localizeflow[bot]
0d0e054180
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
Introdução ao machine learning
Questionário pré-aula
🎥 Clique na imagem acima para ver um vídeo curto a acompanhar esta aula.
Bem-vindo a este curso de machine learning clássico para iniciantes! Quer seja completamente novo neste tópico, ou um praticante experiente de ML que procura rever uma área, estamos felizes por ter a sua companhia! Queremos criar um ponto de partida amigável para o seu estudo de ML e ficaríamos felizes em avaliar, responder e incorporar o seu feedback.
🎥 Clique na imagem acima para um vídeo: John Guttag do MIT apresenta machine learning
Começar com machine learning
Antes de começar com este currículo, precisa de ter o seu computador configurado e pronto para executar notebooks localmente.
- Configure o seu computador com estes vídeos. Use os seguintes links para aprender como instalar o Python no seu sistema e configurar um editor de texto para desenvolvimento.
- Aprenda Python. Também é recomendado ter uma compreensão básica de Python, uma linguagem de programação útil para cientistas de dados que usamos neste curso.
- Aprenda Node.js e JavaScript. Usamos também JavaScript algumas vezes neste curso quando construímos aplicações web, por isso vai precisar de ter node e npm instalados, bem como Visual Studio Code disponível para desenvolvimento em Python e JavaScript.
- Crie uma conta no GitHub. Como nos encontrou aqui no GitHub, pode já ter uma conta, mas se não, crie uma e depois faça fork deste currículo para usar por sua conta. (Sinta-se à vontade para nos dar uma estrela também 😊)
- Explore Scikit-learn. Familiarize-se com Scikit-learn, um conjunto de bibliotecas de ML que referenciamos nestas lições.
O que é machine learning?
O termo 'machine learning' é um dos termos mais populares e frequentemente usados atualmente. Existe uma possibilidade não trivial de já ter ouvido este termo pelo menos uma vez se tiver alguma familiaridade com tecnologia, independentemente da área em que trabalha. No entanto, os mecanismos do machine learning são um mistério para a maioria das pessoas. Para um iniciante em machine learning, o assunto pode por vezes parecer avassalador. Por isso, é importante compreender o que é realmente machine learning e aprender passo a passo, através de exemplos práticos.
A curva do hype
Google Trends mostra a recente 'curva do hype' do termo 'machine learning'
Um universo misterioso
Vivemos num universo cheio de mistérios fascinantes. Grandes cientistas como Stephen Hawking, Albert Einstein, e muitos mais, dedicaram as suas vidas a procurar informação significativa que desvenda os mistérios do mundo à nossa volta. Esta é a condição humana de aprender: uma criança humana aprende coisas novas e descobre a estrutura do seu mundo ano após ano enquanto cresce até à idade adulta.
O cérebro da criança
O cérebro e os sentidos de uma criança percebem os factos do seu meio e gradualmente aprendem os padrões ocultos da vida que ajudam a criança a criar regras lógicas para identificar os padrões aprendidos. O processo de aprendizagem do cérebro humano faz dos humanos a criatura mais sofisticada deste mundo. Aprender continuamente ao descobrir padrões ocultos e depois inovar nesses padrões permite-nos melhorar cada vez mais ao longo da nossa vida. Esta capacidade de aprendizagem e evolução está relacionada com um conceito chamado plasticidade cerebral. Superficialmente, podemos traçar algumas semelhanças motivacionais entre o processo de aprendizagem do cérebro humano e os conceitos do machine learning.
O cérebro humano
O cérebro humano percebe coisas do mundo real, processa a informação percebida, toma decisões racionais e executa certas ações baseadas nas circunstâncias. Isto é o que chamamos de comportamento inteligente. Quando programamos uma réplica do processo de comportamento inteligente numa máquina, chamamos-lhe inteligência artificial (IA).
Alguma terminologia
Embora os termos possam ser confundidos, machine learning (ML) é um subconjunto importante da inteligência artificial. ML preocupa-se com o uso de algoritmos especializados para descobrir informação significativa e encontrar padrões ocultos a partir dos dados percebidos para corroborar o processo de tomada de decisões racionais.
IA, ML, Deep Learning
Diagrama mostrando as relações entre IA, ML, deep learning e ciência de dados. Infografia por Jen Looper inspirada por este gráfico
Conceitos a cobrir
Neste currículo, vamos cobrir apenas os conceitos base do machine learning que um iniciante deve conhecer. Cobrimos o que chamamos 'machine learning clássico' principalmente usando Scikit-learn, uma excelente biblioteca que muitos alunos usam para aprender o básico. Para compreender conceitos mais amplos de inteligência artificial ou deep learning, um conhecimento fundamental forte de machine learning é indispensável, e por isso gostaríamos de o oferecer aqui.
Neste curso vai aprender:
- conceitos base de machine learning
- a história do ML
- ML e a equidade
- técnicas de ML para regressão
- técnicas de ML para classificação
- técnicas de ML para clustering
- técnicas de ML para processamento de linguagem natural
- técnicas de ML para previsão de séries temporais
- aprendizagem por reforço
- aplicações reais do ML
O que não iremos cobrir
- deep learning
- redes neurais
- IA
Para proporcionar uma melhor experiência de aprendizagem, vamos evitar as complexidades das redes neurais, 'deep learning' - construção de modelos com várias camadas usando redes neurais - e IA, que discutiremos noutro currículo. Também iremos oferecer um futuro currículo sobre ciência de dados para nos focarmos nesse aspeto deste campo maior.
Porque estudar machine learning?
Machine learning, do ponto de vista dos sistemas, é definido como a criação de sistemas automatizados que podem aprender padrões ocultos a partir dos dados para ajudar na tomada de decisões inteligentes.
Esta motivação é vagamente inspirada por como o cérebro humano aprende certas coisas baseando-se nos dados que percebe do mundo exterior.
✅ Pense por um momento porque é que uma empresa gostaria de tentar usar estratégias de machine learning em vez de criar um motor baseado em regras codificadas manualmente.
Porque a qualidade dos dados importa
Dados de alta qualidade melhoram o desempenho do modelo. Dados pobres ou ruidosos podem levar a previsões imprecisas, mesmo quando são usados algoritmos avançados de machine learning.
Aplicações do machine learning
As aplicações do machine learning estão agora quase em todo o lado, e são tão ubiquas como os dados que circulam nas nossas sociedades, gerados pelos nossos telemóveis, dispositivos conectados e outros sistemas. Considerando o imenso potencial dos algoritmos de machine learning de última geração, os investigadores têm explorado a sua capacidade para resolver problemas reais multidimensionais e multidisciplinares com grandes resultados positivos.
Exemplos de ML aplicado
Pode usar machine learning de muitas formas:
- Para prever a probabilidade de doença a partir do histórico médico ou relatórios de um paciente.
- Para aproveitar dados meteorológicos para prever eventos climáticos.
- Para entender o sentimento de um texto.
- Para detetar notícias falsas para parar a propagação de propaganda.
Finanças, economia, ciência da terra, exploração espacial, engenharia biomédica, ciência cognitiva, e até áreas das humanidades adaptaram o machine learning para resolver problemas árduos e pesados de processamento de dados do seu domínio.
Conclusão
Machine learning automatiza o processo de descoberta de padrões ao encontrar perceções significativas a partir de dados do mundo real ou gerados. Tem-se revelado altamente valioso em negócios, saúde, e aplicações financeiras, entre outras.
Num futuro próximo, compreender os fundamentos do machine learning será obrigatório para pessoas de qualquer área devido à sua ampla adoção.
🚀 Desafio
Desenhe, em papel ou usando uma aplicação online como Excalidraw, a sua compreensão das diferenças entre IA, ML, deep learning, e ciência de dados. Adicione algumas ideias dos problemas que cada uma destas técnicas é boa a resolver.
Questionário pós-aula
Revisão & Autoestudo
Para aprender mais sobre como pode trabalhar com algoritmos de ML na cloud, siga este Percurso de Aprendizagem.
Faça um Percurso de Aprendizagem sobre os conceitos básicos de ML.
Tarefa
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.