Pular para conteúdo

1. Introdução ao Machine Learning

1.1. O Que é Machine Learning?

Machine Learning (Aprendizado de Máquina) é um subcampo da Inteligência Artificial que utiliza algoritmos estatísticos para permitir que sistemas "aprendam" com dados, identificando padrões e tomando decisões com intervenção humana mínima.

1.2. Relação com a Estatística

O Machine Learning é essencialmente Estatística computacional em ação. Enquanto a Estatística tradicional foca em inferência e testes de hipóteses, o ML prioriza a predição e a automatização. Ambas compartilham:

  • Modelos de regressão e classificação
  • Técnicas de validação cruzada
  • Métricas de desempenho (RMSE, AUC-ROC)
  • Tratamento de viés e variância

1.3. Principais Categorias

  1. Aprendizado Supervisionado
    (Dados rotulados - Regressão/Classificação)
    Ex: Prever preços de imóveis (Regressão Linear) ou diagnosticar doenças (Árvores de Decisão)

  2. Aprendizado Não-Supervisionado
    (Dados não rotulados - Clusterização)
    Ex: Segmentação de clientes (K-Means), Redução de dimensionalidade (PCA)

  3. Aprendizado por Reforço
    (Sistemas que aprendem por tentativa e erro)
    Ex: Jogos autônomos, Robótica

1.4. Por Que Combinar Estatística e ML?

Estatística Clássica Machine Learning
Foco em interpretabilidade Foco em performance preditiva
Amostras menores Grandes volumes de dados
Testes de significância Otimização de hiperparâmetros

1.5. Aplicações Práticas

🏥 Saúde: Diagnóstico de câncer com redes neurais

🏦 Finanças: Detecção de fraudes em transações

🛒 Varejo: Sistemas de recomendação (como os da Amazon/Netflix)

"Machine Learning é estatística em esteróides, mas sem compreensão >estatística, você estará apenas pressionando botões aleatórios." — John Tukey

2. Tópicos de Machine Learning

2.1. classificação versus regressão

Existem duas categorias de problemas que podem ser bem resolvidos com a utilização de Machine Learning: os de classificação e os de regressão.

2.1.1. Classificação

Quando precisamos prever a qual categoria pertence uma determinada amostra, trata-se de um problema de classificação. Alguns exemplos que podemos citar são:

Prever se um(a) determinado(a) paciente está com Covid. Se um(a) cliente está propenso(a) a desistir da compra. Se algum(a) usuário(a) web está propenso(a) a clicar em um anúncio. Nesses casos mencionados, a previsão se concentra em 0 ou 1 (Covid/não Covid, desistir/não desistir, clicar/não clicar) que é denominada de classificação binária, na qual existem somente duas classes. Há também casos em que a classificação se dá com mais duas classes, chamada de classificação multiclasse, como a filtragem dos e-mails em “principal”, “social”, “promoções”, “importantes” ou “fóruns”.

Entre os algoritmos de classificação podemos citar:

  • K-Nearest Neighbors (KNN)
  • Support Vector Machine (SVM)
  • Decision Tree Classifier
  • Random Forest Classifier

2.1.2. Regressão

Quando precisamos prever um valor numérico específico, isso indica que estamos lidando com um problema de regressão. Alguns exemplos desses problemas estão relacionados à previsão de:

  • preços/custos futuros;
  • estoque;
  • receita futura.

Nessas situações, podemos utilizar algum modelo de regressão para realizar essas previsões e apresentar como resposta algum valor contínuo relacionado ao problema. Existem diferentes tipos de algoritmos de machine learning utilizados para resolver esse tipo de problema:

  • Linear Regression;
  • Random Forest Regressor;
  • Support Vector Regression (SVR).

Fonte

3. Conteúdos disponíveis