Quais são os tipos de aprendizado de máquina
Existem três tipos principais de aprendizado de máquina: supervisionado, não supervisionado e por reforço. O aprendizado supervisionado é aquele em que o algoritmo é treinado com um conjunto de dados rotulados, ou seja, com exemplos em que a resposta correta é conhecida, e a partir disso, o algoritmo é capaz de fazer previsões para novos dados. O aprendizado não supervisionado é aquele em que o algoritmo é treinado com um conjunto de dados não rotulados, e a partir disso, o algoritmo é capaz de encontrar padrões e estruturas nos dados. Já o aprendizado por reforço é aquele em que o algoritmo é treinado através de tentativa e erro, recebendo recompensas ou punições a cada ação tomada, e a partir disso, o algoritmo é capaz de aprender a tomar as melhores decisões em um determinado ambiente[1]. Cada tipo de aprendizado de máquina tem suas próprias técnicas e algoritmos específicos, e a escolha do tipo mais adequado depende do problema a ser resolvido e dos dados disponíveis[2].
Fontes:
[1] Vieses no Aprendizado de Máquina e suas Implicações Sociais: Um Estudo de Caso no Reconhecimento Facial https://www.semanticscholar.org/paper/26244dea840c48c6db6e125790c093a5e0ba3421
[2] INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: aplicações do aprendizado de máquina para apoiar a aprendizagem adaptativa https://www.semanticscholar.org/paper/9613827361fab669e50a9b7a536ab31b27e42adc
[3] Alternativas locacionais de empreendimentos utilizando aprendizado de máquina https://www.semanticscholar.org/paper/e77073dd5eeb4231e9970ad1b526f1f8f796b5f1
[4] Mitigando Vieses no Aprendizado de Máquina https://www.semanticscholar.org/paper/1f9717402042992bc82d594514460b950c045feb
[5] Detecção de fraudes no segmento de crédito financeiro utilizando aprendizado de máquina: uma revisão da literatura https://www.semanticscholar.org/paper/18f6ab6e3b949a3aa2248487afd5e599051c1551
[6] Modelos de Aprendizado de Máquina na Predição de Diabetes Tipo 1 na Gestação usando Dados do Sistema Único de Saúde https://www.semanticscholar.org/paper/95b73d056fecdd628eb687b9c40b1718bb915b88
Comentários
Postar um comentário