I.A. 2026

O que é Machine Learning

Tradução literal: Aprendizado de Máquina -> Capacidade do computador aprender;

Definição: subcampo da inteligência artificial (IA) que permite que computadores aprendam a partir de dados e melhorem seu desempenho de forma autônoma, sem precisarem ser explicitamente programados para cada tarefa.

O sistema analisa dados, identifica padrões e cria regras para tomar decisões ou fazer previsões.

Baseia-se em três etapas: Alimentação de Dados, Treinamento e Análise, Previsão/Evolução;

Diferença entre Machine Learning e Deep Learning

Deep Learning é um subcampo específico de Machine Learning que utiliza redes neurais artificiais com múltiplas camadas, exigindo muito mais dados e poder computacional, mas dispensando a seleção manual de características que o Machine Learning clássico demanda.

Características do Deep Learning

• Redes neurais profundas: Inspira-se na estrutura biológica do cérebro humano;
• Autonomia total;
• Aplicações complexas;

Os 4 Principais Tipos de Machine Learning

Os algoritmos de aprendizado são divididos principalmente de acordo com a forma como são treinados:

• Aprendizado supevisionado: usa dados rotulados;
• Aprendizado não supervisionado: usa dados sem etiquetas;
• Aprendizado semisupervisionado: mistura os dois anteriores;
• Aprendizado por reforço: tentativa e erro através de recompensa e punição;

Aprendizagem

O que é aprendizagem? É o processo de adquirir conhecimento.

• Processo é contínuo e evolutivo;
• Como ocorre? Através da relação com o ambiente;
• A máquina interage com o ambiente através de: 1) dados; 2) reforço;
  • Os dados são submetidos ao algoritmo de Machine Learning o qual produz o modelo;
  • O aprendizado pode ser persistido através de um modelo;

Modelo

Modelo é como uma memória do que foi aprendido;

• é o ‘cérebro’ matemático criado após o treinamento de um algoritmo;
• representa o conhecimento adquirido pela máquina a partir da análise de dados;
• serve para: fazer previsões, tomar decisões ou gerar novos conteúdos;
• o algoritmo é a receita, os dados são os ingredientes, o modelo é o prato pronto;

Ciclo

O ciclo para criação e estruturação do modelo:

• Treinamento: O algoritmo analisa milhões de exemplos;
• Pesos e Parâmetros: Durante o treinamento, o modelo ajusta seus pesos (importância);
• Artefato final: O modelo é exportado como um arquivo estático de computador;

Tipos de Modelos

Os tipos mais comuns de modelo são:

• Classificação: decidem sobre a categoria à qual algo pertence;
• Regressão: Prevêem um número exato;
• Linguagem (LLM): Prevêem a próxima palavra mais provável em um texto;
  • LLM: Large Language Model - Modelo de IA de Deep Learning treinado com volumes massivos de textos para compreender, processar, traduzir e gerar linguagem humana de forma natural;
• Visão Computacional: Processam e entendem imagens ou vídeos;

Características do Aprendizado

• O aprendizado deve evoluir;
• O aprendizado pode ser medido (mensurar o quanto a máquina aprendeu);

Aplicações

• Medicina
• Educação
• Finanças
• Detecção de fraudes
• Mineração de texto
• etc

Definições Gerais

• Estruturas de Dados: geralmente são dados tabulares
  • Possuem atributos, dimensões, características;
  • Atributos: são as colunas de um modelo de dados;
• Instância: é uma linha da tabela;
• Classe: é o atributo que representa o objetivo do modelo de Machine Learning
  • o atributo não precisa chamar-se ‘classe’
  • Classificação: é prever ou descrever o atributo classe
• Tipo de dados: Há dois tipos: categóricos e numéricos;
  • categóricos:
  • numéricos:
  • discretização: processo de transformar uma variável numérica contínua em variáveis categóricas discretas (intervalos ou classes). Ex: altura -> transformar de um número para uma descrição (baixo, médio, alto);