Como os jornalistas podem usar o machine learning (ML) para aprimorar seus trabalhos jornalísticos? Essa é a pergunta que exploraremos neste curso.

O curso ajudará você a entender quais são as situações em que o machine learning é a ferramenta adequada para apoiar suas reportagens, e também o ensinará a treinar um modelo de machine learning.

Esta é a sequência do curso Introdução ao Machine Learning. Se você ainda não o fez, incentivamos que o faça antes de prosseguir com este curso.

Introdução ao Machine Learning explora o potencial oferecido pelo machine learning às organizações de notícias e explica como os jornalistas podem utilizá-lo com responsabilidade para aprimorar suas reportagens.

Este curso deseja ir um passo além e mostrar, através de um exemplo real que introduziremos na próxima aula, quais resultados os jornalistas podem alcançar com o uso do machine learning. Se você quer saber como o machine learning funciona na prática, e como usá-lo para reportar suas histórias, este curso é ideal.

Você será um criador especialista em machine learning e cientista de dados ao final deste curso? Desculpe-nos, mas não. Porém, você aprenderá os passos que evidenciam como funciona a maioria dos processos de machine learning – e poderá realizar experimentos por conta própria.

Antes de continuarmos, vamos nos certificar de que saibamos sobre o que estamos falando. O que é machine learning?

O machine learning é parte de uma coleção de tecnologias que são agrupadas sob o termo mais amplo de “inteligência artificial” (IA). Como a maioria da terminologia no campo da inteligência artificial, não há uma definição única de machine learning.

Em termos simples, machine learning é uma tecnologia que usa dados para responder a perguntas. Mais formalmente, refere-se ao uso de algoritmos que aprendem padrões a partir de dados e são capazes de executar tarefas sem estar explicitamente programados para isso. 

Além disso, uma característica marcante dos sistemas de machine learning é que eles melhoram seu próprio desempenho com a experiência e os dados. Em outras palavras: eles aprendem.

Tenha em mente que não existe apenas uma única forma pela qual uma máquina pode aprender. Os diferentes métodos de machine learning geralmente são distinguidos pelos tipos de problemas que eles tentam solucionar, bem como pelo tipo e a quantidade de feedback fornecidos.

De modo geral, podemos dividir o machine learning em três subáreas: 1) Aprendizado supervisionado; 2) Aprendizado não supervisionado; 3) Aprendizado por reforço. Revise o curso Introdução ao Machine Learning para saber mais sobre o que diferencia essas três categorias.

Para os fins deste curso, vamos nos concentrar no aprendizado supervisionado. Isso significa que usaremos exemplos rotulados para treinar um algoritmo para atribuir automaticamente o rótulo correto a cada novo exemplo que solicitaremos que ele analise.

Agora que revisamos os fundamentos, estamos prontos para concluir essa introdução e seguir adiante.

Nas próximas duas aulas, apresentaremos um estudo de caso que fundamentará nosso exercício em um exemplo jornalístico concreto, bem como o algoritmo que usaremos para entender a dinâmica por trás da maioria dos processos de machine learning.

Então, as aulas seguintes terão como foco o guia prático passo a passo: como obter e preparar os dados, como treinar seu modelo de machine learning e como testar e avaliar o desempenho dele.

A última aula resumirá os aprendizados principais, ajudará a entender como aplicá-los em suas reportagens do dia a dia e recomendará outros recursos que você pode usar para mergulhar ainda mais a fundo no mundo do machine learning.