{"id":652,"date":"2023-06-22T09:00:00","date_gmt":"2023-06-22T09:00:00","guid":{"rendered":"https:\/\/makewise.pt\/pt\/?p=652"},"modified":"2024-02-28T09:00:31","modified_gmt":"2024-02-28T09:00:31","slug":"aprendizagem-supervisionada-sabe-o-que-e","status":"publish","type":"post","link":"https:\/\/makewise.pt\/pt\/aprendizagem-supervisionada-sabe-o-que-e\/","title":{"rendered":"Aprendizagem supervisionada: Sabe o que \u00e9?"},"content":{"rendered":"\n

O Machine Learning \u00e9 uma parte importante da IA, pois permite que os computadores aprendam e melhorem com a experi\u00eancia. Na programa\u00e7\u00e3o tradicional um programador escreve c\u00f3digo para executar tarefas espec\u00edficas, no Machine Learning, o algoritmo analisa os dados e aprende a melhorar o seu desempenho com o tempo. Pode ler mais sobre machine learning, neste artigo<\/a>.<\/p>\n\n\n\n\n\n\n\n

<\/div>\n\n\n\n

O que \u00e9 a aprendizagem supervisionada?<\/strong><\/h2>\n\n\n\n
\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n<\/figure>\n\n\n\n

A aprendizagem supervisionada \u00e9 um ramo de machine learning que utiliza dados de treino rotulados para ajudar os modelos a funcionar com maior precis\u00e3o. Os dados de treino rotulados funcionam como um supervisor\/professor para o algoritmo de machine learning.<\/p>\n\n\n\n

Embora existam outros tipos de modelos de machine learning, como a aprendizagem n\u00e3o supervisionada e a aprendizagem semi-supervisionada, neste artigo vamos centrar-nos na aprendizagem supervisionada.<\/p>\n\n\n\n

\u00c0 medida que o mercado global de machine learning continua a expandir-se, a aprendizagem supervisionada como metodologia de Machine Learning torna-se ainda mais relevante a cada dia que passa.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Como funciona a aprendizagem supervisionada?<\/strong><\/h2>\n\n\n\n

A aprendizagem supervisionada permite que o resultado seja gerado a partir de dados rotulados. Isto significa que um algoritmo de aprendizagem supervisionada analisa os dados de treino e produz um resultado com base nos mesmos. Para tal, o algoritmo de aprendizagem generaliza os dados de treino para situa\u00e7\u00f5es in\u00e9ditas de uma forma razo\u00e1vel.<\/p>\n\n\n\n

Tudo isto \u00e9 poss\u00edvel quando o modelo recebe dados de forma\u00e7\u00e3o de elevada qualidade. Para simplificar, quanto mais o algoritmo aprende, melhores s\u00e3o as suas previs\u00f5es futuras e, com as novas previs\u00f5es, continua a aprender com os dados, corrigindo os seus erros e fornecendo melhores resultados.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Categorias de aprendizagem supervisionada<\/strong><\/h2>\n\n\n\n

A aprendizagem supervisionada pode ser dividida em diferentes categorias, tais como:<\/p>\n\n\n\n

Classifica\u00e7\u00e3o<\/strong><\/h3>\n\n\n\n

Quando se utiliza a classifica\u00e7\u00e3o, um valor de entrada passa pelo processo de atribui\u00e7\u00e3o de uma classe ou categoria espec\u00edfica, que \u00e9 determinada pelos dados de treino disponibilizados. \u00c9 utilizado um modelo de classifica\u00e7\u00e3o para efetuar previs\u00f5es relativamente \u00e0 categoria a que pertencem os dados fornecidos. Um exemplo desta situa\u00e7\u00e3o \u00e9 a tarefa de classifica\u00e7\u00e3o bin\u00e1ria que consiste em determinar se uma mensagem de email \u00e9 spam ou n\u00e3o. Neste cen\u00e1rio, o modelo tem de escolher entre duas classes: spam e n\u00e3o spam. Este modelo tamb\u00e9m pode fornecer classifica\u00e7\u00e3o multi-classe, sendo capaz de classificar mais de duas classes, como tipos de animais. Por exemplo, uma fotografia de dois animais de diferentes esp\u00e9cies juntos consiste em duas classes diferentes.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Regress\u00e3o<\/strong><\/h3>\n\n\n\n

A diferen\u00e7a entre os algoritmos de classifica\u00e7\u00e3o e de regress\u00e3o \u00e9 que os algoritmos de regress\u00e3o s\u00e3o utilizados para prever valores cont\u00ednuos, como resultados de testes, enquanto os algoritmos de classifica\u00e7\u00e3o s\u00e3o utilizados para prever valores bin\u00e1rios, como spam\/n\u00e3o spam ou verdadeiro\/falso. A regress\u00e3o \u00e9 um procedimento que descobre uma liga\u00e7\u00e3o significativa entre vari\u00e1veis dependentes e independentes, permitindo a previs\u00e3o de um valor num\u00e9rico cont\u00ednuo. Por exemplo, um algoritmo de regress\u00e3o pode ser utilizado para estimar a nota do teste de um aluno com base no n\u00famero de horas que ele dedicou ao estudo. Neste cen\u00e1rio, as horas estudadas servem como vari\u00e1vel independente, enquanto a nota final do teste do aluno \u00e9 a vari\u00e1vel dependente.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Algoritmos de aprendizagem supervisionada<\/strong><\/h2>\n\n\n\n

Os algoritmos de aprendizagem supervisionada visam determinar os passos necess\u00e1rios para ajudar os utilizadores a alcan\u00e7ar o resultado pretendido. Abordam principalmente dois tipos de problemas: regress\u00e3o e classifica\u00e7\u00e3o, dando origem a v\u00e1rios tipos de modelos de aprendizagem supervisionada. Vamos explorar alguns modelos normalmente utilizados.<\/p>\n\n\n\n

\n
\n

Regress\u00e3o linear<\/strong><\/h3>\n\n\n\n
\"\"<\/figure>\n\n\n\n

A regress\u00e3o linear \u00e9 um algoritmo simples e amplamente utilizado em machine learning. O seu principal objetivo \u00e9 prever resultados futuros, estabelecendo uma rela\u00e7\u00e3o entre uma vari\u00e1vel dependente e uma ou mais vari\u00e1veis independentes utilizando uma linha reta. \u00c9 normalmente utilizado para an\u00e1lises preditivas, como a previs\u00e3o de vendas, a determina\u00e7\u00e3o do pre\u00e7o dos produtos ou a estimativa da idade. Quando existe apenas uma vari\u00e1vel independente, \u00e9 designada por regress\u00e3o linear simples e, quando s\u00e3o inclu\u00eddas outras vari\u00e1veis independentes, por regress\u00e3o linear m\u00faltipla.<\/p>\n<\/div>\n\n\n\n

\n

Regress\u00e3o log\u00edstica<\/strong><\/h3>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Semelhante \u00e0 regress\u00e3o linear, os modelos de regress\u00e3o log\u00edstica t\u00eam como objetivo identificar rela\u00e7\u00f5es entre os dados introduzidos. A regress\u00e3o log\u00edstica \u00e9 utilizada principalmente para resolver problemas de classifica\u00e7\u00e3o bin\u00e1ria, como a identifica\u00e7\u00e3o de spam, e \u00e9 adequada quando existem resultados bin\u00e1rios como sim\/n\u00e3o ou verdadeiro\/falso. Uma das vantagens da regress\u00e3o log\u00edstica \u00e9 a sua capacidade de fornecer probabilidades e classificar novos dados, considerando conjuntos de dados cont\u00ednuos e discretos.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n
\n

Redes neurais<\/strong><\/h3>\n\n\n\n
\"\"<\/figure>\n\n\n\n

As redes neurais s\u00e3o algoritmos de machine learning que imitam a estrutura e o funcionamento do c\u00e9rebro humano. S\u00e3o constitu\u00eddas por neur\u00f3nios artificiais interligados que processam informa\u00e7\u00e3o e fazem previs\u00f5es.<\/strong><\/p>\n\n\n\n

Uma das principais vantagens das redes neuronais \u00e9 a sua capacidade de aprender e melhorar atrav\u00e9s de um processo de treino.<\/p>\n<\/div>\n\n\n\n

\n

\u00c1rvores de decis\u00e3o<\/strong><\/h3>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Este modelo organiza os dados em subconjuntos mais pequenos e faz previs\u00f5es seguindo uma s\u00e9rie de decis\u00f5es baseadas nas caracter\u00edsticas de entrada. Cada n\u00f3 da \u00e1rvore representa um teste a uma carater\u00edstica e os ramos indicam o resultado desse teste. No final dos ramos, \u00e9 fornecida uma previs\u00e3o ou etiqueta de classe.<\/p>\n\n\n\n

Uma das vantagens das \u00e1rvores de decis\u00e3o \u00e9 a sua simplicidade, tornando-as acess\u00edveis mesmo a n\u00e3o especialistas em machine learning. Podem tratar tanto dados categ\u00f3ricos como num\u00e9ricos, o que aumenta a sua popularidade e versatilidade.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n

Vantagens e desvantagens da aprendizagem supervisionada<\/strong><\/h2>\n\n\n\n

Vantagens<\/strong> <\/strong><\/h3>\n\n\n\n