2.5 Tipos de Machine Learning

Machine Learning Supervisionada

A maioria dos exemplos que vimos até agora são, na realidade, exemplos de ML supervisionada. A aprendizagem supervisionada envolve algoritmos que se alinham perfeitamente com o que temos vindo a discutir: ajudam-nos a aprender a associar um conjunto de valores a outro. Por isso, é necessário que, no conjunto de dados onde aplicamos estes algoritmos, além dos valores dos atributos, conheçamos também os valores da variável alvo.

As duas tarefas principais da aprendizagem supervisionada são a regressão e a classificação. Em ambas as tarefas queremos aprender a prever valores, mas nas tarefas de regressão esses valores podem ser arbitrários, enquanto na classificação são escolhidos a partir de um conjunto finito e predefinido de valores.

Por exemplo, tarefas de regressão são adequadas para prever a temperatura, o preço de um produto (como na tarefa de determinar o preço dos imóveis que vimos na introdução), a devastação provocada por um sismo, entre outros. Por outro lado, decidir se um e-mail é indesejado ou desejado, ou determinar o género de um filme, são exemplos de tarefas de classificação, porque o conjunto de valores possíveis é limitado — o e-mail pode ser “indesejado” ou “desejado” (dois valores), e um género pode ser, por exemplo, comédia, drama, ação ou thriller (quatro valores).

Mais adiante, iremos apresentar definições mais precisas para cada uma destas tarefas.

Classificação e regressão. Determinar se alguém é alto ou baixo é a tarefa da classificação. Determinar a altura exata é a tarefa da regressão.

ML Não Supervisionada

Utilizamos ML não supervisionada em tarefas que requerem a análise da estrutura de um conjunto de dados. Por exemplo, ao analisar as compras dos clientes numa loja, pode ser interessante identificar produtos que são frequentemente comprados em conjunto, para assim organizá-los melhor no espaço da loja, melhorar a oferta e aumentar os lucros.
De forma semelhante, os comentários dos utilizadores podem ser analisados e agrupados, permitindo extrair informações sobre os serviços ou funcionalidades de que falam os clientes. Tarefas deste género, em que queremos identificar grupos ou padrões dentro dos dados, são chamadas de clustering (agrupamento).

Mais adiante no curso, aprenderá sobre o algoritmo k-means, um dos algoritmos de clustering mais conhecidos.

Agrupamento

Detectar instâncias de dados que são, de alguma forma, diferentes das restantes também faz parte das tarefas de ML não supervisionada. Por exemplo, detetar medições atípicas dos sensores numa fábrica pode ser um sinal para iniciar procedimentos de segurança adicionais. Da mesma forma, identificar transações bancárias invulgares, como aquelas realizadas a partir de locais remotos ou com valores incomuns, pode indicar possíveis casos de fraude.

Esta tarefa de ML não supervisionada é conhecida como detecção de anomalias.

Detecção de anomalias

A ML não supervisionada também abrange tarefas de redução da dimensionalidade. Muitas vezes, para efeitos de representação gráfica dos dados, é necessário reduzir o número de atributos para valores menores, como dois ou três. Claro que, durante esta transformação, alguma informação do conjunto de dados original se perde, mas, por outro lado, ganha-se a capacidade de visualizar os dados e, por vezes, de perceber melhor algumas regularidades.

Ter uma menor dimensionalidade dos dados (menos atributos) é desejável, pois permite uma execução mais rápida dos algoritmos e reduz a complexidade de memória — o que pode ser especialmente importante quando dispomos de recursos limitados para trabalhar.

Alguns dos algoritmos mais utilizados para a redução da dimensionalidade são a Análise de Componentes Principais (ACP) e o t-SNE.

O Significado da Redução da Dimensionalidade: Dois Cuboides e Suas Projeções do Espaço Tridimensional ao Bidimensional

Curiosamente, em tarefas de machine learning não supervisionadas, não é necessário conhecer os valores da variável alvo. O agrupamento, a detecção de anomalias e a redução da dimensionalidade são realizados apenas com base nos valores dos atributos.

Aprendizagem por reforço

Certamente já viu várias vezes como se treina um cão. Quando lhe é dada uma tarefa, por exemplo, trazer uma bola do outro lado do quintal, a recompensa na forma de um biscoito quando ele a traz motiva o cão a realizar a tarefa com ainda mais sucesso e entusiasmo na próxima vez. Esta ideia está também na base da aprendizagem por reforço.

A aprendizagem por reforço é uma área da ML utilizada em tarefas como jogar ou conduzir de forma autónoma. Caracteriza-se pela existência de um ambiente que possui estados próprios, um agente que pode executar um determinado conjunto de ações e o conceito de recompensa. O objetivo é que o agente, num determinado ambiente cujos estados vão mudando, escolha (aprenda) a sequência de ações que lhe permita obter a maior recompensa possível.

No contexto do exemplo introdutório, o estaleiro é o ambiente. Os seus estados podem ser, por exemplo, uma bola no fim do quintal ou o gato do vizinho numa árvore. O cão é o agente, e o conjunto de ações que pode executar inclui correr, sentar-se ou dormir. A recompensa pode ser uma série de biscoitos ou nada.

Se o cão escolher a sequência certa de ações (correr, encontrar a bola e trazê-la) perante uma mudança no ambiente, como a aparição da bola, será capaz de ganhar a maior recompensa.

Aprenderá mais sobre este tipo de aprendizagem no final do curso.

Novos rumos na aprendizagem

Quando precisamos dominar uma nova tarefa, por exemplo, aprender a andar de trotinete, não começamos do zero. Todos os conhecimentos e competências que adquirimos noutras tarefas, como jogar basquetebol, andar de bicicleta, e até a perseverança e paciência em tarefas que nem sempre eram as nossas favoritas — como arrumar o sótão — ajudam-nos a dominar melhor a nova tarefa.

Esta ideia está na base da aprendizagem por transferência. Por isso, muitas vezes pode ouvir falar de modelos que foram usados como ponto de partida para o desenvolvimento de outros modelos. Estes modelos são primeiramente treinados em conjuntos de dados e tarefas gerais e, depois, retreinados para resolver tarefas específicas.

Por exemplo, o modelo de linguagem GPT foi usado como base para desenvolver o ChatGPT, que já tinha demonstrado bom desempenho em tarefas como geração de resumos, versões reduzidas de texto e respostas a perguntas.

A ideia de aprendizagem através da transferência de conhecimento

As técnicas de transferência de conhecimento podem ser combinadas com todos os tipos de aprendizagem mencionados anteriormente. São especialmente importantes quando os conjuntos de dados de treino para uma tarefa específica não são suficientemente grandes, ou quando estamos a desenvolver um modelo para um domínio específico.