Diferentes métodos para o Machine Learning
![3.2_hXnd2Gt.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.2_hXnd2Gt.original.jpg)
Aprenda a reconhecer o que define as diferentes soluções do machine learning.
![3.2_hXnd2Gt.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.2_hXnd2Gt.original.jpg)
Há várias formas de aprender
![3.1.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.1.original.jpg)
Há várias formas de uma máquina aprender. Os diferentes métodos para o ML são geralmente distinguidos pelos tipos de problemas que tentam solucionar, bem como o tipo e a quantidade de feedback fornecidos pelo programador.
De modo geral, podemos dividir o machine learning em três subáreas:
- Aprendizado supervisionado
- Aprendizado não supervisionado
- Aprendizado por reforço
Embora isso possa parecer uma categorização simples, nem sempre é fácil estabelecer um método específico. Vejamos o que diferencia essas três categorias.
![3.1.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.1.original.jpg)
Aprendizado supervisionado
![3.2_8fdua5N.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.2_8fdua5N.original.jpg)
Digamos que você queira ensinar uma máquina a diferenciar entre cachorros e gatos. Você fornece fotografias etiquetadas como "gato" ou "cachorro". Estudando os exemplos, o algoritmo aprenderá a reconhecer o que distingue um gato de um cachorro e a atribuir a etiqueta correta para cada nova imagem que você pedir para ele analisar.
No aprendizado supervisionado, a máquina precisa de exemplos etiquetados para aprender. Esses exemplos são usados para treinar um algoritmo para atribuir automaticamente a etiqueta correta.
No contexto jornalístico, o aprendizado supervisionado pode, por exemplo, treinar um algoritmo a identificar documentos que possam ser interessantes de serem investigados. Em várias ocasiões, isso já se mostrou útil para os jornalistas investigativos que têm de lidar com grandes volumes de documentos.
![3.2_8fdua5N.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.2_8fdua5N.original.jpg)
Aprendizado não supervisionado
![3.3.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.3.original.jpg)
Com o aprendizado não supervisionado, os exemplos fornecidos para a máquina não são etiquetados. O algoritmo recebe a tarefa de aprender a reconhecer sozinho padrões nos dados, por exemplo, com o objetivo de agrupar os registros que possuem características semelhantes.
Em outras palavras, o algoritmo é treinado a descobrir alguma estrutura nos dados não etiquetados que você pede para ele analisar. Isso pode ser usado por uma empresa para compreender melhor os seus consumidores, por exemplo, agrupando-os em categorias que mostram comportamentos de compras semelhantes.
No jornalismo, esses tipos de técnicas foram implantadas por jornalistas investigativos para descobrir evasões fiscais e para ajudar os repórteres de financiamento de campanha a vincular os registros de várias doações ao mesmo doador.
![3.3.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.3.original.jpg)
Aprendizado por reforço
![3.4.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.4.original.jpg)
O terceiro tipo é o aprendizado por reforço. Da mesma forma que o aprendizado não supervisionado, ele não precisa de dados etiquetados. Em vez disso, baseia-se na ideia de aprender quais ações adotar por meio da tentativa e erro ou, em outras palavras: cometendo erros. Inicialmente o algoritmo atua de forma aleatória, explorando o ambiente, mas aprende com o tempo ao ser recompensado quando faz as escolhas certas.
O aprendizado por reforço é normalmente usado para ensinar as máquinas a jogar jogos, com o exemplo mais famoso sendo o AlphaGo, o programa de computador desenvolvido por DeepMind, que em 2016 conseguiu derrotar o jogador número um, Lee Sedol, no jogo de tabuleiro chinês Go.
As aplicações jornalísticas ainda são raras, mas o aprendizado por reforço é usado, por exemplo, para testar as manchetes.
![3.4.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.4.original.jpg)
E o Deep Learning?
![3.5.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.5.original.jpg)
O deep learning (aprendizagem profunda) é outro tipo de aprendizado que ficou famoso nos últimos anos graças aos poderes de computação aumentada que já mencionamos. É um subcampo do machine learning, mas diferentemente dos métodos que acabamos de estudar, o deep learning é definido pela complexidade e a profundidade (daí o seu nome) do modelo matemático envolvido.
A profundidade do modelo se refere ao uso de várias camadas de análises que permitem ao algoritmo aprender progressivamente estruturas mais complexas. O deep learning é baseado nas redes neurais artificiais, cuja arquitetura está inspirada nos sistemas biológicos humanos, por exemplo, em como as informações visuais são processadas pelo nosso cérebro através dos nossos olhos.
![3.5.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.5.original.jpg)
Diferentes modelos de aprendizado… e agora?
![3.6.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.6.original.jpg)
Supervisionado, não supervisionado, por reforço, redes neurais... é muita coisa para assimilar.
Esta lição não foi feita para desmotivá-lo. É importante compreender a complexidade da área do machine learning e saber seus subcampos; mas, a menos que você queira aprofundar (literalmente) no tema da ciências dos dados, o que você deve guardar desta lição é bastante simples: diferentes problemas requerem diferentes soluções e diferentes métodos de ML para serem resolvidos com sucesso.
Na próxima lição, veremos as situações nas quais o seu trabalho pode receber de bom grado uma solução de machine learning. Posteriormente, vamos explorar o processo que permite que uma máquina aprenda e apresentar o conceito de viés algorítmico (bias), com algumas dicas sobre como lidar com ele.
![3.6.jpg](https://storage.googleapis.com/media-newsinitiative/images/3.6.original.jpg)
-
What are Web Stories?
AulaHow the easy-to-use vertical video format is changing the face of digital storytelling and driving the connection between content makers and their fans. -
Cobertura política com o Google Trends
AulaNeste módulo, vamos conferir maneiras de usar o Google Trends para analisar pesquisas relacionadas especificamente com política. -