UNIVERSIDADE ESTADUAL DA PARAÍBA
CAMPUS V
CURSO DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS
Centro
Discentes: Adam Ramos Pereira Dias, Leones Silva de Oliveira ,Carlos Da Silva Santos
e Anderson Matheus Correia Souza de Assunção
DISCIPLINA: INTRODUÇÃO A COMPUTAÇÃO E LÓGICA
Fundamentos de Machine Learning: Uma introdução às técnicas básicas, com aplicações
práticas.
João Pessoa
2023
SUMÁRIO
1.INTRODUÇÃO...................................................................................................................... 3
2. Revisão BIBLIOGRÁFICA................................................................................................. 3
2.1 Objetivos Geral(Subtítulos)............................................................................................ 3
3. CONCLUSÃO....................................................................................................................... 4
REFERÊNCIAS........................................................................................................................ 5
1.INTRODUÇÃO
O objetivo deste artigo é transmitir um entendimento fundamental de Machine
Learning. Machine Learning é uma disciplina da área da Inteligência Artificial que, por meio
de algoritmos, dá aos computadores a capacidade de identificar padrões em dados massivos e
fazer previsões (análise preditiva).
A machine learning teve origem no ano de 1950, quando o pai da Computação, Alan
Turing , realizou experimentos para testar a capacidade das máquinas " raciocinarem ". Dois
anos depois, o engenheiro Arthur Samuel desenvolveu o primeiro programa capaz de
aprender: um jogo de damas, em que a máquina se desenvolvia a cada jogo realizado.
Pela primeira vez em 1959, Arthur Samuel usou o termo "Machine Learnig". A partir disso,
houve um impulso no desenvolvimento de computadores, que cada vez mais se aprimoraram
e avançaram exponencialmente, no processamento de dados, cada vez mais complexos.
Além disso, esse enfoque se baseia na utilização de dados e algoritmos para emular o
processo de aprendizagem humano, aprimorando constantemente sua acurácia. Isso capacita
os computadores a executarem tarefas precisas de maneira automatizada, sem a necessidade
de serem programados explícitamente para realizar tais atividades.
2. REVISÃO BIBLIOGRÁFICA
Os algoritmos de aprendizado de máquina são parte da IA e referem-se a técnicas que
permitem que os computadores aprendam padrões a partir de dados, melhorando
automaticamente o desempenho em tarefas específicas. Redes neurais artificiais são um
subconjunto dos algoritmos de aprendizado de máquina, inspirados pelo funcionamento do
cérebro humano. Elas consistem em unidades interconectadas, cada uma realizando cálculos
simples. A combinação dessas unidades permite a aprendizagem a partir dos dados. Redes
neurais profundas são uma forma avançada de redes neurais artificiais, composta por várias
camadas de unidades interconectadas.
Essas redes são capazes de capturar representações complexas dos dados e têm sido
especialmente bem-sucedidas em tarefas como reconhecimento de padrões e processamento
de imagens. Além disso, é importante destacar que a Inteligência Artificial abarca técnicas
que capacitam sistemas computacionais a realizar ações de alta complexidade similares às
humanas. Dentro desse âmbito,os algoritmos de aprendizado de máquina utilizam dados para
melhorar o desempenho, enquanto as redes neurais artificiais e profundas são abordagens
específicas para aprimorar essa capacidade, por meio da modelagem de padrões e informações
complexas.
Figura 1
Fonte: Lawtomated - A.I. Technical: Machine vs Deep Learning (2019)
A pesquisa inicial em IA focava principalmente em declarações codificadas em linguagens
formais, nas quais um computador poderia então raciocinar automaticamente com base em
regras de inferência lógica. Isso também é conhecido como abordagem de base de
conhecimento No entanto, esse paradigma enfrenta várias limitações, já que os seres humanos
geralmente têm dificuldade em explicar todo o seu conhecimento tácito necessário para
realizar tarefas complexas.
2.1 Aprendizado de máquina
Em termos gerais, o aprendizado de máquina significa que o desempenho de um
programa de computador melhora com a experiência em relação a uma classe de tarefas e
medidas. Dessa forma, o objetivo é automatizar a tarefa de construção de modelos analíticos
para realizar tarefas cognitivas como detecção de objetos ou tradução de linguagem natural.
Isso é alcançado aplicando algoritmos que aprendem iterativamente a partir de dados de
treinamento específicos do problema, permitindo que os computadores encontrem insights
ocultos e padrões complexos sem serem programados explicitamente.
Dependendo da tarefa de aprendizado, o campo oferece várias classes de algoritmos de
aprendizado de máquina, cada uma delas com múltiplas especificações e variantes, incluindo
modelos de regressão, algoritmos baseados em instâncias e árvores de decisão. A família de
redes neurais artificiais é de particular interesse, pois sua estrutura flexível permite que sejam
modificadas para uma ampla variedade de contextos nos três tipos de aprendizado de
máquina.
FIGURA 2
FONTE: UNESP - O que é uma rede neural e para que serve? (2022)
2.1 Redes Neurais profundas
As redes neurais profundas são como estruturas de quebra-cabeça com várias camadas
que ajudam a entender informações complexas. Elas usam operações especiais, como olhar
para partes importantes em uma imagem, e podem aprender automaticamente como entender
diferentes tipos de dados, como imagens, texto ou sons. Demonstram excelência ao lidar com
enormes conjuntos de dados, vastas coleções de imagens ou extensos textos e são melhores do
que os métodos mais simples em muitos casos. No entanto, quando nos deparamos com
escassez de dados ou queremos entender exatamente como elas tomam decisões, métodos
mais simples ainda se mostram vantajosos. Embora as redes neurais profundas sejam
competentes em diversas atividades, suas capacidades ainda são limitadas, como entender
completamente o significado dos elementos ou ter intenções semelhantes aos humanos. Isso é
importante lembrar, mesmo que elas sejam muito poderosas
Construção do Modelo
No processo de construção de modelos de forma automatizada, a entrada é empregada por um
algoritmo de aprendizado com o propósito de identificar padrões e relações pertinentes à
tarefa de aprendizado em questão. Com base nesse princípio, cada categoria de algoritmos de
aprendizado adota diferentes mecanismos para a edificação de modelos analíticos. Por
exemplo, ao elaborar um modelo de classificação, os algoritmos de árvore de decisão
exploram o espaço de recursos ao dividir de maneira gradual os registros de dados em
partições cada vez mais homogêneas, seguindo uma estrutura hierárquica assemelhada a uma
árvore.
Fonte:
3. CONCLUSÃO
Ao vislumbrar um futuro moldado pelo machine learning, é essencial assumir grandes
responsabilidades em relação a tecnologia e garantir a melhora de vida dos usuários,
promovendo novas criações científicas e inovações., tais como: Classificação de imagem,
Detecção de objetos(Carros autônomos), Reconstrução de objetos(Modelagem de Objetos 3d),
e outras aplicações. À medida que continuamos a gerar enormes volumes de dados no cenário
digital contemporâneo, algoritmos e métodos de aprendizado tornam-se ainda mais cruciais
para a extração de percepções e geração de valor a partir dessas informações. Esta abordagem
ganhou amplitude devido à sua eficácia e flexibilidade, sendo o aprendizado de máquina
empregado de maneira descomplicada e eficaz no cotidiano de inúmeras pessoas..
Portanto, à luz desses avanços notáveis, passa a ser necessário refletir a complexidade da vida
real, o surgimento de novos hardware com especialidades acelerando a capacidade de
treinamento e interferências. Essas evoluções estão, de fato, desbloqueando portas para um
leque de possibilidades transformadoras em nosso mundo
REFERÊNCIAS
SHARMA, Neha; SHARMA, Reecha; JINDAL, Neeru. Machine Learning and Deep
Learning Applications - A Vision. Global Transitions Proceedings, v. 2, n. 1, p. 24-28, june,
2021.
JANIESCH, Christian; ZSCHECH, Patrick; HEINRICH, Kai. Machine learning and deep
learning. Electronic Markets, v. 31, p. 685-695, 08 april 2021.
