É inegável o enriquecimento que o machine learning trouxe ao mundo desde a sua introdução. Essa ciência, dividida em duas áreas, tem no post de hoje a explicação de como funciona uma das suas ramificações: o aprendizado supervisionado. Já falamos aqui no blog da Aliger como funciona o aprendizado não supervisionado no Machine Learning. Confira agora como funciona seu par e as diferenças de aplicações entre os dois.

A forma como as máquinas aprendem

O segredo por trás do machine learning é fazer com que máquinas aprendam coisas da mesma forma que nós, humanos, aprendemos. Por isso, para entender a diferença entre os tipos de aprendizado no ML, é preciso primeiro pensar na forma como nós aprendemos. Imagine uma criança pequena que ainda está conhecendo os animais. Ela nunca viu nenhum animal de verdade. Como adulto, é sua responsabilidade mostrar que existem diferentes tipos de criaturas por aí. A experiência precisa prática, para que a criança aprenda melhor. Para executar esta tarefa, você terá duas opções:

1. Mostrar à criança, dentro de casa, alguns animais de estimação e nomear cada um deles;
2. Levá-la ao zoológico, onde há animais demais para serem nomeados, e deixar que ela descubra por si mesma os diferentes tipos.

De maneira simplista, a ideia é expor a criança a alguns tipos de bichos que você conhece e passar esse conhecimento para ela, expondo-a a vários bichos e deixá-la encontrar padrões por si mesma.

Aprendizado supervisionado: ensinando a criança dentro de casa

Se você optar pela primeira opção, a criança aprenderá o que são esses tipos de animais. Ela conseguirá encontrar padrões que você não entende — ou não tem em mente — e nem ela própria consegue expressar. Assim, você pode esperar que ela saiba o que é um gato, como ele age e o que come. A criança também poderá usar seus conhecimentos no exterior. Se ela vir um cachorro na rua, saberá que é um cachorro. Se vir algum bicho que não tinha como animal de estimação, ela não será capaz de reconhecer o tipo, mas saberá que não é nada a que foi apresentada. O que você acabou de fazer aqui é categorizar a criança como um classificador de Aprendizado Supervisionado. Você contou a ela seus nomes e tipos, explicou coisas com as quais ela se importa e pode rotular. Você deu a ela tempo suficiente para entender como eles agem e como ser capaz de diferenciar os animais. No aprendizado supervisionado, você fornece dados rotulados ao modelo para que ele possa aprender a generalizar com base nesses rótulos. Por exemplo, você alimenta um modelo com 1000 imagens de gatos, cada uma associada ao rótulo "gato" e 1000 imagens de cães, cada uma com o rótulo "cachorro". A maneira como o aprendizado supervisionado funciona exige que você tenha conhecimento suficiente sobre as classes (animais, em nossa analogia), para que você possa passar esse conhecimento (dados) para o classificador — que, no nosso exemplo, é a criança. A limitação aqui vem da necessidade de ter esses dados, o que geralmente é uma tarefa difícil.

Qual é melhor: supervisionado ou não supervisionado?

A teoria do aprendizado dos modelos de machine learning pode se enquadrar no aprendizado supervisionado ou não supervisionado. Esses dois podem ser considerados como "paradigmas de aprendizado" seguidos na prática ao criar um modelo de machine learning. Os dados rotulados são sempre desejáveis, pois podem ser usados em aplicativos supervisionados e não supervisionados. No entanto, eles geralmente são caros e mal se ajustam ao objetivo do aplicativo quando encontrados. A determinação do paradigma a seguir depende muito do aplicativo em questão e do tipo de dados disponíveis. Gostou de aprender sobre o aprendizado supervisionado? Agora que você já entende dos paradigmas de aprendizado no Machine Learning, siga a Aliger nas redes sociais para mais conteúdos como este!

Escrito por

Tags