Início
topics
supervised learning
Aprendizagem supervisionada, também conhecida como aprendizado de máquina supervisionado, é uma subcategoria de aprendizado de máquina e inteligência artificial. É definido pelo uso de conjuntos de dados rotulados para treinar algoritmos que classificam dados ou preveem resultados com precisão.
À medida que os dados de entrada são inseridos no modelo, ele ajusta seus pesos até que o modelo tenha sido ajustado adequadamente, o que ocorre como parte do processo de validação cruzada. O aprendizado supervisionado ajuda as organizações a resolver diversos problemas do mundo real em escala, como classificar o spam em uma pasta separada da sua caixa de entrada. Ele pode ser usado para criar modelos de aprendizado de máquina altamente precisos.
Saiba mais sobre as barreiras à adoção de IA, especialmente a falta de soluções de governança de IA e gerenciamento de riscos.
O aprendizado supervisionado usa um conjunto de treinamento para ensinar os modelos a produzir o resultado desejado. Esse conjunto de dados de treinamento inclui entradas e saídas corretas, o que permite ao modelo aprender com o tempo. O algoritmo mede sua precisão por meio da função de perda, ajustando-se até que o erro tenha sido suficientemente minimizado.
O aprendizado supervisionado pode ser separado em dois tipos de problemas na mineração de dados: classificação e regressão:
Vários algoritmos e técnicas computacionais são usados em processos supervisionados de aprendizado de máquina. Abaixo estão breves explicações de alguns dos métodos de aprendizagem mais comumente usados, normalmente calculados através do uso de programas como R ou Python:
O aprendizado de máquina não supervisionado e o aprendizado de máquina supervisionado são frequentemente discutidos juntos. Diferentemente do aprendizado supervisionado, o aprendizado não supervisionado usa dados não rotulados. A partir desses dados, ele descobre padrões que ajudam a resolver problemas de agrupamento ou associação. Isso é particularmente útil quando os especialistas em um assunto não têm certeza das propriedades comuns em um conjunto de dados. Algoritmos comuns de agrupamento são modelos hierárquicos, k-means e de mistura gaussiana.
A aprendizagem semi-supervisionada ocorre quando apenas parte dos dados de entrada fornecidos foi rotulada. A aprendizagem não supervisionada e semi-supervisionada pode ser uma alternativa mais atraente, pois pode ser demorado e dispendioso confiar na experiência do domínio para rotular os dados adequadamente para a aprendizagem supervisionada.
Para se aprofundar nas diferenças entre essas abordagens, confira "Aprendizado supervisionado versus não supervisionado: qual é a diferença?"
Modelos de aprendizado supervisionado podem ser usados para construir e avançar uma série de aplicações de negócios, incluindo o seguinte:
Embora o aprendizado supervisionado possa oferecer vantagens às empresas, como insights profundos de dados e automação aprimorada, existem alguns desafios ao criar modelos sustentáveis de aprendizado supervisionado. A seguir estão alguns desses desafios:
Crie e escale a IA confiável em qualquer nuvem. Automatize o ciclo de vida da IA para ModelOps.
Conecte os dados certos, no momento certo, às pessoas certas em qualquer lugar.
Híbrida. Aberta. Resiliente. Sua plataforma e seu parceiro para a sua transformação digital.
Conheça os conceitos fundamentais de IA e IA generativa, incluindo engenharia de prompts, grandes modelos de linguagem e os melhores projetos em código aberto.
Neste artigo, exploraremos os fundamentos de duas abordagens de ciência de dados: supervisionada e não supervisionada.
Explore algumas abordagens de aprendizado supervisionado, como máquinas de vetores de suporte e classificadores probabilísticos