article
3. Aprendizado de Máquina (Machine Learning)
O Aprendizado de Máquina (Machine Learning) é a capacidade de sistemas computacionais melhorarem seu desempenho em tarefas a partir da experiência — ou seja, através da análise de dados e do ajuste de modelos, sem serem explicitamente programados para cada regra.
Tipos de aprendizado
Supervisionado (preditivo)
O modelo é treinado com entradas (X) e rótulos (Y) conhecidos.
| Tarefa | Saída | Exemplos de algoritmos |
|---|---|---|
| Classificação | Categoria discreta | Naive Bayes, Árvores de Decisão, SVM |
| Regressão | Valor contínuo | Regressão Linear |
Não supervisionado (descritivo)
O modelo explora dados sem rótulos para encontrar padrões ou estruturas.
| Tarefa | Objetivo | Exemplos de algoritmos |
|---|---|---|
| Clustering | Agrupar registros similares | K-Means |
| Regras de associação | Encontrar coocorrências | Apriori |
Por reforço
Aprendizado por tentativa e erro, guiado por recompensas e penalidades. Aplicações: robótica, controle e agentes autônomos.
Fluxo geral de um projeto de ML
- Coletar e entender os dados.
- Pré-processar (limpar, transformar, escalonar).
- Dividir em treino e teste.
- Treinar o modelo.
- Avaliar e interpretar os resultados.
Os capítulos seguintes detalham cada etapa e os algoritmos usados na disciplina.