Machine Learning e Deep Learning

Nesse artigo, vamos explicar dois termos técnicos bastante utilizados o Machine Learning e o Deep Learning.

Em diversos momentos, ao ler algum artigo ou matéria, nos deparamos com conceitos tecnológicos bastante utilizados, que se não temos conhecimento prévio podem afetar nossa compreensão.

Você sabe o que é inteligência artificial?

IA- pode ser considerado um termo genérico usado para retratar e sistemas autônomos capazes de gerar e agir de acordo com suas próprias regras criadas. Como se fosse um programa feito para tomar suas próprias decisões e imitar o pensamento humano.

Machine Learning- É uma das vertentes da Inteligência artificial. O aprendizado de maquina funciona através do treinamento, por meio do desenvolvimento de algoritmos. Ou seja, a aprendizagem acontece por tentativa, tentando imitar o aprendizado humano.

Sua principal função é identificar padrões de forma automática e assim poder realizar a tomada de decisões.

O Machine Learning pode ser dividido em aprendizado supervisionado, aprendizado não-supervisionado e aprendizado semi-supervisionado.

Aprendizado supervisionado- Consiste em utilizar um conjunto de dados previamente rotulados por especialistas de determinada área. Dessa forma, são atribuídas funções ou regras a objetos e classes.

Aprendizado não-supervisionado- É caracterizado por ser responsável por encontrar padrões em um determinado conjunto de dados, ou seja, são capazes de determinar como estão organizados certos dados.

Aprendizado semi-supervisionado- Compreende a classificação dos dados por meio da comparação de características presentes nos novos dados, ainda não rotulados, e nos dados previamente rotulados. Assim classificando-os de acordo com suas semelhanças.

Deep Learning- Pode ser traduzido como “Aprendizado Profundo” considerado uma subárea do Machine Learning, uma das principais técnicas de aprendizado de máquina. O aprendizado profundo se caracteriza por realizar a sua análise baseando-se em várias camadas e graus de importância. Ou seja, por existirem em vários graus de conceito, os níveis de conceito inferior ajudam a definir os níveis de conceito superior. Tornando, dessa forma, o processamento dos dados muito mais assertivos.

Assim podemos analisar a imagem a seguir.

Primeiro temos a entrada dos dados, a seguir sua classificação em diferentes camadas e graus de importância e por fim, a saída do dado já processado.

Fonte: Érika Kayoko Hamaguti, Fabricio Aparecido Breve – INTRODUÇÃO SOBRE MACHINE LEARNING E DEEP LEARNING.

RGE (Revista de Gestão e Estratégia) – Deep Learning