Uma Introdução ao Aprendizado de Máquina

Introdução

A aprendizagem de máquina é um subcampo da inteligência artificial (IA). O objetivo da aprendizagem de máquina, em geral, é entender a estrutura dos dados e ajustar esses dados em modelos que possam ser compreendidos e utilizados por pessoas.

Embora a aprendizagem de máquina seja um campo dentro da ciência da computação, difere das abordagens computacionais tradicionais. Na computação tradicional, os algoritmos são conjuntos de instruções explicitamente programadas usadas pelos computadores para calcular ou resolver problemas. Os algoritmos de aprendizagem de máquina, por sua vez, permitem que os computadores sejam treinados em entradas de dados e usem análise estatística para produzir valores que estejam dentro de uma faixa específica. Devido a isso, a aprendizagem de máquina facilita aos computadores a construção de modelos a partir de dados amostrais para automatizar processos de tomada de decisão com base em entradas de dados.

Qualquer usuário de tecnologia hoje tem se beneficiado da aprendizagem de máquina. A tecnologia de reconhecimento facial permite que plataformas de mídia social ajudem os usuários a marcar e compartilhar fotos de amigos. A tecnologia de reconhecimento óptico de caracteres (OCR) converte imagens de texto em tipos móveis. Motores de recomendação, alimentados pela aprendizagem de máquina, sugerem quais filmes ou programas de televisão assistir a seguir com base nas preferências do usuário. Carros autônomos que dependem da aprendizagem de máquina para navegar podem em breve estar disponíveis para os consumidores.

A aprendizagem de máquina é um campo em constante desenvolvimento. Por isso, existem algumas considerações a ter em mente ao trabalhar com metodologias de aprendizado de máquina ou analisar o impacto dos processos de aprendizado de máquina.

Neste tutorial, vamos analisar os métodos comuns de aprendizado de máquina supervisionado e não supervisionado, e abordagens algorítmicas comuns em aprendizado de máquina, incluindo o algoritmo de vizinhos mais próximos, aprendizado de árvore de decisão e aprendizado profundo. Vamos explorar quais linguagens de programação são mais utilizadas em aprendizado de máquina, fornecendo algumas das características positivas e negativas de cada uma. Além disso, discutiremos os vieses perpetuados por algoritmos de aprendizado de máquina e consideraremos o que pode ser mantido em mente para prevenir esses vieses ao construir algoritmos.

Métodos de Aprendizado de Máquina

No aprendizado de máquina, as tarefas geralmente são classificadas em categorias amplas. Essas categorias são baseadas em como o aprendizado é recebido ou como o feedback sobre o aprendizado é fornecido ao sistema desenvolvido.

Dois dos métodos de aprendizado de máquina mais amplamente adotados são aprendizado supervisionado, que treina algoritmos com base em dados de entrada e saída de exemplo que são rotulados por humanos, e aprendizado não supervisionado, que fornece ao algoritmo dados não rotulados para permitir que ele encontre estrutura dentro de seus dados de entrada. Vamos explorar esses métodos com mais detalhes.

Aprendizado Supervisionado

No aprendizado supervisionado, o computador é fornecido com entradas de exemplo que são rotuladas com suas saídas desejadas. O objetivo deste método é permitir que o algoritmo “aprenda” comparando sua saída real com as saídas “ensinadas” para encontrar erros e modificar o modelo conforme necessário. Portanto, o aprendizado supervisionado utiliza padrões para prever valores de rótulo em dados adicionais não rotulados.

Por exemplo, com o aprendizado supervisionado, um algoritmo pode receber dados com imagens de tubarões rotuladas como peixe e imagens de oceanos rotuladas como água. Ao ser treinado com esses dados, o algoritmo de aprendizado supervisionado deve ser capaz de identificar posteriormente imagens de tubarões não rotuladas como peixe e imagens de oceanos não rotuladas como água.

A common use case of supervised learning is to use historical data to predict statistically likely future events. It may use historical stock market information to anticipate upcoming fluctuations, or be employed to filter out spam emails. In supervised learning, tagged photos of dogs can be used as input data to classify untagged photos of dogs.

Aprendizado Não Supervisionado

No aprendizado não supervisionado, os dados não são rotulados, então o algoritmo de aprendizado é deixado para encontrar similaridades entre seus dados de entrada. Como os dados não rotulados são mais abundantes do que os rotulados, métodos de aprendizado de máquina que facilitam o aprendizado não supervisionado são particularmente valiosos.

O objetivo da aprendizagem não supervisionada pode ser tão direto quanto descobrir padrões ocultos dentro de um conjunto de dados, mas também pode ter como objetivo a aprendizagem de características, o que permite que a máquina computacional descubra automaticamente as representações necessárias para classificar os dados brutos.

A aprendizagem não supervisionada é comumente usada para dados transacionais. Você pode ter um grande conjunto de dados de clientes e suas compras, mas como humano, provavelmente não conseguirá entender quais atributos similares podem ser extraídos dos perfis dos clientes e seus tipos de compras. Com esses dados inseridos em um algoritmo de aprendizagem não supervisionada, pode ser determinado que mulheres de uma certa faixa etária que compram sabonetes sem perfume provavelmente estão grávidas, e, portanto, uma campanha de marketing relacionada à gravidez e produtos para bebês pode ser direcionada a esse público para aumentar o número de suas compras.

Sem ser informado de uma resposta “correta”, métodos de aprendizagem não supervisionada podem examinar dados complexos que são mais expansivos e aparentemente não relacionados para organizá-los de maneiras potencialmente significativas. A aprendizagem não supervisionada é frequentemente usada para detecção de anomalias, incluindo compras fraudulentas com cartão de crédito, e sistemas de recomendação que recomendam quais produtos comprar a seguir. Na aprendizagem não supervisionada, fotos não marcadas de cães podem ser usadas como dados de entrada para o algoritmo encontrar semelhanças e classificar fotos de cães juntas.

Abordagens

Como campo, o aprendizado de máquina está intimamente relacionado à estatística computacional, então ter conhecimento prévio em estatística é útil para entender e aproveitar os algoritmos de aprendizado de máquina.

Para aqueles que talvez não tenham estudado estatística, pode ser útil primeiro definir correlação e regressão, pois são técnicas comumente usadas para investigar a relação entre variáveis quantitativas. Correlação é uma medida de associação entre duas variáveis que não são designadas como dependentes ou independentes. Regressão, em um nível básico, é usada para examinar a relação entre uma variável dependente e uma variável independente. Como as estatísticas de regressão podem ser usadas para antecipar a variável dependente quando a variável independente é conhecida, a regressão possibilita capacidades de previsão.

Abordagens para aprendizado de máquina estão sendo continuamente desenvolvidas. Para nossos propósitos, vamos passar por algumas das abordagens populares que estão sendo usadas em aprendizado de máquina no momento da escrita.

k-nearest neighbor

O algoritmo dos k-vizinhos mais próximos é um modelo de reconhecimento de padrões que pode ser usado para classificação, assim como para regressão. Frequentemente abreviado como k-NN, o k em k-vizinhos mais próximos é um número inteiro positivo, que é tipicamente pequeno. Em classificação ou regressão, a entrada consistirá nos k exemplos de treinamento mais próximos dentro de um espaço.

Vamos focar na classificação k-NN. Neste método, a saída é a associação de classes. Isso atribuirá um novo objeto à classe mais comum entre seus k vizinhos mais próximos. No caso de k = 1, o objeto é atribuído à classe do único vizinho mais próximo.

Vamos analisar um exemplo de k-vizinhos mais próximos. No diagrama abaixo, há objetos azuis em formato de diamante e objetos laranjas em formato de estrela. Estes pertencem a duas classes separadas: a classe diamante e a classe estrela.

Quando um novo objeto é adicionado ao espaço — neste caso, um coração verde — queremos que o algoritmo de aprendizado de máquina classifique o coração em uma determinada classe.

Ao escolhermos k = 3, o algoritmo encontrará os três vizinhos mais próximos do coração verde para classificá-lo na classe diamante ou estrela.

Em nosso diagrama, os três vizinhos mais próximos do coração verde são um diamante e duas estrelas. Portanto, o algoritmo classificará o coração na classe estrela.

Entre os algoritmos de aprendizado de máquina mais básicos, o k-vizinhos mais próximos é considerado um tipo de “aprendizado preguiçoso”, pois a generalização além dos dados de treinamento não ocorre até que uma consulta seja feita ao sistema.

Aprendizado de Árvore de Decisão

Para uso geral, as árvores de decisão são empregadas para representar visualmente decisões e mostrar ou informar tomadas de decisão. Ao trabalhar com aprendizado de máquina e mineração de dados, as árvores de decisão são usadas como um modelo preditivo. Estes modelos mapeiam observações sobre dados para conclusões sobre o valor alvo dos dados.

O objetivo do aprendizado de árvore de decisão é criar um modelo que irá prever o valor de um alvo com base em variáveis de entrada.

No modelo preditivo, os atributos dos dados que são determinados através de observação são representados pelos ramos, enquanto as conclusões sobre o valor alvo dos dados são representadas nas folhas.

Ao “aprender” uma árvore, os dados de origem são divididos em subconjuntos com base em um teste de valor de atributo, que é repetido em cada um dos subconjuntos derivados de forma recursiva. Uma vez que o subconjunto em um nó tem o valor equivalente ao seu valor alvo, o processo de recursão será concluído.

Vamos dar um exemplo de várias condições que podem determinar se alguém deve ou não pescar. Isso inclui condições climáticas, bem como condições de pressão barométrica.

No diagrama de árvore de decisão simplificado acima, um exemplo é classificado ao passar por ele até o nó folha apropriado. Isso então retorna a classificação associada à folha específica, que neste caso é ou um Sim ou um Não. A árvore classifica as condições de um dia com base se são adequadas para ir pescar ou não.

A true classification tree data set would have a lot more features than what is outlined above, but relationships should be straightforward to determine. When working with decision tree learning, several determinations need to be made, including what features to choose, what conditions to use for splitting, and understanding when the decision tree has reached a clear ending.

Aprendizado Profundo

O aprendizado profundo tenta imitar como o cérebro humano pode processar estímulos visuais e sonoros em visão e audição. Uma arquitetura de aprendizado profundo é inspirada em redes neurais biológicas e consiste em múltiplas camadas em uma rede neural artificial composta por hardware e GPUs.

O aprendizado profundo usa uma cascata de camadas de unidades de processamento não lineares para extrair ou transformar características (ou representações) dos dados. A saída de uma camada serve como entrada para a camada sucessiva. No aprendizado profundo, os algoritmos podem ser supervisionados e servir para classificar dados, ou não supervisionados e realizar análise de padrões.

Entre os algoritmos de aprendizado de máquina que estão sendo atualmente usados e desenvolvidos, o aprendizado profundo absorve a maior quantidade de dados e tem sido capaz de superar humanos em algumas tarefas cognitivas. Devido a esses atributos, o aprendizado profundo tornou-se uma abordagem com potencial significativo no espaço de inteligência artificial

A visão computacional e o reconhecimento de fala têm ambos alcançado avanços significativos a partir de abordagens de aprendizado profundo. O IBM Watson é um exemplo bem conhecido de um sistema que utiliza aprendizado profundo.

Linguagens de Programação

Ao escolher uma linguagem para se especializar com aprendizado de máquina, você pode querer considerar as habilidades listadas nos anúncios de emprego atuais, bem como as bibliotecas disponíveis em várias linguagens que podem ser usadas para processos de aprendizado de máquina.

O Python é uma das linguagens mais populares para trabalhar com aprendizado de máquina devido aos diversos frameworks disponíveis, incluindo TensorFlow, PyTorch e Keras. Como uma linguagem que possui uma sintaxe legível e a capacidade de ser usada como linguagem de script, o Python mostra-se poderoso e direto tanto para pré-processamento de dados quanto para trabalhar diretamente com os dados. A biblioteca de aprendizado de máquina scikit-learn é construída em cima de vários pacotes Python existentes com os quais os desenvolvedores Python podem já estar familiarizados, nomeadamente NumPy, SciPy e Matplotlib.

Para começar com o Python, você pode ler nossa série de tutoriais sobre “Como Codificar em Python 3”, ou ler especificamente sobre “Como Construir um Classificador de Aprendizado de Máquina em Python com scikit-learn” ou “Como Realizar Transferência de Estilo Neural com Python 3 e PyTorch”.

O Java é amplamente utilizado na programação empresarial e geralmente é usado por desenvolvedores de aplicativos de desktop front-end que também trabalham com aprendizado de máquina em nível empresarial. Normalmente, não é a primeira escolha para aqueles novos na programação que desejam aprender sobre aprendizado de máquina, mas é preferido por aqueles com experiência em desenvolvimento Java para aplicar ao aprendizado de máquina. Em termos de aplicativos de aprendizado de máquina na indústria, o Java tende a ser usado mais do que o Python para segurança de rede, incluindo em casos de uso de detecção de ataques cibernéticos e fraudes.

Entre as bibliotecas de aprendizado de máquina para Java estão Deeplearning4j, uma biblioteca de aprendizado profundo de código aberto e distribuída escrita tanto para Java quanto para Scala; MALLET (MAquina de Aprendizado Linguístico E Toolkit) permite aplicativos de aprendizado de máquina em texto, incluindo processamento de linguagem natural, modelagem de tópicos, classificação de documentos e agrupamento; e Weka, uma coleção de algoritmos de aprendizado de máquina para uso em tarefas de mineração de dados.

C++ is the language of choice for machine learning and artificial intelligence in game or robot applications (including robot locomotion). Embedded computing hardware developers and electronics engineers are more likely to favor C++ or C in machine learning applications due to their proficiency and level of control in the language. Some machine learning libraries you can use with C++ include the scalable mlpack, Dlib offering wide-ranging machine learning algorithms, and the modular and open-source Shark.

Viéses Humanos

Embora a análise de dados e computacional possa nos fazer pensar que estamos recebendo informações objetivas, esse não é o caso; estar baseado em dados não significa que as saídas de aprendizado de máquina sejam neutras. O viés humano desempenha um papel na forma como os dados são coletados, organizados e, por fim, nos algoritmos que determinam como o aprendizado de máquina irá interagir com esses dados.

Por exemplo, se as pessoas estão fornecendo imagens de “peixes” como dados para treinar um algoritmo, e essas pessoas selecionam esmagadoramente imagens de peixes dourados, um computador pode não classificar um tubarão como um peixe. Isso criaria um viés contra os tubarões como peixes, e os tubarões não seriam contados como peixes.

Ao usar fotografias históricas de cientistas como dados de treinamento, um computador pode não classificar adequadamente cientistas que também são pessoas de cor ou mulheres. De fato, pesquisas recentes revisadas por pares indicaram que programas de IA e aprendizado de máquina exibem preconceitos humanos que incluem preconceitos raciais e de gênero. Veja, por exemplo, “Semântica derivada automaticamente de corpora de linguagem contêm preconceitos semelhantes aos humanos” e “Homens Também Gostam de Fazer Compras: Reduzindo a Amplificação de Viés de Gênero usando Restrições em Nível de Corpus” [PDF].

A medida que o aprendizado de máquina é cada vez mais aproveitado nos negócios, os vieses não detectados podem perpetuar problemas sistêmicos que podem impedir as pessoas de se qualificarem para empréstimos, de serem mostradas anúncios de oportunidades de emprego bem remuneradas ou de receberem opções de entrega no mesmo dia.

Porque o viés humano pode impactar negativamente outras pessoas, é extremamente importante estar ciente disso e também trabalhar para eliminá-lo tanto quanto possível. Uma maneira de trabalhar para alcançar isso é garantir que haja pessoas diversas trabalhando em um projeto e que pessoas diversas estejam testando e revisando-o. Outros têm pedido por terceiros regulatórios para monitorar e auditar algoritmos, construir sistemas alternativos que possam detectar viés, e revisões éticas como parte do planejamento de projetos de ciência de dados. Aumentar a conscientização sobre viés, estar atento aos nossos próprios viés inconscientes e estruturar a equidade em nossos projetos e pipelines de aprendizado de máquina pode funcionar para combater o viés neste campo.

Conclusão

Este tutorial revisou alguns dos casos de uso de aprendizado de máquina, métodos comuns e abordagens populares usadas no campo, linguagens de programação de aprendizado de máquina adequadas e também abordou algumas coisas a serem consideradas em termos de viés inconsciente sendo replicado em algoritmos.

Como o aprendizado de máquina é um campo que está continuamente sendo inovado, é importante ter em mente que algoritmos, métodos e abordagens continuarão a mudar.

Além de ler nossos tutoriais sobre “Como Construir um Classificador de Aprendizado de Máquina em Python com scikit-learn” ou “Como Realizar Transferência de Estilo Neural com Python 3 e PyTorch“, você pode aprender mais sobre trabalhar com dados na indústria de tecnologia lendo nossos tutoriais de Análise de Dados.