{"id":3890,"date":"2025-01-31T16:19:53","date_gmt":"2025-01-31T19:19:53","guid":{"rendered":"https:\/\/geekblogti.wpengine.com\/?p=3890"},"modified":"2025-02-13T10:17:51","modified_gmt":"2025-02-13T13:17:51","slug":"aprendizado-de-maquina-e-seus-algoritmos","status":"publish","type":"post","link":"https:\/\/www.geekhunter.com/pt/blog\/aprendizado-de-maquina-e-seus-algoritmos\/","title":{"rendered":"Os algoritmos de machine learning"},"content":{"rendered":"\r\n

Machine Learning<\/strong> – ou, no bom portugu\u00eas: machine learning\u00a0– est\u00e1 cada vez mais em voga no mercado tech<\/em>. Tudo isso devido aos in\u00fameros cases de sucesso como: Netflix, Spotify, Amazon<\/strong> e tantas outras.<\/p>\r\n\r\n\r\n\r\n

Estas empresas est\u00e3o conseguindo transformar experi\u00eancias humanas e trazer alta intelig\u00eancia de neg\u00f3cios para si.<\/p>\r\n\r\n\r\n\r\n

Voc\u00ea n\u00e3o tem d\u00favidas de que o profissional conhecedor de machine learning ser\u00e1 um dos mais procurados em poucos anos, n\u00e9? O futuro \u00e9 brilhante.<\/p>\r\n\r\n\r\n\r\n

Para dar o pontap\u00e9 inicial na nossa s\u00e9rie de artigos sobre machine learning, hoje n\u00f3s abordaremos quais s\u00e3o os tipos de algoritmos e seus usos para cada caso.<\/p>\r\n\r\n\r\n\r\n

Vamos aprender mais sobre os algoritmos<\/a><\/strong> de machine learning? <\/p>\r\n\r\n\r\n\r\n

Vamos l\u00e1!<\/strong><\/p>\r\n\r\n\r\n\r\n

>> Leitura Recomendada:<\/em><\/strong>
<\/em>Intelig\u00eancia Artificial na sociedade<\/em><\/strong><\/a>: como a I.A. transformar\u00e1 o mundo?<\/em><\/p>\r\n\r\n\r\n\r\n

Os algoritmos de machine learning<\/h2>\r\n\r\n\r\n\r\n
\"liga\u00e7\u00f5es<\/figure>\r\n\r\n\r\n\r\n

Os algoritmos<\/strong> s\u00e3o classificados em \u00a0tr\u00eas categorias:<\/p>\r\n\r\n\r\n\r\n

    \r\n
  1. Algoritmos de aprendizagem supervisionado<\/strong>;<\/li>\r\n
  2. Algoritmos de aprendizagem n\u00e3o supervisionados<\/strong>;<\/li>\r\n
  3. Algoritmos de aprendizagem por refor\u00e7o<\/strong>;<\/li>\r\n<\/ol>\r\n\r\n\r\n\r\n

    O uso de um desses tr\u00eas algoritmos depende do tipo de dados que temos e quais respostas queremos obter com sua implementa\u00e7\u00e3o. Vamos aprender o que s\u00e3o cada uma das categorias, para usarmos o algoritmo adequado ao tipo de necessidade.<\/p>\r\n\r\n\r\n\r\n

    ><\/em>>Leitura Recomendada: <\/em><\/strong>
    <\/em>    Aprendizagem de Maquina: Supervisionada ou N\u00e3o Supervisionada?<\/em><\/strong><\/a><\/p>\r\n\r\n\r\n\r\n

    \"\"<\/a><\/figure>\r\n\r\n\r\n\r\n

    Algoritmos Supervisionados<\/strong><\/h3>\r\n\r\n\r\n\r\n

    Os algoritmos supervisionados<\/strong> podem ser subdivididos em algoritmos de classifica\u00e7\u00e3o<\/strong> e algoritmos de regress\u00e3o<\/strong>. <\/p>\r\n\r\n\r\n\r\n

    Os algoritmos de classifica\u00e7\u00e3o tem como objetivo classificar itens ou amostras de acordo com as caracter\u00edsticas observadas pelo supervisor, enquanto os algoritmos de regress\u00e3o funcionam com a compreens\u00e3o de rela\u00e7\u00e3o da m\u00e1quina, quanto \u00e0s vari\u00e1veis para prever valores.<\/p>\r\n\r\n\r\n\r\n

    Algoritmos de Classifica\u00e7\u00e3o<\/h3>\r\n\r\n\r\n\r\n

    Para utilizar algoritmos de classifica\u00e7\u00e3o, temos uma etapa inicial, com 3 steps<\/em>.<\/p>\r\n\r\n\r\n\r\n

    1\u00aa Etapa<\/strong><\/h4>\r\n\r\n\r\n\r\n
      \r\n
    1. Extra\u00e7\u00e3o de caracter\u00edsticas;<\/li>\r\n
    2. Algoritmo de aprendizagem;<\/li>\r\n
    3. Modelo aprendido;<\/li>\r\n<\/ol>\r\n\r\n\r\n\r\n

      Primeiramente extra\u00edmos as caracter\u00edsticas<\/strong>, ou seja, coletamos os dados que ser\u00e3o utilizados para que a m\u00e1quina possa procurar por padr\u00f5es e com isso gerar o modelo. <\/p>\r\n\r\n\r\n\r\n

      No step<\/em> do algoritmo de aprendizagem<\/strong> \u00e9 onde fica a figura do supervisor que organizar\u00e1 as classes\u00a0de cada conjunto de caracter\u00edsticas.<\/p>\r\n\r\n\r\n\r\n

      Um exemplo para ilustrar:<\/strong> Imagine um banco de imagens possuindo in\u00fameras fotos de patos e de gatos. O primeiro passo \u00e9 a extra\u00e7\u00e3o de caracter\u00edsticas:<\/p>\r\n\r\n\r\n\r\n

      Colocaremos na tabela abaixo um exemplo da extra\u00e7\u00e3o das caracter\u00edstica para dez amostras. O que for verdadeiro marcamos com 1 o que for falso marcamos com 0.<\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
      Amostras<\/td>\r\n\u00c9 peludo?<\/td>\r\nFaz miau?<\/td>\r\nTem penas?<\/td>\r\nTem asas?<\/td>\r\n\u00c9 animal dom\u00e9stico?<\/td>\r\n\u00c9 pequeno?<\/td>\r\n<\/tr>\r\n
      amostra 1<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n<\/tr>\r\n
      amostra 2<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n1<\/td>\r\n<\/tr>\r\n
      amostra 3<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n0<\/td>\r\n<\/tr>\r\n
      amostra 4<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n<\/tr>\r\n
      amostra 5<\/td>\r\n0<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

      Feito isso vem a segunda parte do uso de algoritmos de classifica\u00e7\u00e3o, onde o supervisor classifica as amostras entre gato ou pato. Gatos marcamos com G e pato com P.<\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
      Amostras<\/td>\r\n\u00c9 peludo?<\/td>\r\nFaz miau?<\/td>\r\nTem penas?<\/td>\r\nTem asas?<\/td>\r\n\u00c9 animal dom\u00e9stico?<\/td>\r\n\u00c9 pequeno?<\/td>\r\nQual \u00e9 o animal?<\/td>\r\n<\/tr>\r\n
      amostra 1<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\nG<\/td>\r\n<\/tr>\r\n
      amostra 2<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n1<\/td>\r\nP<\/td>\r\n<\/tr>\r\n
      amostra 3<\/td>\r\n1<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n0<\/td>\r\nG<\/td>\r\n<\/tr>\r\n
      amostra 4<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\nG<\/td>\r\n<\/tr>\r\n
      amostra 5<\/td>\r\n0<\/td>\r\n1<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\nG<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

      Agora a m\u00e1quina usar\u00e1 estes dados para identificar um padr\u00e3o e com isso aprender.<\/p>\r\n\r\n\r\n\r\n

      2\u00aa Etapa
      <\/strong><\/p>\r\n\r\n\r\n\r\n

        \r\n
      1. Extra\u00e7\u00e3o de caracter\u00edsticas<\/li>\r\n
      2. Modelo aprendido<\/li>\r\n<\/ol>\r\n\r\n\r\n\r\n

        Na segunda etapa pegamos uma nova amostra, cuja classifica\u00e7\u00e3o ainda n\u00e3o conhecemos, mas temos as caracter\u00edsticas: <\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        Amostras<\/td>\r\n\u00c9 peludo?<\/td>\r\nFaz miau?<\/td>\r\nTem penas?<\/td>\r\nTem asas?<\/td>\r\n\u00c9 animal dom\u00e9stico?<\/td>\r\n\u00c9 pequeno?<\/td>\r\n<\/tr>\r\n
        amostra oculta<\/td>\r\n0<\/td>\r\n0<\/td>\r\n1<\/td>\r\n1<\/td>\r\n1<\/td>\r\n1<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

        Ent\u00e3o inserimos estes dados no modelo aprendido – aquele da etapa inicial – e a m\u00e1quina classifica a amostra oculta em \u2018gato\u2019 ou \u2018pato\u2019. No caso acima falamos de \u2018pato\u2019.<\/p>\r\n\r\n\r\n\r\n

        >> Leitura recomendada:<\/strong>
        Minera\u00e7\u00e3o de texto: python para descobrir emo\u00e7\u00f5es<\/strong><\/a><\/p>\r\n\r\n\r\n\r\n

        Algoritmos de Regress\u00e3o<\/h3>\r\n\r\n\r\n\r\n

        As etapas para os algoritmos de regress\u00e3o<\/strong> s\u00e3o semelhantes aos algoritmos de classifica\u00e7\u00e3o<\/strong>, por\u00e9m neste caso ao inv\u00e9s de classificar os itens, nosso objetivo \u00e9 \u00a0fazer uma regress\u00e3o para tentar prever um n\u00famero, que pode ser valor de a\u00e7\u00e3o, pre\u00e7o de casa ou outra coisa.<\/p>\r\n\r\n\r\n\r\n

        Imagine que temos um banco de dados com caracter\u00edsticas de usu\u00e1rios de um seguro.<\/p>\r\n\r\n\r\n\r\n

        Com os dados que dispomos queremos prever o valor que ser\u00e1 pago como pr\u00eamio do seguro a um novo cliente. <\/p>\r\n\r\n\r\n\r\n

        1\u00aa Etapa<\/strong><\/h4>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        CLIENTE<\/td>\r\nIDADE<\/td>\r\nSEXO<\/td>\r\nIMC<\/td>\r\nFILHOS<\/td>\r\nFUMANTE<\/td>\r\nREGI\u00c3O<\/td>\r\n<\/tr>\r\n
        cliente 1<\/td>\r\n19<\/td>\r\nfeminino<\/td>\r\n27.9<\/td>\r\n0<\/td>\r\nn\u00e3o<\/td>\r\nsudeste<\/td>\r\n<\/tr>\r\n
        cliente 2<\/td>\r\n46<\/td>\r\nfeminino<\/td>\r\n33.44<\/td>\r\n1<\/td>\r\nn\u00e3o<\/td>\r\nsudeste<\/td>\r\n<\/tr>\r\n
        cliente 3<\/td>\r\n37<\/td>\r\nmasculino<\/td>\r\n29.83<\/td>\r\n2<\/td>\r\nn\u00e3o<\/td>\r\nnordeste<\/td>\r\n<\/tr>\r\n
        cliente 4<\/td>\r\n35<\/td>\r\nmasculino<\/td>\r\n36.7<\/td>\r\n1<\/td>\r\nsim<\/td>\r\nnordeste<\/td>\r\n<\/tr>\r\n
        cliente 5<\/td>\r\n39<\/td>\r\nfeminino<\/td>\r\n22.88<\/td>\r\n1<\/td>\r\nsim<\/td>\r\nsudeste<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

        Treinamento de modelo<\/strong><\/h4>\r\n\r\n\r\n\r\n

        Ent\u00e3o, logo depois de extrair os dados, o supervisor indicar\u00e1 quanto cada cliente recebeu para poder treinar o modelo.<\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        CLIENTE<\/td>\r\nIDADE<\/td>\r\nSEXO<\/td>\r\nIMC<\/td>\r\nFILHOS<\/td>\r\nFUMANTE<\/td>\r\nREGI\u00c3O<\/td>\r\npr\u00eamio do seguro (R$)<\/td>\r\n<\/tr>\r\n
        cliente 1<\/td>\r\n19<\/td>\r\nfeminino<\/td>\r\n27.9<\/td>\r\n0<\/td>\r\nn\u00e3o<\/td>\r\nsudeste<\/td>\r\n16884.92<\/td>\r\n<\/tr>\r\n
        cliente 2<\/td>\r\n46<\/td>\r\nfeminino<\/td>\r\n33.44<\/td>\r\n1<\/td>\r\nn\u00e3o<\/td>\r\nsudeste<\/td>\r\n8240.58<\/td>\r\n<\/tr>\r\n
        cliente 3<\/td>\r\n37<\/td>\r\nmasculino<\/td>\r\n29.83<\/td>\r\n2<\/td>\r\nn\u00e3o<\/td>\r\nnordeste<\/td>\r\n6406,41<\/td>\r\n<\/tr>\r\n
        cliente 4<\/td>\r\n35<\/td>\r\nmasculino<\/td>\r\n36.7<\/td>\r\n1<\/td>\r\nsim<\/td>\r\nnordeste<\/td>\r\n39774.27<\/td>\r\n<\/tr>\r\n
        cliente 5<\/td>\r\n39<\/td>\r\nfeminino<\/td>\r\n22.88<\/td>\r\n1<\/td>\r\nsim<\/td>\r\nsudeste<\/td>\r\n23244.79<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

        Com o modelo treinado, passamos para a etapa 2, dando entrada aos dados de um novo cliente que n\u00e3o tem o pr\u00eamio do seguro computado. Assim, tentamos prever com o modelo de regress\u00e3o quanto este cliente ganhar\u00e1 com o pr\u00eamio do seguro.<\/p>\r\n\r\n\r\n\r\n

        2\u00aa Etapa<\/strong><\/h4>\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        cliente desconhecido<\/td>\r\n28<\/td>\r\nmasculino<\/td>\r\n36.8<\/td>\r\n1<\/td>\r\nsim<\/td>\r\nsudeste<\/td>\r\n5067.55<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

        Nosso modelo previu que o cliente desconhecido ganhar\u00e1 com o pr\u00eamio do seguro R$ 5067.55. Agora cabe a seguradora decidir se \u00e9 interessante fazer o seguro ou n\u00e3o.<\/p>\r\n\r\n\r\n\r\n

        >> Leitura recomendada:<\/strong>
        Algoritmos de Recomenda\u00e7\u00e3o<\/strong><\/a>: como implement\u00e1-los?<\/p>\r\n\r\n\r\n\r\n

        \"\"<\/a><\/figure>\r\n\r\n\r\n\r\n

        Algoritmos n\u00e3o supervisionados<\/strong><\/h3>\r\n\r\n\r\n\r\n

        Neste tipo de aprendizado n\u00e3o h\u00e1 r\u00f3tulos, o algoritmo<\/strong> se encarrega de agrupar os dados em algum formato para melhor entendimento da estrutura, ou fazer a simplifica\u00e7\u00e3o dos dados.<\/p>\r\n\r\n\r\n\r\n

        Um exemplo disso s\u00e3o os atuais servi\u00e7os de indica\u00e7\u00e3o de filmes, livros m\u00fasica e etc (Exato, o Netflix \u00e9 um destes servi\u00e7os!<\/em>). <\/p>\r\n\r\n\r\n\r\n

        Imagine o seguinte caso:<\/strong> um servi\u00e7o de streaming<\/em> de filmes come\u00e7a indicar filmes para um usu\u00e1rio, por\u00e9m este usu\u00e1rio n\u00e3o gosta de nenhum filme.<\/p>\r\n\r\n\r\n\r\n

        A probabilidade deste cliente abandonar o servi\u00e7o \u00e9 grande, ent\u00e3o antes de indicar o filme o servi\u00e7o de streaming <\/em>agrupa seus usu\u00e1rios e com isso prev\u00ea qual a nota o usu\u00e1rio dar\u00e1 para um filme antes dele assistir. <\/p>\r\n\r\n\r\n\r\n

        \u00c9 com isso que se toma a decis\u00e3o de indicar o filme ou n\u00e3o.<\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        USU\u00c1RIO\/FILME<\/td>\r\nFILME 1<\/td>\r\nFILME 2<\/td>\r\nFILME 3<\/td>\r\nFILME 4<\/td>\r\nFILME 5<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 1<\/td>\r\n3<\/td>\r\n?????????<\/td>\r\n4<\/td>\r\n3<\/td>\r\n2<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 2<\/td>\r\n4<\/td>\r\n5<\/td>\r\n4<\/td>\r\n4<\/td>\r\n2<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 3<\/td>\r\n5<\/td>\r\n1<\/td>\r\n1<\/td>\r\n5<\/td>\r\n4<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 4<\/td>\r\n4<\/td>\r\n5<\/td>\r\n3<\/td>\r\n3<\/td>\r\n3<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 5<\/td>\r\n1<\/td>\r\n3<\/td>\r\n???????<\/td>\r\n2<\/td>\r\n????????<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n

        Agora como vamos saber se indicamos o filme 2 para o usu\u00e1rio 1? Para\u00a0tal o processo ser\u00e1 dividido em duas etapas, <\/p>\r\n\r\n\r\n\r\n

        Na primeira etapa iremos procurar por usu\u00e1rios similares ao usu\u00e1rio 1, isto \u00e9, usu\u00e1rios com gostos parecidos com o do usu\u00e1rio 1.<\/p>\r\n\r\n\r\n\r\n

        Na segunda etapa iremos calcular a prov\u00e1vel nota que o usu\u00e1rio 1 dar\u00e1 ao filme 2, com isso poderemos decidir se indicamos ou n\u00e3o o filme ao usu\u00e1rio 1. <\/p>\r\n\r\n\r\n\r\n

        1\u00aa Etapa: Busca por similares<\/strong><\/h4>\r\n\r\n\r\n\r\n

        O primeiro passo desta etapa \u00e9 calcular a correla\u00e7\u00e3o do usu\u00e1rio 1 com os demais usu\u00e1rios, para isso usaremos a seguinte f\u00f3rmula:<\/p>\r\n\r\n\r\n\r\n

        \"\"<\/figure>\r\n\r\n\r\n\r\n

        Essa \u00e9 a f\u00f3rmula de correla\u00e7\u00e3o entre dois elementos onde:<\/strong><\/p>\r\n\r\n\r\n\r\n

        \"\"\r\n
        \u00e9 a m\u00e9dia das avalia\u00e7\u00f5es de a em comum com b<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
        \"\"\r\n
        \u00e9 \u00a0a m\u00e9dia das avalia\u00e7\u00f5es em comum de b com a<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
        \"\"\r\n

        s\u00e3o as avalia\u00e7\u00f5es que a deu para o item i<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
        \"\"\r\n
        s\u00e3o as avalia\u00e7\u00f5es que b deu para o item i<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n

        Isso serve para calcularmos o ru1\u00a0<\/strong>(m\u00e9dia das notas do usu\u00e1rio 1 em comum com usu\u00e1rio 2) e o ru2<\/strong> (m\u00e9dia das notas do usu\u00e1rio 2 em comum com o usu\u00e1rio 1). Neste caso somente as notas que est\u00e3o com asteriscos.<\/p>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        USU\u00c1RIO\/FILME<\/strong><\/td>\r\nFILME 1<\/strong><\/td>\r\nFILME 2<\/strong><\/td>\r\nFILME 3<\/strong><\/td>\r\nFILME 4<\/strong><\/td>\r\nFILME 5<\/strong><\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 1<\/td>\r\n3*<\/td>\r\n?????????<\/td>\r\n4*<\/td>\r\n3*<\/td>\r\n2*<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 2<\/td>\r\n4*<\/td>\r\n5<\/td>\r\n4*<\/td>\r\n4*<\/td>\r\n2*<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 3<\/td>\r\n5*<\/td>\r\n1<\/td>\r\n1*<\/td>\r\n5*<\/td>\r\n4*<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 4<\/td>\r\n4*<\/td>\r\n5<\/td>\r\n3*<\/td>\r\n3*<\/td>\r\n3*<\/td>\r\n<\/tr>\r\n
        USU\u00c1RIO 5<\/td>\r\n1*<\/td>\r\n3<\/td>\r\n???????<\/td>\r\n2*<\/td>\r\n????????<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n\r\n\r\n\r\n
        \"\"<\/figure>\r\n\r\n\r\n\r\n

        Calculando a correla\u00e7\u00e3o dos dois temos que:
        <\/strong><\/p>\r\n\r\n\r\n\r\n