Entendendo Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo
A Inteligência Artificial (IA) e seus subconjuntos Machine Learning (ML) e Deep Learning (DL) estão desempenhando um papel importante na Ciência de Dados. Data Science é um processo abrangente que envolve pré-processamento, análise, visualização e previsão. Vamos nos aprofundar na IA e seus subconjuntos.
Inteligência Artificial (IA) é um ramo da ciência da computação preocupado com a construção de máquinas inteligentes capazes de realizar tarefas que normalmente requerem inteligência humana. A IA é dividida principalmente em três categorias, conforme abaixo
Inteligência artificial estreita (ANI)
Inteligência Geral Artificial (AGI)
Super Inteligência Artificial (ASI).
A IA estreita, às vezes chamada de ‘IA fraca’, executa uma única tarefa de uma maneira específica da melhor maneira possível. Por exemplo, uma máquina de café automatizada rouba que executa uma sequência bem definida de ações para fazer café. Enquanto a AGI, também conhecida como ‘IA forte’, executa uma ampla gama de tarefas que envolvem pensar e raciocinar como um ser humano. Alguns exemplos são Google Assist, Alexa, Chatbots que usam Processamento de Linguagem Natural (NPL). A Super Inteligência Artificial (ASI) é a versão avançada que supera as capacidades humanas. Pode realizar atividades criativas como arte, tomada de decisão e relacionamentos emocionais.
Agora vamos ver Aprendizado de máquina (ML). É um subconjunto da IA que envolve a modelagem de algoritmos que ajudam a fazer previsões com base no reconhecimento de padrões e conjuntos de dados complexos. O aprendizado de máquina se concentra em permitir que os algoritmos aprendam com os dados fornecidos, coletem insights e façam previsões sobre dados não analisados anteriormente usando as informações coletadas. Diferentes métodos de aprendizado de máquina são
Aprendizagem supervisionada (IA fraca – Orientada por tarefas)
Aprendizagem não supervisionada (Strong AI – Data Driven)
aprendizado semi-supervisionado (IA forte – custo-benefício)
aprendizado de máquina reforçado. (IA forte – aprenda com os erros)
O aprendizado de máquina supervisionado usa dados históricos para entender o comportamento e formular previsões futuras. Aqui, o sistema consiste em um conjunto de dados designado. Ele é rotulado com parâmetros para a entrada e a saída. E à medida que os novos dados chegam, o algoritmo de ML analisa os novos dados e fornece a saída exata com base nos parâmetros fixos. O aprendizado supervisionado pode executar tarefas de classificação ou regressão. Exemplos de tarefas de classificação são classificação de imagem, reconhecimento facial, classificação de spam de e-mail, identificação de detecção de fraude, etc. e para tarefas de regressão são previsão do tempo, previsão do crescimento populacional, etc.
O aprendizado de máquina não supervisionado não usa nenhum parâmetro classificado ou rotulado. Ele se concentra na descoberta de estruturas ocultas de dados não rotulados para ajudar os sistemas a inferir uma função adequadamente. Eles usam técnicas como agrupamento ou redução de dimensionalidade. Clustering envolve agrupar pontos de dados com métrica semelhante. É orientado a dados e alguns exemplos de agrupamento são recomendação de filmes para usuários no Netflix, segmentação de clientes, hábitos de compra, etc. Alguns exemplos de redução de dimensionalidade são elicitação de recursos, visualização de big data.
O aprendizado de máquina semissupervisionado funciona usando dados rotulados e não rotulados para melhorar a precisão do aprendizado. O aprendizado semissupervisionado pode ser uma solução econômica quando a rotulagem de dados acaba sendo cara.
O aprendizado por reforço é bastante diferente quando comparado ao aprendizado supervisionado e não supervisionado. Pode ser definido como um processo de tentativa e erro, finalmente entregando resultados. t é alcançado pelo princípio do ciclo iterativo de melhoria (aprender com os erros do passado). O aprendizado por reforço também foi usado para ensinar aos agentes a condução autônoma em ambientes simulados. Q-learning é um exemplo de algoritmos de aprendizado por reforço.
Seguindo em frente para Aprendizado Profundo (DL), é um subconjunto de aprendizado de máquina em que você cria algoritmos que seguem uma arquitetura em camadas. O DL usa várias camadas para extrair progressivamente recursos de nível superior da entrada bruta. Por exemplo, no processamento de imagens, as camadas inferiores podem identificar arestas, enquanto as camadas superiores podem identificar os conceitos relevantes para um ser humano, como dígitos, letras ou rostos. DL é geralmente referido como uma rede neural artificial profunda e estes são os conjuntos de algoritmos que são extremamente precisos para problemas como reconhecimento de som, reconhecimento de imagem, processamento de linguagem natural, etc.
Para resumir, Data Science abrange IA, que inclui aprendizado de máquina. No entanto, o próprio aprendizado de máquina abrange outra subtecnologia, que é o aprendizado profundo. Graças à IA, ela é capaz de resolver problemas cada vez mais difíceis (como detectar o câncer melhor do que os oncologistas) melhor do que os humanos.
