O que é Machine Learning?

o que é machine learning

Compartilhe esse post

Se você falar sobre Machine Learning com um amigo ou colega um dia, você corre o risco de alguém realmente perguntar:

“ O que ‘diabos’ é aprendizado de máquina?“

 

Seguimento do post

O objetivo deste post é dar-lhe algumas definições mais abrangentes para você pensar sobre e também uma definição acessível de uma linha que é fácil de lembrar.

Começaremos vendo as definições padrão de Aprendizado de Máquina retiradas de livros-texto autorizados no campo.

Em seguida vamos desenvolvendo uma definição de desenvolvedores de aprendizado de máquina e por fim uma definição de uma linha que podemos usar sempre que nos perguntarem:

O que é machine learning?”

 

Definições padrão de o que é machine learning

Vamos começar examinando quatro livros didáticos sobre Machine Learning que são comumente usados ​​em cursos de nível universitário.

Estas são nossas definições autorizadas e estabelecem nossa base para um pensamento mais profundo sobre o assunto.

Eu escolhi estas quatro definições para destacar algumas perspectivas úteis e variadas no campo. Através da experiência, aprenderemos que o campo é realmente uma confusão de métodos e escolher uma perspectiva é a chave para progredir.

 

Significado de machine learning por Mitchell

 Tom Mitchell em seu livro Machine Learning fornece uma definição na linha de abertura do prefácio:

O campo do aprendizado de máquina está preocupado com a questão de como construir programas de computador que melhoram automaticamente com a experiência.

 

Eu gosto desta definição curta e doce e é a base para a definição dos desenvolvedores que criamos no final do post.

Observe a menção de “ programas de computador ” e a referência a “ melhoria automatizada ”. Escreva programas que melhorem a si mesmos , é provocativo!

Em sua introdução, ele fornece um pequeno formalismo que você verá muito repetido:

Um programa de computador é dito para aprender com a experiência E com relação a alguma classe de tarefas T e medida de desempenho P , se o seu desempenho em tarefas em T , medida pelo P , melhora com a experiência E .

Não deixe a definição de termos te assustar, este é um formalismo muito útil.

Podemos usar esse formalismo como modelo e colocar E , T e P no topo das colunas em uma tabela e listar problemas complexos com menos ambigüidade. Ele poderia ser usado como uma ferramenta de design para nos ajudar a pensar claramente sobre quais dados coletar ( E ), quais decisões o software precisa tomar ( T ) e como avaliaremos seus resultados ( P ). Este poder é porque é frequentemente repetido como uma definição padrão. Guarde-o no bolso de trás.

 

Elementos de Aprendizagem Estatística

Os elementos do aprendizado estatístico: mineração de dados, inferência e previsão  foram escritos por três estatísticos de Stanford e auto-descritos como uma estrutura estatística para organizar seu campo de investigação.

No prefácio está escrito:

Vastas quantidades de dados estão sendo geradas em muitos campos, e o trabalho dos estatísticos é dar sentido a tudo: extrair padrões e tendências importantes e entender “o que os dados dizem”. Nós chamamos esse aprendizado de dados.

Eu entendo que o trabalho de um estatístico é usar as ferramentas de estatísticas para interpretar dados no contexto do domínio. Os autores parecem incluir todo o campo de Machine Learning como auxiliares nessa busca. Curiosamente, eles optaram por incluir ” Data Mining ” no subtítulo do livro.

Os estatísticos aprendem com os dados, mas o software também, e aprendemos com as coisas que o software aprende. Das decisões tomadas e dos resultados alcançados pelos vários métodos de aprendizado de máquina.

 

Reconhecimento de padrões

Bishop no prefácio de seu livro  Pattern Recognition e Machine Learning comenta:

O reconhecimento de padrões tem suas origens na engenharia, enquanto o aprendizado de máquina cresceu a partir da ciência da computação. No entanto, essas atividades podem ser vistas como duas facetas do mesmo campo …

Lendo isto, você tem a impressão de que Bishop veio a campo de uma perspectiva de engenharia e depois aprendeu e aproveitou a Ciência da Computação, assumindo os mesmos métodos. O reconhecimento de padrões é um termo de engenharia ou processamento de sinais.

Esta é uma abordagem madura e deve ser replicada. De maneira mais ampla, independentemente do campo que reivindica um método, se ele atende às nossas necessidades aproximando-nos de um insight ou de um resultado “aprendendo com os dados”, podemos decidir chamar isso de aprendizado de máquina.

 

Uma perspectiva algorítmica de machine learning

 

Marsland fornece adotar a definição de Mitchell de Machine Learning em seu livro Machine Learning: An Algorithmic Perspective.

Ele fornece uma nota convincente em seu prólogo que motiva sua escrita do livro:

Uma das características mais interessantes do aprendizado de máquina é que ele está no limite de várias disciplinas acadêmicas, principalmente ciência da computação, estatística, matemática e engenharia. … O aprendizado de máquina é usualmente estudado como parte da inteligência artificial, o que o coloca firmemente na ciência da computação… entender por que esses algoritmos funcionam requer uma certa quantidade de sofisticação estatística e matemática que muitas vezes falta aos graduandos da ciência da computação.

Isso é perspicaz e instrutivo.

Em primeiro lugar, ele ressalta a natureza multidisciplinar do campo. Nós estávamos tendo um sentimento para isso a partir da definição acima, mas ele desenha um grande sublinhado vermelho para nós. A Aprendizagem de Máquina baseia-se em todos os tipos de ciências da informação.

Em segundo lugar, ele ressalta o perigo de se agarrar a uma determinada perspectiva com muita força. Especificamente, o caso de um algoritmo que foge do funcionamento matemático interno de um método.

Sem dúvida, o caso contrário do estatístico que foge das preocupações práticas de implementação e implantação é igualmente limitante.

 

Diagrama de Venn

Drew Conway criou um bom Diagrama de Venn  em setembro de 2010 que pode ajudar.

Em sua explicação, ele comenta: Machine Learning = Hacking + Math & Statistics

o que é machine learning

Diagrama de Venn da Data Science. Creditado a Drew Conway, Creative Commons, licenciado como Attribution-NonCommercial.

Ele também descreve a  Zona de Perigo  como  Skill Skills  +  Expertise .

Aqui, ele está se referindo àquelas pessoas que sabem o suficiente para serem perigosas. Eles podem acessar e estruturar dados, eles conhecem o domínio e podem executar um método e apresentar resultados, mas não entendem o que os resultados significam. Eu acho que é isso que Marsland pode estar insinuando.

 

Definição de desenvolvedores de aprendizado de máquina

Agora nos voltamos para a necessidade de dividir tudo isso em porcas e parafusos para nós desenvolvedores.

Primeiro, examinamos problemas complexos que resistem às nossas soluções de decomposição e procedimentos. Isso enquadra o poder do aprendizado de máquina. Em seguida, elaboramos uma definição que se encaixa bem com os desenvolvedores que podemos usar sempre que nos perguntam: “ Então, o que é Aprendizado de Máquina? ”Por outros desenvolvedores.

 

Problemas complexos

Como desenvolvedor, você acabará encontrando classes de problemas que teimosamente resistem a uma solução lógica e procedural.

O que quero dizer é que há classes de problemas em que não é viável ou econômico sentar e escrever todas as instruções if necessárias para resolver o problema.

“ Sacrilégio! Eu ouço o cérebro do seu desenvolvedor gritar.

É verdade.

Tome o caso diário do problema de decisão de discriminar e-mails de spam de e-mails não-spam. Este é um exemplo usado o tempo todo ao introduzir o aprendizado de máquina. Como você escreveria um programa para filtrar e-mails à medida que chegam à sua conta de e-mail e decide colocá-los na pasta de spam ou na pasta de entrada?

Você provavelmente começaria coletando alguns exemplos e dando uma olhada neles e pensaria profundamente neles. Você procuraria padrões nos e-mails que são spam e aqueles que não são. Você pensaria em abstrair esses padrões para que sua heurística funcionasse com novos casos no futuro. Você ignoraria e-mails estranhos que nunca serão vistos novamente. Você vai para vitórias fáceis para obter a sua precisão e criar coisas especiais para os casos de ponta. Você revisaria o e-mail frequentemente ao longo do tempo e pensaria em abstrair novos padrões para melhorar a tomada de decisões.

Há um algoritmo de machine learning lá, entre tudo isso, exceto que foi executado pelo programador em vez do computador. Esse sistema codificado manualmente derivado seria tão bom quanto a capacidade do programador de extrair regras dos dados e implementá-los no programa.

Isso poderia ser feito, mas precisaria de muitos recursos e seria um pesadelo de manutenção.

 

Exemplo de o que é Machine Learning

 No exemplo acima, tenho certeza de que o cérebro de seu desenvolvedor, a parte do seu cérebro que impiedosamente busca automatizar, pode ver a oportunidade de automatizar e otimizar o metaprocesso de extrair padrões de exemplos.

Métodos de aprendizado de máquina são esse processo automatizado.

Em nosso exemplo de spam / não spam, os exemplos ( E ) são emails que coletamos. A tarefa ( T ) era um problema de decisão (chamado classificação) de marcar cada e-mail como spam ou não e colocá-lo na pasta correta. Nossa medida de desempenho ( P ) seria algo como precisão como uma porcentagem (decisões corretas divididas pelo total de decisões tomadas multiplicadas por 100) entre 0% (pior) e 100% (melhor).

A preparação de um programa de tomada de decisão como esse geralmente é chamado de treinamento, em que os exemplos coletados são chamados de conjunto de treinamento e o programa é chamado de modelo, como em um modelo do problema de classificar spam de não spam. Como desenvolvedores, nós gostamos dessa terminologia, um modelo tem estado e precisa ser persistido, o treinamento é um processo que é executado uma vez e talvez seja reexecutado quando necessário, a classificação é a tarefa executada. Tudo faz sentido para nós.

Podemos ver que algumas das terminologias usadas nas definições acima não servem para os programadores. Tecnicamente, todos os programas que escrevemos são automações, comentando que o aprendizado de máquina aprende automaticamente não é significativo.

 

O que é machine learning em uma linha.

Então, vamos ver se podemos usar essas partes e construir uma definição de desenvolvedores de aprendizado de máquina:

Aprendizado de Máquina é o treinamento de um modelo a partir de dados que generalizam uma decisão em relação a uma medida de desempenho.

Treinar um modelo sugere exemplos de treinamento. Um modelo sugere estado adquirido através da experiência. Generaliza uma decisão que sugere a capacidade de tomar uma decisão baseada em insumos e antecipar insumos não vistos no futuro, para os quais será necessária uma decisão. Finalmente, contra uma medida de desempenho sugere uma necessidade direcionada e uma qualidade direcionada ao modelo sendo preparado.

Eu não sou poeta, você pode chegar a uma definição mais precisa ou mais sucinta dos desenvolvedores de Machine Learning?
Compartilhe sua definição nos comentários abaixo.

 

Leitura Adicional

Eu me vinculei a recursos ao longo deste post, mas listei alguns recursos úteis abaixo se você tiver sede de mais leituras.

 

Livros

A seguir estão os quatro livros de texto dos quais as definições foram elaboradas.

Além disso, Drew Conway tem um livro em colaboração com John Myles White que é prático e divertido de ler intitulado Aprendizado de Máquina para Hackers

 

Sites de perguntas e respostas

Há algumas discussões interessantes sobre os sites de Q & A sobre o que exatamente é o aprendizado de máquina, abaixo estão algumas escolhas.

 

Curso de Machine Learning

 

Aqui no Portal Data Science você pode encontrar um curso para aprender sobre machine learning com o banco de dados do Titanic, dê uma olhada!

sql

Inscreva-se

Seja atualizado e aprenda com os melhores

Mais para explorar

100 perguntas htm eng

Master the data science interview 100 MOST COMMON QUESTIONS AND ANSWERS ASKED IN INTERVIEWS – A COMPLETE GUIDE TO BOOST YOUR CAREER Yes, I want! BECOME A DATA SCIENTIST Data Science is revolutionizing the world of business and technology. With our eBook “Master Data Science: A Complete Guide to Boost Your Career,” you will have access to comprehensive content that will help you enter and thrive in this promising field.   WHAT WILL YOU LEARN? Fundamentals of Statistics and Probability Databases and SQL Python for Data Analysis Machine Learning and its Algorithms Natural Language Processing and its Applications Data Visualization and Design Big Data and Related Tools Feature Engineering and Model Selection Purchase the eBook now and receive Over 200 pages of high-quality content Explanations and examples Tips to improve your skills and increase your chances in interviews INVEST IN YOUR FUTURE Don’t miss this opportunity to deepen your knowledge and stand out in the job market. Purchase the eBook “Master Data Science: A Complete Guide to Boost Your Career” right now and start your journey towards success in the field of Data Science! TAKE ADVANTAGE OF THE PROMOTION ONLY $ 9,99 Yes, i want

100 perguntas htm

domine a entrevista de ciencia de dados 100 perguntas e respostas mais frequentes feitas em entrevistas – um guia completo para impulsionar sua carreira Eu quero seja um cientista de dados   A Ciência de Dados está revolucionando o mundo dos negócios e da tecnologia. Com nosso eBook “Domine a Ciência de Dados: Um Guia Completo para Impulsionar sua Carreira”, você terá acesso a um conteúdo abrangente que o ajudará a ingressar e prosperar nesta área promissora. o que você vai aprender? Fundamentos da Estatística e Probabilidade Bancos de Dados e SQL Python para Análise de Dados Aprendizado de Máquina e seus Algoritmos Processamento de Linguagem Natural e suas Aplicações Visualização de Dados e Design Big Data e Ferramentas Relacionadas Engenharia de Recursos e Seleção de Modelos Adquira o eBook agora e receba   Mias de 200 páginas de conteúdo de alta qualidade   Explicações e exemplos   Dicas para aprimorar suas habilidades e aumentar suas chances em entrevistas invista no seu futuro   Não perca esta oportunidade de aprofundar seus conhecimentos e se destacar no mercado de trabalho. Adquira o eBook “Domine a Ciência de Dados: Um Guia Completo para Impulsionar sua Carreira” agora mesmo e comece sua jornada rumo ao sucesso na área de Ciência de Dados! aproveite a promoção Condições parceladas APENAS R$ 27,90 EU QUERO