Machine-learning techniques are required to improve the accuracy of predictive models. Dependendo da natureza do problema de negócio a ser abordado, existem diferentes abordagens baseadas no tipo e volume dos dados. Nesta seção, discutimos as categorias de aprendizagem de máquinas.

Aprendizagem supervisionada

Aprendizagem supervisionada normalmente começa com um conjunto estabelecido de dados e uma certa compreensão de como esses dados são classificados. A aprendizagem supervisionada destina-se a encontrar padrões nos dados que podem ser aplicados a um processo analítico. Estes dados têm características marcadas que definem o significado dos dados. Por exemplo, você pode criar uma aplicação de aprendizagem supervisionada que distingue entre milhões de animais, com base em imagens e descrições escritas.

Aprendizagem sem supervisão

Aprendizagem sem supervisão é usada quando o problema requer uma quantidade enorme de dados não rotulados. Por exemplo, aplicativos de mídia social, tais como Twitter, Instagram e Snapchat, todos têm uma grande quantidade de dados não rotulados. Entender o significado desses dados requer algoritmos que classifiquem os dados com base nos padrões ou clusters encontrados.

Aprendizagem sem supervisão conduz um processo iterativo, analisando os dados sem intervenção humana. É utilizado com tecnologia de detecção de spam por e-mail. Há demasiadas variáveis em e-mails legítimos e spam para que um analista possa etiquetar e-mails em massa não solicitados. Em vez disso, classificadores de aprendizagem por máquina, baseados em agrupamento e associação, são aplicados para identificar e-mails indesejados.

Aprendizagem de reforço

Aprendizagem de reforço é um modelo de aprendizagem comportamental. O algoritmo recebe feedback da análise dos dados, guiando o usuário para o melhor resultado. A aprendizagem do reforço difere de outros tipos de aprendizagem supervisionada, porque o sistema não é treinado com o conjunto de dados da amostra. Ao contrário, o sistema aprende através de tentativa e erro. Portanto, uma sequência de decisões bem sucedidas resultará no reforço do processo, porque ele resolve melhor o problema em questão.

Deep learning

Deep learning é um método específico de aprendizagem de máquinas que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma forma iterativa. O aprendizado profundo é especialmente útil quando você está tentando aprender padrões a partir de dados não estruturados.

Deep learning complex neural networks are designed to emulate how the human brain work, so computers can be trained to deal with poorly defined abstractions and problems. A criança média de cinco anos de idade pode facilmente reconhecer a diferença entre o rosto do seu professor e o rosto do guarda da travessia. Em contraste, o computador deve fazer muito trabalho para descobrir quem é quem. Redes neurais e aprendizagem profunda são frequentemente usadas em aplicações de reconhecimento de imagem, fala e visão computacional.