Aprendizado de Máquina Aplicado à Mineração de Dados

Aprendizado de Máquina Aplicado à Mineração de Dados

Para os seres humanos, a aquisição de conhecimentos passa por um processo de aprendizado que, de certa forma, é uma tarefa trivial e comum. Ao longo de sua vida, diferentes experiências são vividas e, ao passo que crescem, novos conhecimentos contribuem para um amadurecimento de seu pensamento e de suas ações. Neste momento, a observação através dos sentidos, principalmente da visão e audição, e a interação com o ambiente, desempenham um papel fundamental no estabelecimento de novos conceitos e fixação de idéias já adquiridas.

De uma maneira formal, é dito que uma máquina aprende a partir de uma experiência E assimilada em um conjunto de tarefas T e performance medida P, se sua performance nas tarefas T, quando medidas em P, aumentam com a experiência E adquirida. Desta forma, com o objetivo de obter comportamentos ditos inteligentes no mundo dos computadores, uma linha de raciocínio vem sendo estudada pela área de inteligência artificial, cujo propósito é o desenvolvimento de teorias e modelos para capacidade cognitiva humana, através da implementação de sistemas computacionais baseados neste tipo de paradigma.

Em resposta às dificuldades de codificar volumes de conhecimento sempre crescentes em modernos sistemas de inteligência artificial, muitos pesquisadores têm voltado sua atenção para o aprendizado de máquina como meio de vencer o gargalo na aquisição de conhecimento. O aprendizado de máquina estuda métodos computacionais para a aquisição de novos conhecimentos, novas habilidades e novos meios de organizar o conhecimento já existente. Sua missão principal é responder a questão de como construir programas de computador que possam melhorar sua performance ao passo que adquirem experiência.

No paradigma de aprendizado de máquina, a construção de algoritmos classificadores utiliza-se dos processos indutivos, o qual pode ser visto como uma forma de inferência lógica que permite que conclusões gerais sejam obtidas de exemplos particulares. É caracterizado como o raciocínio que parte do específico para o geral, do particular para o universal, da parte para o todo. Nesta técnica, o aprendiz adquire um conceito fazendo inferências indutivas sobre os fatos apresentados. Neste caso, hipóteses geradas pela inferência indutiva podem ou não preservar a verdade.

Nesta seara, destacam-se alguns algoritmos classificadores, como a árvore de decisão, técnica de classificação que emprega estruturas de dados em forma de árvore, cujos vértices internos são pontos de decisão e cada folha é uma solução para um dado problema relacionado.

Outra técnica bastante utilizada é a rede neural, constituído por uma rede de unidades, cuja entrada geralmente é representada pelos atributos de identificação do classificador e a saída é representada pelas categorias que se deseja identificar.Uma maneira de treinar uma rede neural é utilizar a técnica de propagação para trás. Nesta técnica, uma vez que os termos sejam carregados nas unidades da entrada e ocorra uma falha de classificação, o erro encontrado será propagado de volta à rede, de forma que os parâmetros contidos nesta sejam ajustados a fim de proceder à classificação correta.

 Estas técnicas estão implementadas em softwares como o Weka e R, discutidos, respectivamente, nos cursos da Aprenda Virtual na área de Mineração de Dados e Linguagem R.

Clique para conhecer o curso de Mineração de Dados na Aprenda Virtual
Clique para conhecer o curso da Linguagem R na Aprenda Virtual

Nenhum Comentário

Escrever um Comentário