Machine learning é um tipo de inteligência artificial (IA) que permite que as aplicações de software se tornem mais precisas na previsão de resultados sem serem explicitamente programadas.
A premissa básica de Machine Learning é construir algoritmos que podem receber dados de entrada e usar análises estatísticas para prever um valor de saída dentro de um intervalo aceitável.
Os algoritmos de Machine Learning geralmente são categorizados como supervisionados ou não supervisionados.
Os algoritmos supervisionados exigem que os seres humanos forneçam entrada e saída desejada, além de fornecer comentários sobre a precisão das previsões durante o treinamento. Uma vez que o treinamento está completo, o algoritmo aplicará o que foi aprendido para novos dados.
Os algoritmos não supervisionados não precisam ser treinados com dados de resultados desejados. Em vez disso, eles usam uma abordagem iterativa chamada aprendizagem profunda para analisar dados e chegar a conclusões. Os algoritmos de aprendizado não supervisionados são usados para tarefas de processamento mais complexas do que sistemas de aprendizagem supervisionados.
Os processos envolvidos na aprendizagem em máquina são semelhantes aos da mineração de dados e modelagem preditiva.
Ambos exigem pesquisar dados para procurar padrões e ajustar as ações do programa de acordo. Muitas pessoas estão familiarizadas com o aprendizado da máquina de compras na internet e recebendo anúncios relacionados à compra. Isso acontece porque os mecanismos de recomendação usam o aprendizado de máquina para personalizar a entrega de anúncios on-line em tempo quase real.
Além do marketing personalizado, outros casos comuns de uso de máquina incluem detecção de fraude, filtragem de spam, detecção de ameaças de segurança de rede, manutenção preditiva e criação de feeds de notícias.
O Feed de notícias do Facebook, por exemplo, usa a Machine Learning (aprendizagem por máquina) para personalizar o feed de cada membro.
Se um membro frequentemente pára de se deslocar para ler ou “curtir” das postagens de um amigo em particular, o Feed de notícias começará a mostrar mais sobre a atividade desse amigo no início da alimentação.
Nos bastidores, o software está simplesmente usando análises estatísticas e análises preditivas para identificar padrões nos dados do usuário e usar esses padrões para preencher o News Feed.
Se o membro não parar de ler, curtir ou comentar as postagens do amigo, esses novos dados serão incluídos no conjunto de dados e o feed de notícias será ajustado em conformidade.
