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:
- Mostrar à criança, dentro de casa, alguns animais de estimação e nomear cada um deles;
- 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!