Aprendizado de máquina: curiosidades e quiz

Os modelos de aprendizado de máquina aprendem com exemplos, chamados de dados de treinamento. Quanto mais variados e precisos os exemplos, melhor o modelo costuma ficar.

Ponto-chave
Lixo entra, lixo sai: dados ruins geram modelos ruins.

No aprendizado supervisionado, cada exemplo vem com a resposta certa, como fotos rotuladas como “gato” ou “cachorro”. O modelo aprende a prever os rótulos de fotos novas.

Ponto-chave
Rotular dados muitas vezes é um trabalho feito à mão, por pessoas.

As redes neurais se inspiram vagamente no cérebro: camadas de unidades simples passam números adiante e ajustam suas conexões enquanto aprendem.

Ponto-chave
“Aprendizado profundo” quer dizer apenas redes com muitas camadas.

Um modelo faz previsões com certo grau de confiança, e pode errar. Os engenheiros o testam com exemplos que ele nunca viu para conferir se ele funciona bem de verdade.

Ponto-chave
Testar com dados inéditos mostra se um modelo aprendeu de verdade.

Quando um modelo decora seus exemplos de treinamento em vez de aprender padrões gerais, isso é sobreajuste, ou overfitting. Ele gabarita o treino, mas falha com dados novos, como um aluno que decorou as respostas.

Ponto-chave
Dados mais variados ajudam a evitar o sobreajuste.

No aprendizado por reforço, um sistema aprende por tentativa e erro, ganhando recompensas pelas boas jogadas. Foi assim que a IA passou a dominar jogos como Go e xadrez.

Ponto-chave
O AlphaZero aprendeu xadrez jogando milhões de partidas contra si mesmo.

O aprendizado de máquina está por trás do desbloqueio facial, dos filtros de spam, da digitação por voz, da tradução e da busca de fotos. Ele costuma trabalhar discretamente, em segundo plano.

Ponto-chave
Seu celular consegue reconhecer rostos nas suas fotos sem enviá-las para a internet.