Kitabı oku: «Aprendizado De Máquina Em Ação»

Aprendizado de Máquina em Ação

Um manual para leigos

Alan T. Norman

Tradutora: Rafael Aguiar

Copyright © Todos direitos reservados.

Nenhuma parte desta publicação pode ser reproduzida, distribuída ou transmitida em qualquer formato ou por quaisquer meios, incluindo cópias físicas, gravação, ou outros métodos eletrônicos ou mecânicos, ou por qualquer sistema de armazenamento e recuperação de informações sem a prévia permissão por escrito do editor, exceto no caso de breves citações incorporadas a revisões críticas e outros usos não comerciais específicos permitidos pela lei de direitos autorais.

Índice

Por que escrevi esse livro

Esse livro não é sobre algoritmos de codificação de aprendizado de máquina

Um manual para leigos

Capítulo 1. O que é aprendizado de máquina?

Programação explícita vs. treinamento de algoritmos

Definições: Inteligência artificial vs. aprendizado de máquina vs. redes neurais

Conceitos básicos

Aprendizado supervisionado vs. não supervisionado

Quais problemas o aprendizado de máquina pode solucionar?

A caixa preta: o que não sabemos sobre aprendizado de máquina

Indo mais a fundo

Capítulo 2. Limpeza, rotulagem e curadoria de conjunto de dados

Limpando o conjunto de dados

Necessidade de conjuntos de dados muito grandes para AM

Necessidade de ser bem rotulado

Capítulo 3. Escolhendo ou Escrevendo um Algoritmo de AM

Conceitos básicos

Tipos de algoritmos populares

O que é necessário para escrever um novo algoritmo

Capítulo 4. Treinar e implementar um algoritmo

Programação envolvida

Estática vs. dinâmica

Ajuste e engenharia de atributos

Descartando um algoritmo

Capítulo 5. Aplicações do aprendizado de máquina no mundo real

Transportes

Recomendações de Produtos

Finanças

Assistentes de Voz, Casas Inteligentes e Carros

Conclusão

Sobre O Autor

Livro Bônus Baleias de Bitcoins

Outros Livros do Alan T. Norman:

Por que escrevi esse livro

Bem-vindo ao mundo do aprendizado de máquina!

A inteligência artificial está preparada para mudar o curso da história humana, talvez mais que qualquer tecnologia já criada. Grande parte dessa revolução é o aprendizado de máquina.

Aprendizado de máquina é a ciência de ensinar computadores a fazer previsões baseadas em dados. Basicamente, aprendizado de máquina envolve dar a um computador um conjunto de dados e pedir a ele que faça uma previsão. No início, o computador fará muitas previsões incorretas. No entanto, após fazer milhares de previsões, o computador reconfigurará seu algoritmo, aprimorando suas previsões.

Esse tipo de previsão computacional era impossível. Os computadores simplesmente não conseguiam armazenar muitos dados ou processá-los suficientemente rápido para aprenderem de forma efetiva. Atualmente, a cada ano, a inteligência dos computadores aumenta em uma velocidade muito alta. Avanços no armazenamento de dados e no poder de processamento estão impulsionando essa tendência em direção a máquinas cada vez mais inteligentes. Como resultado, os computadores estão fazendo coisas que seriam impensáveis há apenas uma ou duas décadas.

O aprendizado de máquina já está afetando nossa vida diária. A Amazon usa o aprendizado de máquina para prever quais produtos você vai querer comprar. O Gmail o usa para filtrar mensagens de spam da sua caixa de entrada. Suas recomendações de filmes na Netflix são baseadas em algoritmos de aprendizado de máquina.

Contudo, os impactos do aprendizado de máquina não param por aqui. Os algoritmos de aprendizado de máquina estão fazendo previsões para todo o tipo de atividade, da agricultura à área de saúde. Além disso, seus impactos serão sentidos de novas formas e em novos setores a cada ano. À medida que novas aplicações de aprendizado de máquina surgem, vamos gradualmente aceitando-as como parte da vida normal. No entanto, esta nova dependência de máquinas inteligentes é um ponto de transição na história da tecnologia e uma tendência que se acelera a cada dia.

No futuro, o aprendizado de máquina e a inteligência artificial serão responsáveis pela automação de muitas tarefas feitas hoje por humanos. Carros auto-dirigíveis dependem do aprendizado de máquina para o reconhecimento de imagem, e eles progressivamente se tornarão parte do transporte, assim como caminhões auto-conduzidos e outros veículos para o transporte de mercadorias. Atualmente, grande parte da agricultura e manufatura é automatizada, de forma que o aprendizado de máquina está provendo os alimentos que consumimos e os bens que utilizamos. A tendência para a automação está só acelerando. Outras aplicações de aprendizado de máquina podem fundamentalmente mudar tarefas feitas por humanos no dia-a-dia, na medida em que as máquinas se tornam mais aptas para controlar processos e concluir trabalhos de conhecimento.

Como o aprendizado de máquina terá um impacto tão profundo na vida diária, é importante que todos tenham acesso à informação sobre como isso funciona. É por isso que escrevi esse livro. O cenário atual de informações sobre aprendizado de máquina está dividido.

Primeiramente, há explicações para o público geral, que dificultam os conceitos. Estes "explicadores" fazem o aprendizado de máquina parecer como algo que somente especialistas pudessem entender.

Em segundo lugar, há documentos técnicos escritos por especialistas para especialistas. Eles excluem o público geral, com jargões e complexidades. Obviamente, escrever e executar um algoritmo de aprendizado de máquina é um feito enormemente técnico, e essas explicações técnicas são importantes. No entanto, há um buraco na atual literatura a respeito de aprendizado de máquina.

E quanto aos leigos que realmente querem entender essa revolução tecnológica, não necessariamente sabendo escrever códigos, mas sim compreender as mudanças que estão ocorrendo à sua volta? A compreensão dos princípios básicos sobre aprendizado de máquina não deveria estar limitada a uma elite tecnológica. Essas mudanças afetarão a todos nós. Elas têm consequências éticas, e é importante que o público saiba sobre todos os benefícios e desvantagens do aprendizado de máquina.

É por isso que escrevi esse livro. Se isso soa interessante para você, eu espero que aproveite.

Esse livro não é sobre algoritmos de codificação de aprendizado de máquina

Caso essa declaração na introdução não tenha sido suficientemente clara: este não é um livro sobre codificação. Não é para cientistas da computação aprenderem como criar algoritmos de aprendizado de máquina.

Para começar, não sou nem um pouco qualificado para escrever um livro sobre isso. Pessoas passam anos aprendendo as complexidades da escrita de algoritmos e redes de treinamento. Existem programas inteiros de PhD que exploram os meandros desta área, desenhando em álgebra linear e análise preditiva. Se você mergulhar fundo nos detalhes do aprendizado de máquina e amar isso o suficiente para obter um PhD, você poderá facilmente sair ganhando entre 300 e 600 mil dólares, trabalhando para uma grande empresa de tecnologia. É dessa forma que essas atividades são tão raras e valiosas.

Eu não tenho essas qualificações, e não vejo mal algum nisso. Se você chegou até esse livro, você é um iniciante interessado em aprendizado de máquina. Provavelmente, você não é um técnico, ou se é, está buscando um livro sobre seus fundamentos, para iniciar com os conceitos básicos. Como um escritor da área de tecnologia, estou constantemente aprendendo sobre tecnologias. Sou um estudante de aprendizado de máquina e lembro-me como é ser um iniciante. Posso ajudar a explicar os conceitos básicos, de uma forma fácil de entender. Uma vez que tiver lido esse livro, você terá uma sólida compreensão sobre os princípios fundamentais que facilitarão seu acesso a um livro mais avançado, caso queira aprender mais.

Dito isso, caso sinta que já entende os princípios básicos ou realmente queira um livro que o ensine os detalhes práticos sobre como escrever e treinar um algoritmo de aprendizado de máquina, então provavelmente esse livro não é para você.

Um manual para leigos

O real objetivo desse livro é ser uma introdução fácil de ler sobre aprendizado de máquina. Meu objetivo é escrever um livro que qualquer um possa ler, mantendo-o, ao mesmo tempo, fiel aos princípios sobre aprendizado de máquina, sem inferiorizar seus conceitos. Estou certo da inteligência de meus leitores, e não acho que um livro para iniciantes tenha que necessariamente sacrificar complexidades e nuances. Sendo assim, este não é um livro grande e nem tampouco abrangente. Aqueles interessados no tema vão querer se aprofundar através de outros livros e pesquisas.

Neste livro, veremos os conceitos básicos e tipos de aprendizado de máquina. Investigaremos como eles funcionam. Então, exploraremos questões sobre conjunto de dados, e escrita e treinamento de algoritmos. Por fim, veremos casos de aplicação do aprendizado de máquina no mundo real, e áreas onde ele deverá ser usado no futuro.

Mais uma vez, bem-vindo ao aprendizado de máquina. Vamos mergulhar nisso...

Capítulo 1. O que é aprendizado de máquina?

O objetivo desse primeiro capítulo é estabelecer a base do resto que você lerá nesse livro. Aqui, identificaremos os conceitos básicos que exploraremos mais detalhadamente em capítulos futuros. Este livro constrói-se por si próprio, e neste capítulo estão os fundamentos.

Dito isso, o ponto lógico para começar é definindo o que queremos dizer quando falamos sobre aprendizado de máquina.

Minha definição simples é a seguinte: aprendizado de máquina permite que um computador aprenda pela experiência.

Isso deve até soar trivial, mas a falha na definição pode provocar implicações profundas. Antes do aprendizado de máquina, os computadores não eram capazes de melhorar através da experiência. Ao invés disso, o que quer que o código dissesse é o que o computador fazia.

Aprendizado de máquina, em sua explicação mais simples, envolve permitir que um computador varie suas respostas, dando um retorno com respostas boas ou ruins. Isso significa que os algoritmos de aprendizado de máquina são fundamentalmente diferentes dos programas de computadores que surgiram antes deles. Entender a diferença entre programação explícita e treino de algoritmos é o primeiro passo para vermos como o aprendizado de máquina muda fundamentalmente a ciência da computação.

Programação explícita vs. treinamento de algoritmos

Com algumas exceções recentes, praticamente qualquer software que você já tenha usado na vida foi certamente programado. Isso significa que algum humano escreveu um conjunto de regras para o computador seguir. Tudo, desde o sistema operacional do seu computador até a internet ou aplicativos do seu telefone têm códigos escritos por um humano. Sem humanos para dar a um computador um conjunto de regras para ele funcionar, este não seria capaz de fazer nada.

A programação explícita é ótima. Ela é o fundamento para tudo o que fazemos atualmente com computadores. É ideal para quando você precisa de um computador para gerenciar dados, calcular um valor, ou manter um registro de relacionamentos para você. A programação explícita é muito poderosa, mas ela tem um gargalo: o humano.

Isso passa a ser um problema quando queremos fazer coisas complexas com um computador, como pedir para que reconheça a foto de um gato. Se usássemos a programação explícita para ensinar um computador o quê deve observar em um gato, passaríamos anos escrevendo códigos para cada contingência. E se você não puder ver todas as quatro patas na foto? E se o gato tiver uma cor diferente? O computador seria capaz de distinguir um gato preto em um pano de fundo preto ou um gato branco na neve?

Todas essas coisas são claras para os humanos. Nossos cérebros reconhecem coisas rápido e facilmente em muitos contextos. Computadores não são tão bons nisso, e seriam necessárias milhares de linhas de código explícito para ensinar um computador a identificar um gato. Na verdade, talvez nem seja possível explicitamente programar um computador para identificar gatos com 100% de precisão, porque o contexto pode sempre mudar e confundir seu código.

É aí que os algoritmos entram em cena. Com a programação explícita, estávamos tentando dizer ao computador o que é um gato e dar subsídios para cada contingência em nosso código. Em contraste, algoritmos de aprendizado de máquina permitem ao computador descobrir o que é um gato.

Para começar, o algoritmo deve conter algumas características principais. Por exemplo, podemos dizer ao computador para que procure quatro patas e um rabo. Então, alimentamos o algoritmo com muitas imagens. Algumas das imagens são de gatos, mas outras podem ser de cães, árvores ou imagens aleatórias. Quando o algoritmo faz uma suposição, reforçamos suposições corretas e damos uma resposta negativa para as incorretas.

Com o tempo, o computador usará o algoritmo para construir seu próprio modelo do que procurar para identificar um gato. Os componentes no modelo do computador podem ser coisas em que nem pensamos no início. Com mais reforços e milhares de imagens, o algoritmo se tornará gradualmente melhor na identificação de gatos. Talvez nunca alcance 100% de precisão, mas será preciso o suficiente para substituir uma imagem de gato rotulada por humanos e mais eficiente.

Algoritmos são instruções, porém não são regras explícitas. São uma nova forma de dizer a um computador como abordar uma tarefa. Eles apresentam ciclos de respostas que são corrigidas automaticamente em um processo de centenas ou milhares de tentativas em uma tarefa.

Definições: Inteligência artificial vs. aprendizado de máquina vs. redes neurais

Este livro é sobre aprendizado de máquina, mas esse termo se enquadra em um contexto mais amplo. Como o aprendizado de máquina está crescendo em popularidade, este assunto tem recebido muita cobertura jornalística. Nesses artigos, jornalistas frequentemente usam os termos inteligência artificial, aprendizado de máquina e redes neurais intercambiáveis. No entanto, existem pequenas variações entre os três termos.

Inteligência artificial (IA) é o mais velho e mais amplo dos três termos. Criada em meados do século 20, a inteligência artificial refere-se a qualquer momento em que uma máquina observa e responde a seu ambiente. Ela está em contraste com a inteligência natural dos humanos e animais. Ao longo do tempo, no entanto, seu escopo tem mudado. Por exemplo, o reconhecimento de caracteres costumava ser um grande desafio para a IA. Hoje, trata-se de uma rotina e não é mais considerado parte da IA. À medida que descobrimos novos usos para a IA, estes são integrados à base de referência do que é normal, e o escopo da IA se amplia para qualquer nova função que surja.

Aprendizado de máquina é um subconjunto específico da IA. Nós já gastamos algum tempo o definindo neste capítulo, mas ele refere-se a dar a uma máquina um ciclo de respostas que a permite aprender pela experiência. Como termo, o aprendizado de máquina existe desde os anos 80. Só recentemente, nos últimos 10 a 15 anos obtivemos o poder de processamento e armazenamento de dados para realmente começar a implementar o aprendizado de máquinas em escala.

Redes neurais são um subconjunto do aprendizado de máquina e são a maior tendência do setor no momento. Um rede neural consiste em muitos nós que trabalham juntos para produzir uma resposta. Cada um dos diminutos nós tem uma função específica. Por exemplo, quando olhamos para uma imagem, os nós de baixo nível podem identificar cores ou linhas específicas. Nós posteriores podem agrupar as linhas em formas, medir distâncias ou procurar a intensidade da cor. Cada um desses nós é então avaliado por seu impacto na resposta final. No início, a rede neural cometerá muitos erros, porém, ao longo de muitas tentativas, atualizará a avaliação de cada nó, aprimorando na identificação da resposta correta.

Agora, quando você ler um artigo sobre IA, aprendizado de máquina ou redes neurais, entenderá a diferença. O fundamental é entender que eles são subconjuntos. Redes neurais são só um tipo de aprendizado de máquina que, por sua vez, é apenas parte da inteligência artificial.

Conceitos básicos

O aprendizado de máquina pode ser implementado em muitos casos. Contanto que haja dados significativos para analisar, o AM pode ajudar a entendê-los. Dessa forma, cada projeto de aprendizado de máquina é diferente. No entanto, existem cinco aspectos principais para qualquer aplicação de aprendizado de máquina: