A aprendizagem automática treina algoritmos para encontrar padrões em dados e fazer previsões. Em vez de programar regras explícitas, alimenta o algoritmo com exemplos. Aprende a relação entre entradas e saídas. Em seguida, aplica essa aprendizagem a novos dados. Um filtro de spam aprende com milhões de e-mails rotulados. Um sistema de recomendação aprende com o comportamento do utilizador. Um modelo antifraude aprende com transações históricas. O algoritmo melhora à medida que processa mais dados, até certo ponto.

Os principais tipos são a aprendizagem supervisionada, não supervisionada e por reforço. A aprendizagem supervisionada utiliza dados rotulados. O algoritmo aprende a mapear entradas para saídas conhecidas. A classificação prevê categorias. A regressão prevê números. A aprendizagem não supervisionada encontra estrutura em dados não rotulados. O agrupamento agrupa registos semelhantes. A redução de dimensionalidade simplifica dados complexos. A aprendizagem por reforço treina um agente através da tentativa e erro, recompensando as boas ações e penalizando as más. Alimenta sistemas de jogos e robótica. Cada tipo adequa-se a problemas diferentes. A qualidade dos dados de treino determina a qualidade do modelo. Os dados enviesados ​​​​produzem previsões enviesadas. Dados incompletos produzem previsões não fiáveis. O sobreajuste (overfitting) é o risco constante. Um modelo que memoriza os dados de treino tem um desempenho fraco com novos dados. A regularização, a validação cruzada e mais dados ajudam. O machine learning é poderoso e frágil. Encontra padrões, incluindo padrões que não deveriam existir.

tipos de aprendizagem de máquina

• Supervisionado — dados rotulados, classificação e regressão.
• Métodos não supervisionados — dados não rotulados, agrupamento e redução de dimensionalidade.
• Reforço — tentativa e erro com recompensas
• Aprendizagem profunda — redes neuronais com muitas camadas

A aprendizagem automática é o reconhecimento de padrões em grande escala. O padrão é tão bom quanto os dados que o produziram.