O que é Machine Learning?
Introdução
- Capítulos:
- 00:00 - 03:46 - Caso real de machine learning
- 03:47 - 05:20 - O que é machine learning?
- 05:21 - 10:14 - Redes neurais
- 10:15 - 13:05 - Deep learning
Machine Learning, será que esse é só um termo da moda? Entenda qual o conceito do Machine Learning nesse bate-papo.
Entenda Machine Learning com um caso real
- PAULO SILVEIRA:
Guilherme, já vou começar a contar uma história, dessas que eu gosto muito, de machine learning que todo mundo já conhece, mas vale a pena.
Tem um desses sites muito grandes de e-commerce americano, que há alguns anos, começou a rodar esses algoritmos para tentar descobrir o que as pessoas vão comprar num futuro muito próximo.
E uma das clientes que eles tinham, começou a navegar muito no site em produtos relacionados a bebês. Então começou a acessar mamadeiras, um pouco de fraldas, roupas de tamanhos maiores e tudo que está próximo do mundo da maternidade.
O que aconteceu? O algoritmo deste site funcionou muito bem para recomendar produtos para ela. Eles têm uma estratégia muito mais agressiva, em vez de no site apenas ficar mostrando “eu recomendo que você compre esse produto”, o que eles fizeram: passado um mês, eles mandaram um encarte especial para ela, com descontos e cupons para comprar roupas de neném, fralda, entre outros produtos relacionados.
E adivinha só? Os pais dessa menina acabaram abrindo esse encarte e descobriram a gravidez dela através dessa mensagem de venda, falaram “ué, porque a minha filha tá recebendo esse tipo de correspondência?” e não era uma correspondência solicitada, era uma correspondência que os robôs da matrix acabaram decidindo que deveria ser enviado para essa cliente, porque a probabilidade dela comprar nesse tempo curto desde a última visita no site era muito grande.
É óbvio, esse é um caso em que os robôs acabaram com a humanidade, mas eu acho que tem muitos casos que esse tal de aprendizado computacional funciona muito bem.
Você tem algum exemplo, o que você pode contar para gente?
- GUILHERME SILVEIRA:
Posso complementar um pouquinho essa história até. A história é super romantizada, é super bonita, etc. e, infelizmente, tirava o direito da própria mulher, dela dizer para os pais, no momento que ela desejava, sobre a gravidez, né, e para as outras pessoas, nessa situação específica.
Mas tem que se pensar: qual é o objetivo final da empresa com essa sacada?
Pesquisa na Microsoft: Machine Learning – Hipsters #161
- PAULO SILVEIRA:
Vender mais.
- GUILHERME SILVEIRA:
Mas além de vender mais, por que vender mais? Na fase da maternidade, pais e mães estão mais suscetíveis a comprar da maneira mais cômoda, onde já estão acostumados. Então, se você conquista a pessoa antes dela ter o filho ou a filha, quando ela está nessa bagunça de acordar de madrugada todo dia, etc., a pessoa faz sua compra onde ela está acostumada. Portanto, esse momento é o momento de conquista de um cliente, não para essa venda (no aqui e agora), mas é a conquista de um cliente por anos.
- PAULO SILVEIRA:
Então esse é o caso de uma venda muito importante, porque ele vai conquistar um cliente no long time velho, por um tempo de vida muito grande, então vale tudo nessa hora.
- GUILHERME SILVEIRA:
Muda o hábito da pessoa, é só você ver pessoas que foram pais ou mães recentemente, elas no momento de desespero, compram fralda onde for, e paninho para limpar bumbum onde for, porque você está no desespero, você não está mais com cabeça para ir ao lugar mais econômico de todos.
Então você criou o hábito naquela pessoa, ela segue aquele hábito, ela compra a fralda onde ela vai comprar o arroz e o feijão, se está lá junto, já compra tudo e bora para frente, mesmo que não seja o melhor lugar.
Realmente, no fim das contas é vender mais, mas é conquistar a super longo prazo, e para isso, eles trouxeram para uma fase que eles perceberam que as pessoas não só compram mais, mas elas viram clientes fiéis daquela loja, uma sacada, uma visão a super longo prazo mesmo.
O que é Machine Learning? Exemplos
- PAULO SILVEIRA:
Bem, minha pergunta é, isso é machine learning? O que é machine learning? O que está por trás disso?
Machine Learning – Hipsters #89
- GUILHERME SILVEIRA:
A ideia do machine learning é, na tradução para o português, o aprendizado de máquina, então de alguma maneira a máquina vai olhar os dados, ou seja, o que está acontecendo nesses dados, que podem ser recibos de compras, imagens, etc. Por exemplo, estou no aeroporto e as câmeras do aeroporto estão tirando fotos da parte de fora e, esses dados, que são as imagens, são analisados e detectam pássaros. Essa imagem é de um pássaro ou não é de um pássaro?
Então, o computador olha várias fotos de pássaros, de outros animais e objetos, para ser capaz de decidir se a imagem que aparece na foto é um pássaro ou não. Da mesma forma, a gente só sabe se um pássaro é de fato um pássaro porque já vimos muitos pássaros, assim, sabemos identificá-los e diferenciá-los de outros animais.
Agora o computador aprendeu isso, e vai dizer: “olha tem um pássaro voando, por favor não decole”, para o avião tomar cuidado. Então o aprendizado de máquina vem disso, seja de uma maneira supervisionada, que eu citei agora, que eu supervisionei o aprendizado, como aconteceu com a gente, quando aprendemos o que era um pássaro - nosso pai falou: “olha isso aqui é um pássaro”, então a gente apontava para o cachorro e falava “olha o piu-piu”, ele falava “não, isso daí é o au-au”, e quando era pássaro a gente falava “piu-piu” e ele falava “isso, piu-piu”.
Então, quando o aprendizado é supervisionado, quer dizer que alguém foi ensinando isso para a gente. Mas também tem outras coisas que a gente foi percebendo por conexões (associações). Nossos pais nos ensinaram, por exemplo, o que era uma panela, então, na hora em que a gente via uma frigideira falava “panela”, porque é panela, ou seja, a gente juntou coisas parecidas, então também há outros tipos de aprendizados que não necessariamente são supervisionados.
E claro, é um tipo de classificação que eu tô fazendo, tem vários tipos de organização desses algoritmos que aprendem com os dados.
Desafios em Machine Learning – Hipsters #137
Como funciona o Machine Learning?
Como funciona o Machine Learning? | #AluraMais
O que são redes neurais?
- PAULO SILVEIRA:
E onde é que aparecem as tais das redes neurais? Tem esse desenho bonitinho de neurônios, camadas, as ligações entre os neurônios, outros neurônios passando as sinapses, mudando os pesos… A gente sempre lê essa história, tem um monte de post e vídeo para leigos, mas o que isso tem a ver com o cérebro e como é que funciona?
- GUILHERME SILVEIRA:
Realmente, essa era a analogia original das redes neurais, hoje em dia ela tem perdido um pouco de força, até pela complexidade e as diferenças que foram surgindo desde então.
Mas a ideia é a seguinte: o aprendizado de máquina pode ser um elemento, uma coisa, um algoritmo, que tenta aprender, e como ele faz esse aprendizado, pode ser por probabilidade. Então imagina que ele viu várias fotos, e identificou que sempre que é amarelo é pássaro e sempre que é branco é “au-au” (cachorro), então pela cor, pela probabilidade, pela quantidade de vezes que ele viu no passado, ele só segue a probabilidade e chuta se é “piu-piu” (pássaro) ou “au-au” (cachorro). É um algoritmo válido, vai ter seus acertos e vai ter seus erros.
- PAULO SILVEIRA:
Não é uma rede neural?
- GUILHERME SILVEIRA:
Não é uma rede neural, é um algoritmo simples, que tenta adivinhar baseado no que aprendeu.
Tem diversas maneiras desse algoritmo aprender, só que ao invés de você pegar só um desse, você pode pegar vários desses, como se fosse um comitê, em vez de uma pessoa só falar: “olha eu acho que é um piu-piu”, várias pessoas põe o seu voto. Você pode dar peso para essas pessoas e falar: “olha, de acordo com os votos da galera, isso aqui é um piu-piu ou é o au-au”.
Você pode pensar em uma empresa e perguntar: ela vai quebrar no ano que vem ou não vai quebrar no ano que vem? Então, na análise de risco de uma empresa, tenho várias pessoas especialistas analisando aqueles dados, e aquele comitê vai dizer para a gente o resultado final, se acha que vai quebrar ou não vai quebrar.
Então essa é uma maneira, antes você tinha um pontinho, agora tem vários pontinhos contribuindo de alguma maneira para chegar a esse resultado final, mas isso ainda não é rede neural, é só um comitê.
Na verdade, você pode escolher um desses algoritmos de aprendizados específicos e colocar vários deles um embaixo do outro, que é a disposição em que costumamos encontrá-los. Então, imagine que tem várias dessas bolinhas uma embaixo da outra.
- PAULO SILVEIRA:
Alguns são IFS, outras coisas são mais complexas…
- GUILHERME SILVEIRA:
Todos vão ser mais complexos, nesse caso, mas não deixa de ser multiplicação e soma, o básico é vezes (x) e mais (+), entram coisas mais complexas depois, mas o básico é isso, são feitas várias contas de vezes e contas de mais, e cada uma dessas toma uma decisão. Por exemplo, na imagem: “ah, eu acho que isso parece uma asinha”, “acho que isso parece um bico”, “isso parece um rabo”, “esse parece uma asa batendo”, “isso parece ser tal coisa”.
- PAULO SILVEIRA:
“Isso parece com as cores de um pássaro”.
- GUILHERME SILVEIRA:
Após assimilar as cores de um pássaro ou um padrão de um pássaro, várias coisas podem acabar se especializando em características daquilo que você está analisando, podem, mas não necessariamente vão.
Temos essa primeira camada de várias coisas tentando aprender características aleatórias, assim como a gente. Se eu percebo que aquilo é uma câmera, é porque eu olho e tem algo que parece uma lente, tem outra parte que parece ser uma capinha, tem algo que parece um flash e tem um objeto que parece um tripé, que é da cor preta, tem vários cabos saindo, etc. Então com isso tudo, a gente chega à conclusão de que é uma câmera, e não é uma cartolina com a foto de uma câmera.
Então da mesma forma, eles vão aprendendo algumas coisas mas não tomam a decisão logo de cara, você cria uma segunda camada que vão pegar as informações dessa primeira e tomar uma decisão. Também é possível inserir uma terceira camada, por exemplo, uma camada final, que vai pegar todas essas informações anteriores e falar “sim, é um pássaro”, “sim, essa empresa vai quebrar no ano que vem”, ou a decisão que for, se for uma decisão de classificação, como sim ou não, ou se for uma estimativa de preço de um apartamento, que é uma regressão.
Independente do tipo de conclusão que você quer chegar, nesses algoritmos que estou citando, você tem várias camadas que formam uma rede chamada de rede neural.
Redes Neurais – Hipsters #165
- PAULO SILVEIRA:
E nessa rede, cada aresta vai tendo um peso mais forte ou mais fraco de acordo com a forma que eu vou treinando e falando: “olha, isso aqui é um pássaro, isso aqui não é um pássaro”.
Redes Neurais: Por que são tão poderosas? | #AluraMais
- GUILHERME SILVEIRA:
Isso, você vai ter essa rede, composta basicamente por multiplicações e somas, e quando você passa a foto de um pássaro por toda essa camada, ela vai se adaptando, vai adaptando os números dela, porque ela começa literalmente com números aleatórios. Você passa uma foto de um pássaro, chega no final e ela fala que não é um pássaro, então ela errou, o que ela faz? Ela se adapta, assim como nós.
Depois, é passada outra foto que não é um pássaro e, baseado nesses números novos, tento uma estimativa nova. Você vai passando diversas fotos, várias vezes, a mesma foto, assim como vimos várias vezes o mesmo “au-au” (cachorro), várias vezes o mesmo pássaro, até que distingue o que é um pássaro do que é um “au-au” (cachorro), é a mesma coisa que acontece com os algoritmos.
- PAULO SILVEIRA:
É assim que os sentinelas do Matrix vão atrás dos seres humanos!
Matrix: as máquinas vão vencer? Hipsters Ponto Tech #283
O que é deep learning?
- PAULO SILVEIRA:
Uma coisa que me deixa curioso são aqueles jogos que o Google ou outras empresas ganham, né! Então, tinha o Deep Blue da IBM no xadrez e o Alfa Go do Google que, pelo que eu entendo, eles aprenderam a jogar esses jogos complexos analisando os jogos de outras pessoas e jogando contra outros programas que já jogavam.
Mas aí tem o Deep learning que entra e o tal do Alpha Zero que, pelo que eu entendo, é ele que vai jogar aquele jogo de xadrez, um jogo de tabuleiro também conhecido como Xadrez Japonês (Shogi), só que contra ele mesmo. Ele sabe quais são as regras, sabe a condição de vitória, mas ele nunca assistiu ninguém jogar.
É como se dois bebês, por exemplo, só soubessem as regras de um jogo, mas nunca viram ninguém jogando, só sabem que podem mover para a esquerda, já para a direita não podem, é impossível, mas eles sabem a condição vencedora. Assim, ficam os dois nenéns, na verdade, um neném só, jogando com ele mesmo, ele dá a volta do outro lado do tabuleiro, joga uma peça aleatória e do outro lado, joga outra peça aleatória e fala: “ah, nessa situação eu venci o jogo. Então, deixa eu olhar para trás e dar pesos para falar que nesse caminho é interessante, é positivo”, essa é uma forma de aprender do nada, de forma não supervisionada.
- GUILHERME SILVEIRA:
Isso mesmo, a classificação que eu fiz em supervisionada e não supervisionada é uma maneira de classificar o mundo, mas existem diversas maneiras.
Essa maneira binária de separar em supervisionado e não supervisionado tem vários problemas, inclusive tem alguns outros que a gente classifica como semi supervisionados, se você ficar pensando nessa polaridade.
Mas independente do tipo de classificação, têm maneiras diferentes de fazermos o programa aprender, como você citou anteriormente uma outra. Então nessa outra, imagine que você como ser humano também pode fazer isso, basta lembrar, por exemplo, quando você tinha aula de xadrez na infância com o professor, você tentava mexer o cavalo e ele falava: “não, veja bem, se você fizer isso vai acontecer a, b e c”, então ele já cortava alguns caminhos para você já entender como funcionava.
Agora imagine outra situação, em que você não tem esse professor e você faz o papel dos dois lados, você tenta jogar o cavalo, vai para o outro lado e fala: “hum, agora que aquela pessoa jogou o cavalo para cá, eu vou tentar pegar ela por aqui”. Nesse caso, é você jogando com você mesmo, e você aprende, não tem problema nenhum.
Só que você vai cometer, provavelmente, no começo, muito mais erros do que com alguém que poderia já ter te dado algumas dicas.
E uma das grandes sacadas é essa, agora alguns dos algoritmos que estão ganhando das pessoas, sejam no Go, no xadrez, no Starcraft, são algoritmos que aprenderam sozinhos, só jogando o jogo com elas mesmas.
O que é Deep Learning? #HipstersPontoTube
Engenharia de Machine Learning e o que se faz nessa profissão
Veja como é escrever e utilizar modelos preditivos, Jupyters notebooks e colocar para rodar num sistema em produção no mundo real, com alimentação a todo momento, autoajustes, autotreinos e muito mais:
Engenharia de machine learning – Hipsters Ponto Tech #248
O que faz uma pessoa engenheira de Machine Learning?
O que faz uma pessoa engenheira de Machine Learning? com Thiago Santos | #HipstersPontoTube
Educação em dados e machine learning
Educação em Dados e Machine Learning – Hipsters Ponto Tech #301
Veja por quais trilhas pode seguir seu aprendizado em machine learning, divididas por nível de dificuldade. Você vai encontrar como trabalhar com temas como:
- Aprendizado computacional;
- Sistemas de recomendação;
- Classificação;
- Redes neurais;
- Aprendizado supervisionado e não supervisionado.
E utilizando ferramentas como:
- Deep learning;
- SKLearn;
- Python;
- Watson.
Acesse: Por onde começar os estudos na área de dados?
Principais dicas para entrevistas de emprego em Machine Learning
Confira o vídeo a seguir, e saiba onde é usado o Machine Learning:
Principais dicas para entrevistas de emprego em Machine Learning | #HipstersPontoTube
Aplicações de Machine Learning
3 aplicações de Machine Learning onde você nem imagina com Thiago Santos | #HipstersPontoTube
Machine Learning e o MLOps
Machine Learning e o MLOps – Hipsters #171
Perguntas Frequentes:
Qual o objetivo do Machine Learning?
O objetivo do Machine Learning é desenvolver algoritmos e modelos capazes de aprender a partir de dados e realizar tarefas específicas sem serem explicitamente programados. Ele permite que os computadores automaticamente descubram padrões e façam previsões ou tomem decisões com base nesses padrões.
Quais são os tipos de machine learning?
Existem três tipos principais de Machine Learning: o aprendizado supervisionado, no qual os modelos são treinados com dados rotulados para fazer previsões ou classificações; o aprendizado não supervisionado, em que os modelos encontram padrões nos dados sem rótulos; e o aprendizado por reforço, no qual os modelos aprendem através de tentativa e erro, recebendo recompensas ou penalidades.
Qual a diferença entre Inteligência Artificial e Machine Learning?
A Inteligência Artificial (IA) é um campo mais amplo que abrange diferentes técnicas e abordagens para criar sistemas que podem simular a inteligência humana. Machine Learning, por outro lado, é uma subárea da IA que se concentra em desenvolver algoritmos que permitem que os computadores aprendam com os dados e melhorem seu desempenho ao longo do tempo, sem serem explicitamente programados.
Machine Learning e Python: Qual a relação?
Python é uma das linguagens de programação mais populares para desenvolver soluções de Machine Learning (ML). Ela oferece uma ampla gama de bibliotecas e frameworks, como TensorFlow e scikit-learn, que simplificam a implementação de algoritmos de Machine Learning. Python é conhecido por sua sintaxe clara e de fácil aprendizado, tornando-o uma escolha comum para os profissionais que trabalham com ML.
Deep Learning e Machine Learning: Principais diferenças
Deep Learning é uma subárea do Machine Learning que se concentra no treinamento de redes neurais profundas para aprender representações hierárquicas de dados. Enquanto o Machine Learning tradicional requer a extração manual de características dos dados, o Deep Learning é capaz de aprender essas características automaticamente. Isso permite que o Deep Learning lide com problemas mais complexos e com grandes volumes de dados, mas também requer mais recursos computacionais e conjuntos de dados de treinamento maiores.