo de aprendizado de máquina, mas a importância de cada tipo de conhecimento depende das características daquilo que você está tentando aprender.

Aprender é mais do que uma necessidade, é um fator primordial para atender às necessidades da inteligência artificial.

A aprendizagem supervisionada caracteriza-se por possuir informações que especificam quais conjuntos de dados são satisfatórios para o objetivo de aprendizagem. Um exemplo poderia ser um software que reconhece se uma determinada imagem é ou não a imagem de um rosto: para aprender o programa teríamos que fornecer-lhe imagens diferentes, especificando no processo se são ou não rostos.

Já na aprendizagem não supervisionada, o programa não possui dados que definam quais informações são satisfatórias ou não. O principal objetivo desses programas geralmente é encontrar padrões que permitam separar e classificar os dados em diferentes grupos, com base em seus atributos. Seguindo o exemplo anterior, um software de aprendizagem não supervisionada não seria capaz de nos dizer se uma determinada imagem é um rosto ou não, mas poderia, por exemplo, classificar as imagens entre aquelas que contêm rostos humanos, rostos de animais ou aquelas que não contêm. As informações obtidas por um algoritmo de aprendizagem não supervisionado devem posteriormente ser interpretadas por uma pessoa para torná-las úteis.

Abaixo está uma série de tópicos que podem fazer parte do plano de estudos de um curso sobre aprendizado de máquina.

O aprendizado de máquina nasceu da busca pela inteligência artificial. Já nos primórdios da IA ​​como disciplina acadêmica, alguns pesquisadores se interessaram em fazer as máquinas aprenderem. Eles tentaram resolver o problema com vários métodos simbólicos, bem como com o que chamaram de 'redes neurais', que geralmente eram perceptrons e outros modelos baseados basicamente em modelos lineares generalizados, conhecidos em estatística.

Desde a década de 2010, os avanços nos algoritmos de aprendizado de máquina e no hardware de computação levaram a métodos mais eficientes para treinar redes neurais profundas (um subdomínio específico e restrito do aprendizado de máquina) que contêm muitas camadas de unidades ocultas não lineares.[7] Em 2019, as unidades de processamento gráfico (GPUs), muitas vezes com melhorias específicas de IA, substituíram as CPUs como o método dominante para treinar IA em nuvem comercial em grande escala.[8] Computação de hardware estimada OpenAI. usado nos maiores projetos de aprendizagem profunda, de AlexNet (2012) a AlphaZero (2017), e encontrou um aumento de 300.000 vezes na quantidade de computação necessária, com uma linha de tendência de duplicação de 3,4 meses.[9]​[10]​.

Os algoritmos de aprendizado de máquina muitas vezes podem ser afetados por distorções nos dados (consulte viés algorítmico). Por exemplo, nem todas as entradas para as quais não foi recebida qualquer informação na fase de formação podem ser classificadas. Na verdade, quando o treinamento é realizado com dados classificados por humanos, o aprendizado de máquina tende a criar os mesmos preconceitos que existem na sociedade. Alguns exemplos disso são quando em 2015 o algoritmo do Google Fotos identificou alguns negros como gorilas ou em 2016 quando o bot do Twitter da Microsoft desenvolveu comportamentos racistas e sexistas com base na observação do tráfego de dados na referida rede social. Por esta razão, nos últimos anos tem havido uma tendência para desenvolver métodos para aumentar a justiça "Justiça (aprendizado de máquina)"), ou seja, para reduzir o preconceito neste tipo de algoritmos por parte dos especialistas em IA. Citando Fei-fei Li "Não há nada de especial na IA. Ela é inspirada por pessoas, é criada por pessoas e, o mais importante, impacta as pessoas. É uma ferramenta muito poderosa que apenas começamos a entender, e isso é uma grande responsabilidade" [12]​.

Os diferentes algoritmos de aprendizado de máquina são agrupados em uma taxonomia com base em seus resultados. Alguns tipos de algoritmos são:

A análise computacional e de desempenho de algoritmos de aprendizado de máquina é um ramo da estatística conhecido como teoria do aprendizado computacional.

As pessoas realizam o aprendizado de máquina automaticamente, pois é um processo tão simples para nós que nem percebemos como é feito e tudo o que envolve. Desde o nascimento até a morte, o ser humano realiza diversos processos, entre eles encontramos a aprendizagem através da qual adquirimos conhecimentos, desenvolvemos competências para analisar e avaliar através de métodos e técnicas, bem como através da nossa própria experiência. No entanto, as máquinas devem ser ensinadas a aprender, pois se uma máquina não for capaz de desenvolver as suas competências, o processo de aprendizagem não ocorrerá, mas será apenas uma sequência repetitiva.

Árvores de decisão

Este tipo de aprendizagem utiliza uma árvore de decisão como modelo preditivo. As observações sobre um objeto são mapeadas com conclusões sobre o valor final desse objeto.

Árvores são estruturas básicas em computação. As árvores de atributos são a base para as decisões.

Uma das duas principais formas de árvores de decisão é a desenvolvida por Quinlan para medir a impureza de entropia (Entropia (informação)) em cada ramo, algo que ele desenvolveu primeiro no algoritmo ID3 e depois no C4.5. Outra estratégia é baseada no índice GINI. O algoritmo CART é uma implementação desta estratégia.[6]​.

Regras de associação

Os algoritmos de regras de associação procuram descobrir relações interessantes entre variáveis. Entre os métodos mais conhecidos estão o algoritmo a priori, o algoritmo Eclat e o algoritmo de padrões frequentes.

Algoritmos genéticos

Algoritmos genéticos são processos de busca heurística que simulam a seleção natural. Eles utilizam métodos como mutação e cruzamento para gerar novas classes que possam oferecer uma boa solução para um determinado problema.

Redes neurais artificiais

Redes neurais artificiais (RNAs) são um paradigma de aprendizado de máquina inspirado em neurônios do sistema nervoso animal. É um sistema de ligações de neurônios que colaboram entre si para produzir um estímulo de saída. As conexões possuem pesos numéricos adaptados de acordo com a experiência. Dessa forma, as redes neurais se adaptam a um impulso e são capazes de aprender. A importância das redes neurais caiu durante algum tempo com o desenvolvimento de vetores de suporte e classificadores lineares, mas ressurgiu no final dos anos 2000 com o advento da aprendizagem profunda.

Máquinas de vetores de suporte

MVS são uma série de métodos de aprendizagem supervisionada usados ​​para classificação e regressão. Os algoritmos MVS usam um conjunto de exemplos de treinamento classificados em duas categorias para construir um modelo que prevê se um novo exemplo pertence a uma ou outra dessas categorias.

Algoritmos de cluster

A análise de agrupamento é a classificação de observações em subgrupos —clusters— de modo que as observações em cada grupo sejam semelhantes entre si de acordo com determinados critérios.

As técnicas de clustering fazem diferentes inferências sobre a estrutura dos dados; Geralmente são guiados por uma medida específica de similaridade e por um nível de compacidade interna (semelhança entre membros de um grupo) e separação entre diferentes grupos.

Clustering é um método de aprendizagem não supervisionado e uma técnica de análise estatística de dados muito popular.

Redes Bayesianas

Uma rede Bayesiana, rede de crenças ou modelo acíclico direcionado é um modelo probabilístico que representa uma série de variáveis ​​aleatórias e sua independência condicional através de um gráfico acíclico direcionado. Uma rede bayesiana pode representar, por exemplo, relações probabilísticas entre doenças e sintomas. Dados certos sintomas, a rede pode ser usada para calcular as probabilidades de certas doenças estarem presentes em um organismo. Existem algoritmos eficientes que inferem e aprendem utilizando esse tipo de representação.

No aprendizado de máquina podemos obter 3 tipos de conhecimento, que são:

Todos os três tipos são realizados durante um processo de aprendizado de máquina, mas a importância de cada tipo de conhecimento depende das características daquilo que você está tentando aprender.

Aprender é mais do que uma necessidade, é um fator primordial para atender às necessidades da inteligência artificial.

A aprendizagem supervisionada caracteriza-se por possuir informações que especificam quais conjuntos de dados são satisfatórios para o objetivo de aprendizagem. Um exemplo poderia ser um software que reconhece se uma determinada imagem é ou não a imagem de um rosto: para aprender o programa teríamos que fornecer-lhe imagens diferentes, especificando no processo se são ou não rostos.

Já na aprendizagem não supervisionada, o programa não possui dados que definam quais informações são satisfatórias ou não. O principal objetivo desses programas geralmente é encontrar padrões que permitam separar e classificar os dados em diferentes grupos, com base em seus atributos. Seguindo o exemplo anterior, um software de aprendizagem não supervisionada não seria capaz de nos dizer se uma determinada imagem é um rosto ou não, mas poderia, por exemplo, classificar as imagens entre aquelas que contêm rostos humanos, rostos de animais ou aquelas que não contêm. As informações obtidas por um algoritmo de aprendizagem não supervisionado devem posteriormente ser interpretadas por uma pessoa para torná-las úteis.

Abaixo está uma série de tópicos que podem fazer parte do plano de estudos de um curso sobre aprendizado de máquina.

O aprendizado de máquina nasceu da busca pela inteligência artificial. Já nos primórdios da IA ​​como disciplina acadêmica, alguns pesquisadores se interessaram em fazer as máquinas aprenderem. Eles tentaram resolver o problema com vários métodos simbólicos, bem como com o que chamaram de 'redes neurais', que geralmente eram perceptrons e outros modelos baseados basicamente em modelos lineares generalizados, conhecidos em estatística.

Desde a década de 2010, os avanços nos algoritmos de aprendizado de máquina e no hardware de computação levaram a métodos mais eficientes para treinar redes neurais profundas (um subdomínio específico e restrito do aprendizado de máquina) que contêm muitas camadas de unidades ocultas não lineares.[7] Em 2019, as unidades de processamento gráfico (GPUs), muitas vezes com melhorias específicas de IA, substituíram as CPUs como o método dominante para treinar IA em nuvem comercial em grande escala.[8] Computação de hardware estimada OpenAI. usado nos maiores projetos de aprendizagem profunda, de AlexNet (2012) a AlphaZero (2017), e encontrou um aumento de 300.000 vezes na quantidade de computação necessária, com uma linha de tendência de duplicação de 3,4 meses.[9]​[10]​.

Os algoritmos de aprendizado de máquina muitas vezes podem ser afetados por distorções nos dados (consulte viés algorítmico). Por exemplo, nem todas as entradas para as quais não foi recebida qualquer informação na fase de formação podem ser classificadas. Na verdade, quando o treinamento é realizado com dados classificados por humanos, o aprendizado de máquina tende a criar os mesmos preconceitos que existem na sociedade. Alguns exemplos disso são quando em 2015 o algoritmo do Google Fotos identificou alguns negros como gorilas ou em 2016 quando o bot do Twitter da Microsoft desenvolveu comportamentos racistas e sexistas com base na observação do tráfego de dados na referida rede social. Por esta razão, nos últimos anos tem havido uma tendência para desenvolver métodos para aumentar a justiça "Justiça (aprendizado de máquina)"), ou seja, para reduzir o preconceito neste tipo de algoritmos por parte dos especialistas em IA. Citando Fei-fei Li "Não há nada de especial na IA. Ela é inspirada por pessoas, é criada por pessoas e, o mais importante, impacta as pessoas. É uma ferramenta muito poderosa que apenas começamos a entender, e isso é uma grande responsabilidade" [12]​.