(http://www.semantix.com.

br/blog)

Home Produtos

Verticais

Datalabs

Treinamentos
 Fale Trabalhe Blog English
conosco Conosco

FALE CONOSCO

(http://www.semantix.com.br/blog)

10 Algoritmos de Machine Learning que você precisa

conhecer (http://www.semantix.com.br/blog/10-
algoritmos-de-machine-learning/)
 By Juliana Monaco  31 maio 2017  Inovação (http://www.semantix.com.br/blog/category/inovacao/)

Não há dúvida de que o subcampo de Machine Learning/ Inteligência Artificial ganhou cada vez mais popularidade nos últimos
dois anos. Como Big Data é a tendência mais quente na indústria de tecnologia no momento, o Machine Learning é
incrivelmente poderoso para fazer previsões ou sugestões calculadas com base em grandes quantidades de dados.

Alguns dos exemplos mais comuns de algoritmos de ML são os da Netflix, que fazem sugestões de filmes baseados naqueles que
você assistiu no passado, e os da Amazon, que recomendam livros com base nos que você comprou anteriormente.

Portanto, se você quer saber mais de Machine Learning, como começar? A minha introdução na área foi em uma classe de
Inteligência Artificial, quando eu estava estudando em Copenhague. Meu orientador foi um professor de Matemática Aplicada e
CS na Universidade Técnica da Dinamarca, focando principalmente o uso da lógica para modelar o planejamento, o raciocínio e
a resolução de problemas humanos. A classe era uma mistura de discussão de conceitos teóricos  e prática de resolução de
problemas.

O livro didático que usamos é um dos clássicos da IA: a Inteligência Artificial de Peter Norvig – Uma Abordagem Moderna, na
qual abordamos tópicos importantes, incluindo agentes inteligentes, resolução de problemas por busca, pesquisa adversarial,
teoria de probabilidade, sistemas multiagentes, IA social, filosofia/ética/futuro da IA. No final da aula, em uma equipe de 3,
implementamos agentes baseados na busca simples, solucionando tarefas de transporte em um ambiente virtual como um
projeto de programação.
Eu aprendi muito graças à classe e decidi continuar aprendendo sobre este tema especializado. Nas últimas semanas, eu tenho
tido várias conversas de tecnologia em São Francisco sobre Deep Learning, redes neurais, arquitetura de dados e uma
conferência de Machine Learning com muitos profissionais bem conhecidos no campo. Mais importante ainda, eu fiz um curso
on-line da Udacity Intro to Machine Learning. Neste post, eu quero compartilhar alguns dos algoritmos de Machine Learning
 mais comuns que eu aprendi com o curso.

Os algoritmos de Machine Learning podem ser divididos em 3 categorias: aprendizagem supervisionada, aprendizagem não
supervisionada e aprendizado por reforço. A aprendizagem supervisionada é útil nos casos em que uma propriedade (rótulo)
está disponível para um determinado conjunto de dados (conjunto de treinamento). O aprendizado não supervisionado é útil
nos casos em que o desafio é descobrir relacionamentos implícitos em um dado conjunto de dados não-rotulado (os itens não
são pré-atribuídos). O aprendizado de reforço está entre estes dois extremos – existe alguma forma de feedback disponível para
cada passo ou ação preditiva, mas sem etiqueta precisa ou mensagem de erro.

Uma vez que esta é uma classe de introdução, eu não aprendi sobre aprendizado por reforço, mas espero que 10 algoritmos de
aprendizagem supervisionada e não supervisionada sejam suficientes para mantê-lo interessado(a).

Aprendizagem Supervisionada

1.Árvores de Decisão

Uma árvore de decisão é uma ferramenta de apoio que utiliza um gráfico ou modelo de decisões e suas possíveis
consequências, incluindo resultados de eventos fortuitos, custos de recursos e utilidade. Dê uma olhada na imagem para ter
uma ideia de como ela se parece.

Do ponto de vista da decisão de negócios, uma árvore de decisão é o número mínimo de perguntas que devem ser respondidas
para avaliar a probabilidade de tomar uma decisão correta, na maioria das vezes. Como um método, permite-lhe abordar o
problema de uma forma estruturada e sistemática para chegar a uma conclusão lógica.

2.Classificação Naïve Bayes

Os classificadores Naïve Bayes são uma família de classificadores probabilísticos simples com base na aplicação Bayes ‘teorema
com forte independência entre as características. A imagem em destaque é a equação – em que P (A| B) é a probabilidade
posterior, P (B|A) é a probabilidade, P (A) é a probabilidade prévia e P (B) é preditor de probabilidade prévia.
Alguns exemplos reais são:

• Para marcar um e-mail como spam ou não spam

• Classificar um artigo de notícias sobre tecnologia, política ou esportes
• Verificar um pedaço de texto expressando emoções positivas ou negativas
• Usado para so ware de reconhecimento facial

3. Regressão Linear de Mínimos Quadrados

Se você conhece estatísticas, provavelmente já ouviu falar de regressão linear antes. Least Squares é um método para a
realização de regressão linear. Você pode pensar em regressão linear como a tarefa de encaixar uma linha reta através de um
conjunto de pontos. Existem várias estratégias possíveis para isso e a de “mínimos quadrados comuns” é assim: você pode
desenhar uma linha e, em seguida, para cada um dos pontos de dados, medir a distância vertical entre o ponto e a linha e somá-
los. A linha ajustada seria aquela em que esta soma de distâncias é a menor possível.

Linear refere-se ao tipo de modelo que você está usando para ajustar os dados, enquanto mínimos quadrados refere-se ao tipo
de métrica de erro que você está minimizando.

4.Regressão logística
A regressão logística é uma poderosa forma estatística de modelar um resultado binomial com uma ou mais variáveis
explicativas. Ela mede a relação entre a variável dependente categórica e uma ou mais variáveis independentes, estimando as
probabilidades usando uma função logística, que é a distribuição logística cumulativa.

Em geral, as regressões podem ser usadas em aplicações reais, tais como:

• Pontuação de crédito
• Medir as taxas de sucesso das campanhas de marketing
• Prever as receitas de um determinado produto
• Haverá um terremoto em um determinado dia?

5. Support Vector Machine

 SVM é um algoritmo binário da classificação. Dado um conjunto de pontos de 2 tipos em lugar N dimensional, SVM gera um
hiperplano (N – 1) dimensional para separar esses pontos em 2 grupos. Digamos que você tem alguns pontos de 2 tipos em um
papel que são linearmente separáveis. SVM encontrará uma linha reta que separa esses pontos em 2 tipos e situados o mais
longe possível de todos esses pontos.

 
Em termos de escala, alguns dos maiores problemas que foram resolvidos usando SVMs (com implementações adequadamente
modificadas) são publicidades em display, reconhecimento de site de splice humano, detecção de gênero baseada em imagem,
classificação de imagem em grande escala etc.

6. Ensemble Methods

São algoritmos de aprendizagem que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de
dados, tendo um ponderado voto de suas previsões. O método de conjunto original é a média bayesiana, mas os algoritmos
mais recentes incluem codificação de saída, correção de erros, bagging e reforço.

Então, como funcionam os métodos de conjunto e por que eles são superiores aos modelos individuais?

• Eles reduzem a variância: A opinião agregada de um monte de modelos é menos barulhenta do que a opinião única de
um dos modelos. Em finanças, isso é chamado diversificação – uma carteira mista de muitas ações será muito menos
variável do que apenas um dos estoques sozinho. É por isso que seus modelos serão melhores com mais pontos de
dados do que menos.
• É improvável que eles se sobrepõem: se você tem modelos individuais que não se sobrepõem e está combinando as
previsões de cada modelo de uma maneira simples (média, média ponderada, regressão logística), então não há
espaço para sobrecarga.

Aprendizagem sem supervisão

7. Algoritmos de Agrupamento (Clustering)

É a tarefa de agrupar um conjunto de objetos de tal forma que os do mesmo grupo (cluster) são mais semelhantes uns aos
outros do que aqueles em outros grupos.
Cada algoritmo de agrupamento é diferente, e aqui estão alguns deles:

• Algoritmos baseados em Centroid

• Algoritmos baseados em conectividade
• Algoritmos baseados em densidade
• Probabilístico
• Redução da Dimensionalidade
• Redes Neurais / Aprendizagem Profunda

8. Decomposição em valores singulares

Na álgebra linear, a SVD é uma fatorização de uma matriz complexa real. Para uma dada matriz m* n M, existe uma
decomposição tal que M = UΣV, onde U e V são matrizes unitárias e Σ é uma matriz diagonal.

PCA é realmente uma aplicação simples de SVD. Na visão computacional, os algoritmos de reconhecimento de primeira face
usaram PCA e SVD para representar faces como uma combinação linear de “eigenfaces”, fazer redução de dimensionalidade e,
em seguida, corresponder faces a identidades através de métodos simples. Embora os métodos modernos sejam muito mais
sofisticados, muitos ainda dependem de técnicas semelhantes.

9. Análise de Componentes Principais

PCA é um procedimento estatístico que usa uma transformação ortogonal para converter um conjunto de observações de
variáveis, possivelmente correlacionadas em um conjunto de valores de variáveis linearmente não correlacionadas, chamadas
componentes principais.

Algumas das aplicações do PCA incluem compressão, simplificação de dados para facilitar o aprendizado e visualização.
Observe que o conhecimento do domínio é muito importante ao escolher se deseja avançar com PCA ou não. Não é adequado
nos casos em que os dados são ruidosos (todos os componentes da PCA têm uma variação bastante alta).

10. Análise de componentes independentes

ICA é uma técnica estatística para revelar fatores ocultos que estão subjacentes a conjuntos de variáveis aleatórias, medições ou
sinais. A ICA define um modelo generativo para os dados multivariados observados, que normalmente é dado como um grande
banco de dados de amostras. No modelo, as variáveis de dados são assumidas como misturas lineares de algumas variáveis
latentes desconhecidas, e o sistema de mistura também é desconhecido. As variáveis latentes são consideradas não-gaussianas
e mutuamente independentes, e são chamadas de componentes independentes dos dados observados.

 
A ICA está relacionada ao PCA, mas é uma técnica muito mais poderosa, capaz de encontrar os fatores subjacentes das fontes
quando esses métodos clássicos falham completamente. Suas aplicações incluem imagens digitais, bancos de dados de
documentos, indicadores econômicos e medições psicométricas.

Agora siga em frente e use sua compreensão de algoritmos para criar aplicações de aprendizagem de máquina que possibilitam
melhores experiências para as pessoas em todos os lugares.

Por: James Le – estagiário na New Story Charity e estudante de Ciência da Computação e Comunicação na Universidade de Denison.

Fonte: http://www.kdnuggets.com/2016/08/10-algorithms-machine-learning-engineers.html (http://www.kdnuggets.com/2016/08/10-

algorithms-machine-learning-engineers.html)

Uma resposta para “10 Algoritmos de Machine Learning que você precisa conhecer”

1.
— marcos (http://www.brindesdonino.com.br)
disse:
22 de dezembro de 2017 às 13:08 (http://www.semantix.com.br/blog/10-algoritmos-de-machine-learning/#comment-180)
Oi Gente, estou fazendo uma visitinha por aqui.
Gostei bastante do site, vou ver se acompanho toda semana suas postagens

Responder

DEIXE UMA RESPOSTA

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

COMENTÁRIO

NOME *

E-MAIL *

SITE
 SALVAR MEUS DADOS NESTE NAVEGADOR PARA A PRÓXIMA VEZ QUE EU COMENTAR.

Publicar comentário

Pesquisar Pesquisar

C AT E G O R I E S

Big Data (http://www.semantix.com.br/blog/category/big-data/)

Destaque (http://www.semantix.com.br/blog/category/destaque/)

Innovation (http://www.semantix.com.br/blog/category/innovation/)

Inovação (http://www.semantix.com.br/blog/category/inovacao/)

Semantix Aijus (http://www.semantix.com.br/blog/category/semantix-aijus/)

Treinamentos (http://www.semantix.com.br/blog/category/treinamentos/)

Visão Semantix (http://www.semantix.com.br/blog/category/visao-semantix/)

ARCHIVES

Maio 2018 (http://www.semantix.com.br/blog/2018/05/)

Abril 2018 (http://www.semantix.com.br/blog/2018/04/)

Março 2018 (http://www.semantix.com.br/blog/2018/03/)

Fevereiro 2018 (http://www.semantix.com.br/blog/2018/02/)

Janeiro 2018 (http://www.semantix.com.br/blog/2018/01/)

dezembro 2017 (http://www.semantix.com.br/blog/2017/12/)

novembro 2017 (http://www.semantix.com.br/blog/2017/11/)

outubro 2017 (http://www.semantix.com.br/blog/2017/10/)

setembro 2017 (http://www.semantix.com.br/blog/2017/09/)

agosto 2017 (http://www.semantix.com.br/blog/2017/08/)

julho 2017 (http://www.semantix.com.br/blog/2017/07/)

junho 2017 (http://www.semantix.com.br/blog/2017/06/)

Maio 2017 (http://www.semantix.com.br/blog/2017/05/)

Abril 2017 (http://www.semantix.com.br/blog/2017/04/)

Março 2017 (http://www.semantix.com.br/blog/2017/03/)

dezembro 2016 (http://www.semantix.com.br/blog/2016/12/)

novembro 2016 (http://www.semantix.com.br/blog/2016/11/)

outubro 2016 (http://www.semantix.com.br/blog/2016/10/)

Janeiro 2016 (http://www.semantix.com.br/blog/2016/01/)

dezembro 2015 (http://www.semantix.com.br/blog/2015/12/)

junho 2015 (http://www.semantix.com.br/blog/2015/06/)

Fevereiro 2015 (http://www.semantix.com.br/blog/2015/02/)

Janeiro 2015 (http://www.semantix.com.br/blog/2015/01/)

novembro 2014 (http://www.semantix.com.br/blog/2014/11/)

setembro 2014 (http://www.semantix.com.br/blog/2014/09/)

agosto 2014 (http://www.semantix.com.br/blog/2014/08/)

RECENT TOPICS

O Impacto da análise de Big Data no treinamento corporativo (http://www.semantix.com.br/blog/o-impacto-da-analise-de-big-data-no-treinamento-

corporativo/)

Veículos autônomos: o que o futuro nos reserva (http://www.semantix.com.br/blog/veiculos-autonomos-o-que-o-futuro-nos-reserva/)

10 Casos de uso reais da Internet das Coisas (http://www.semantix.com.br/blog/10-casos-de-uso-reais-da-internet-das-coisas/)

Como Machine Learning e Big Data estão mudando o Web Design (http://www.semantix.com.br/blog/como-machine-learning-e-big-data-estao-mudando-o-web-
design/)
Como a IoT está afetando o desenvolvimento de dispositivos móveis (http://www.semantix.com.br/blog/como-iot-esta-afetando-o-desenvolvimento-de-
dispositivos-moveis/)


 (https://br.linkedin.com/company/semantix-

(https://www.facebook.com/SemantixBR/)
brasil)(https://twitter.com/semantixbr)

Home (http://www.semantix.com.br/blog/pagina-exemplo/)
Usos da Indústria (http://www.semantix.com.br/blog/usos-da-industria/)
A Empresa (http://www.semantix.com.br/blog/a-empresa/)
Serviços (http://www.semantix.com.br/blog/servicos/)
Tecnologias (http://www.semantix.com.br/blog/tecnologias/)
Clientes (http://www.semantix.com.br/blog/clientes/)
Contato (http://www.semantix.com.br/blog/contato/)

© 2018 Semantix | Big Data, Analytics, Enterprise Search, Machine Learning & Internet of Things (IoT).