Em machine learning, a categoria de aprendizagem por reforço...

Gab: A

Errei e busquei info...

Eis alguns exemplos bem conhecidos de aplicações de machine learning, dos quais você já deve ter ouvido falar:

Os carros autônomos super esperados do Google? A essência do machine learning;

Ofertas recomendadas como as da Amazon e da Netflix?

Aplicações de machine learning para o dia-a-dia;

Saber o que seus clientes estão falando de você no Twitter?

Machine learning combinado com criação de regras linguísticas;

Detecção de fraudes? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.

Fonte: https://www.sas.com/pt_br/insights/analytics/machine-learning.html

Acho que seria mais ou menos isso. Se eu estiver equivocado por favor me corrijam.

a) aprendizagem por reforço (gabarito)

b) aprendizagem não supervisionada

c) aprendizagem supervisionada (regressão)

d) aprendizagem supervisionada (classificação)

e) aprendizagem supervisionada (regressão)

"Aprendizado por reforço é um ramo estudado em estatística, psicologia,neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina e inteligência artificial, e é um método de programação de agentes através do oferecimento de recompensas e punições, sem a necessidade de especificar como uma tarefa deve ser realizada. É entendido como o problema encontrado por um agente que deve aprender como se comportar em um ambiente dinâmico através de interações do tipo “tentativa e erro”. A abordagem que é utilizada nesse trabalho é feita usando-se técnicas estatísticas e métodos de programação dinâmica, buscando estimar qual a vantagem em se tomar determinadas ações em diferentes estados do ambiente (...)"

link da Fonte:

https://www.maxwell.vrac.puc-rio.br/19637/19637_4.PDF

"O aprendizado de máquina (em inglês, machine learning) é um método de  que automatiza a construção de modelos analíticos. É um ramo da  baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana."

Machine Learning da maneira mais básica é a prática de usar algoritmos para coletar dados, aprender com eles, e então fazer uma determinação ou predição sobre alguma coisa no mundo. Então ao invés de implementar as rotinas de software na mão, com um set específico de instruções para completar uma tarefa em particular, a máquina é “treinada” usando uma quantidade grande de dados e algoritmos que dão e ela a habilidade de aprender como executar a tarefa.

 

GABARITO: LETRA "A"

Fonte: https://medium.com

Há 3 tipos de Aprendizado de Máquina:

Aprendizado por Reforço

A máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada. Imagine criar um programa responsável por dirigir um veículo autônomo. Ele deve aprender a dirigir pelas ruas e transportar seus passageiros. Existem diversas formas de otimizar esta tarefa. Por exemplo, chegar ao destino no menor tempo possível e não causar nenhum acidente. Queremos que ele saiba o que fazer conforme o que ocorre à sua volta, e preferimos que ele demore um pouco mais do que causar um acidente, por exemplo. A aprendizagem por reforço é uma forma de ensinar ao computador qual ação priorizar dada uma determinada situação.

Aprendizado Supervisionado

Aprendizagem supervisionada é a tarefa de encontrar uma função a partir de dados de treinamento rotulados. Ou seja, dizemos ao computador o que é cada entrada (qual o label) e ele aprende quais características daquelas entradas fazem elas serem o que são. De acordo com o tipo de resultado do algoritmo, podemos classificá-lo entre algoritmo de classificação ou algoritmo de regressão. Se o rótulo é um número real, a tarefa chama-se regressão. Se o rótulo vem de um conjunto finito e não ordenado, então a tarefa chama-se classificação.

Aprendizado Não Supervisionado

Na aprendizagem não-supervisionada temos menos informação sobre os objetos, em particular, o conjunto de treinamento não é rotulado. O nosso objetivo, neste contexto, é observar algumas similaridades entre os objetos e incluí-los em grupos apropriados. Alguns objetos podem diferir largamente de todos os grupos e, deste modo, podemos assumir que estes objetos são anomalias.

a A está super certa, mas achem um erro na C? abstrata e filosoficamente falando não tem, tanto que eu coloquei C, mesmo tendo feito um projeto de Reinforcement Learning na faculdade...inferno viu

"...Uma aplicação potencial do aprendizado por reforço em veículos autônomos é uma das aplicações mais trabalhadas nos dias de hoje em todo mundo..."

http://deeplearningbook.com.br/o-que-e-aprendizagem-por-reforco/

Machine learning é um método de análise de dados que automatiza o desenvolvimento de modelos analíticos. Usando algoritmos que aprendem interativamente a partir de dados, o aprendizado de máquinas permite que os computadores encontrem insights ocultos, sem serem explicitamente programados para procurar algo específico.

As tarefas técnicas de mineração de dados estão bem relacionadas com o aprendizado de máquina, pois a mineração de dados descobre padrões e conhecimento previamente desconhecidos e o aprendizado de máquina usa esses padrões e conhecimentos adquiridos, aplicando-os a outros dados e, em seguida, aplicando esses resultados às tomadas de decisões e ações.

Fonte: Prof. Ramon Souza

O que é Machine Learning?

Machine Learning é uma tecnologia onde os computadores tem a capacidade de aprender de acordo com as respostas esperadas por meio associações de diferentes dados, os quais podem ser imagens, números e tudo que essa tecnologia possa identificar. Machine Learning é o termo em inglês para a tecnologia conhecida no Brasil como aprendizado de máquina.

 

“Em 2019 uma operadora móvel inglesa se juntou à IBM para criar uma maneira de empregar sistemas de computação em nuvem para apoiar a próxima onda de avanços digitais, como Machine Learning, em redes de telecomunicações sem fio baseadas em tecnologia 5G. A iniciativa permitirá, por exemplo, a comunicação entre robôs em uma fábrica sem a necessidade.”

 

Um exemplo melhor:

Deep learning é um tipo de machine learning que treina computadores para realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões. Em vez de organizar os dados para serem executados através de equações predefinidas, o Deep learning configura parâmetros básicos sobre os dados e treina o computador para aprender sozinho através do reconhecimento padrões em várias camadas de processamento.

 

Como Big Data e Machine Learning se associam?

Para trabalhar com o sistema de aprendizado de máquina é necessário utilizar um certo conjunto de dados.

O Big Data permite que os dados sejam virtualizados para que possam ser armazenados da maneira mais eficiente e econômica, seja on premises ou na cloud. Além da eficiência o Big Data também auxilia na melhoria da velocidade e confiabilidade da rede, removendo outras limitações físicas associadas ao gerenciamento de dados em grande quantidade.

Apesar das vantagens oferecidas no processo, uma empresa não necessita ter Big Data para trabalhar com Machine Learning.

Deep learning

• espécie do gênero machine learning
• é um método específico de aprendizado de máquina que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma maneira iterativa.
• útil para aprender padrões de dados não estruturados.
• Redes neurais complexas de Deep learning são projetadas para emular como o cérebro humano funciona, para que os computadores possam ser treinados para lidar com abstrações e problemas mal definidos. Redes neurais e deep learning são frequentemente usados em aplicativos de reconhecimento de imagem, fala e visão computacional.

TERMOS-CHAVE: REDES NEURAIS; ITERAÇÃO; PADRÃO; EMULAR CÉREBRO HUMANO.

Aprendizado por Reforço

• o sistema não é treinado com o conjunto de dados de amostra.
• sistema aprende por meio de tentativa e erro.
• tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada.
• é uma forma de ensinar ao computador qual ação priorizar dada uma determinada situação.
• O algoritmo recebe feedback da análise de dados, orientando o usuário para o melhor resultado.

TERMOS-CHAVE: TENTATIVA E ERRO; FEEDBACK.

Aprendizado Supervisionado

• quando apresentamos ao algoritmo dados de entrada e as respectivas saídas.

Aprendizado Não Supervisionado

• quando apresentamos somente os dados de entrada e o algoritmo descobre as saídas.

Aprendizagem por Reforço

O computador é estimulado a aprender com base em tentativas e erros. O processo é otimizado por meio da prática direta, ensinando o sistema a priorizar certos hábitos.

O algoritmo realiza um feedback sobre os resultados obtidos, atribuindo pontuações positivas a resultados considerados corretos e penalizando os incorretos.

Maior aplicação nos dias de hoje são nos carros autônomos.

Deep learning

• espécie do gênero machine learning
• é um método específico de aprendizado de máquina que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma maneira iterativa.
• útil para aprender padrões de dados não estruturados.
• Redes neurais complexas de Deep learning são projetadas para emular como o cérebro humano funciona, para que os computadores possam ser treinados para lidar com abstrações e problemas mal definidos. Redes neurais e deep learning são frequentemente usados em aplicativos de reconhecimento de imagem, fala e visão computacional.

TERMOS-CHAVE: REDES NEURAIS; ITERAÇÃO; PADRÃO; EMULAR CÉREBRO HUMANO.

Aprendizado por Reforço

• o sistema não é treinado com o conjunto de dados de amostra.
• sistema aprende por meio de tentativa e erro.
• tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada.
• é uma forma de ensinar ao computador qual ação priorizar dada uma determinada situação.
• O algoritmo recebe feedback da análise de dados, orientando o usuário para o melhor resultado.

TERMOS-CHAVE: TENTATIVA E ERRO; FEEDBACK.

Aprendizado Supervisionado

• quando apresentamos ao algoritmo dados de entrada e as respectivas saídas.

Aprendizado Não Supervisionado

• quando apresentamos somente os dados de entrada e o algoritmo descobre as saídas.

um software interage com um ambiente dinâmico, como, por exemplo, veículos autônomos.

Correta: Alternativa A

A aprendizagem por reforço é uma categoria de machine learning onde um agente aprende a tomar decisões através das recompensas ou penalidades que recebe como resultado de suas ações em um ambiente. Este processo é análogo à maneira como um ser humano ou animal pode aprender a partir das consequências de suas ações. Diferentemente de outros tipos de aprendizado de máquina, como a aprendizagem supervisionada ou a não-supervisionada, a aprendizagem por reforço não depende de um conjunto de dados com exemplos corretos previamente etiquetados, e sim do feedback contínuo sobre o desempenho das ações escolhidas pelo agente.

Na opção A, a referência a um software interagindo com um ambiente dinâmico como, por exemplo, veículos autônomos, é uma aplicação típica de aprendizagem por reforço. Os veículos autônomos devem constantemente tomar decisões (como acelerar, frear, mudar de faixa) e essas decisões são refinadas com base em recompensas (chegar ao destino de forma eficiente e segura) e penalidades (evitar acidentes ou violações de trânsito). Portanto, a Alternativa A está correta porque descreve adequadamente a natureza interativa e adaptativa da aprendizagem por reforço em ambientes complexos e mutáveis.

Quanto às demais alternativas: a B descreve a aprendizagem não-supervisionada, onde o algoritmo tenta encontrar padrões nos dados sem etiquetas prévias; a C é muito genérica e poderia aplicar-se a diferentes tipos de aprendizado de máquina; a D refere-se mais diretamente à aprendizagem supervisionada, onde um modelo é treinado com entradas e saídas predefinidas; e a E também descreve a aprendizagem supervisionada, onde um "orientador" fornece os exemplos de entradas e saídas que o modelo deve aprender.