O aprendizado supervisionado, conhecido também como machine learning supervisionado, é uma subcategoria de machine learning e de 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 input são inseridos no modelo, ele adapta sua ponderação até que o modelo seja 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 grande escala, como a classificação de spam em uma pasta separada da sua caixa de entrada.
Watson Studio
SPSS Statitiscs
O aprendizado supervisionado usa um conjunto de treinamento para ensinar modelos a mostrar o output desejado. Este conjunto de dados de treinamento inclui inputs e outputs corretos, que permitem que o modelo aprenda com o tempo. O algoritmo mede sua precisão através da função de perda, ajustando até que o erro seja suficientemente minimizado.
O aprendizado supervisionado pode ser separado em dois tipos de problemas durante a mineração de dados, ou seja, a classificação e regressão:
Vários algoritmos e técnicas de computação são usados em processos de machine learning supervisionado. Abaixo estão as explicações breves sobre alguns dos métodos de aprendizado mais usados, normalmente calculados pelo uso de programas como R ou Python:
Machine learning não supervisionado e machine learning supervisionado são geralmente discutidos juntos. Diferente do aprendizado supervisionado, o aprendizado não supervisionado usa dados não rotulados. A partir desses dados, o método descobre padrões que ajudam a resolver problemas de agrupamento ou de associação. Isso é particularmente útil quando especialistas não têm certeza de propriedades comuns dentro de um conjunto de dados. Algoritmos de agrupamento comuns são modelos hierárquicos, k-médias e Gaussianos combinados.
O aprendizado semissupervisionado ocorre quando apenas parte dos dados de input fornecidos foi rotulada. O aprendizado não supervisionado e o semissupervisionado podem ser alternativas mais atrativas uma vez que pode ser demorado e dispendioso depender do conhecimento em um determinado domínio para rotular dados de forma adequada para o aprendizado supervisionado.
Para obter mais informações sobre as diferenças entre essas abordagens, consulte "Aprendizado supervisionado vs. não supervisionado: qual é a diferença?"
Modelos de aprendizado supervisionado podem ser usados para criar e desenvolver diversos aplicativos de negócios, incluindo as opções a seguir:
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:
Desenvolva e ajuste a escala da IA confiável em qualquer cloud. Automatize o ciclo de vida de IA para ModelOps.
Conecte os dados certos, na hora certa, para as pessoas certas e em qualquer lugar.
Híbrida. Aberto. Resiliente. Sua plataforma e parceira para a transformação digital.
Neste artigo, apresentaremos os fundamentos de duas abordagens da ciência de dados: supervisionada e não supervisionada.
Conheça algumas abordagens de aprendizado supervisionado, como máquinas de vetores de suporte e classificadores probabilísticos