Machine Learning (ML)

O aprendizado de máquina (ML) é o ramo da inteligência artificial (AI) em que sistemas computacionais aprendem padrões a partir de dados, em vez de seguir regras escritas por um programador. Um filtro de spam criado com ML não recebe instruções sobre quais palavras indicam spam; ele analisa milhares de e-mails rotulados como spam ou não spam, aprende os padrões por conta própria e depois os aplica a novas mensagens. Arthur Samuel cunhou o termo em 1959, enquanto criava um programa de damas que melhorava jogando contra si mesmo, e Tom Mitchell apresentou mais tarde uma definição amplamente citada: um programa aprende quando seu desempenho numa tarefa, medido por alguma métrica, melhora com a experiência.

Como funciona o aprendizado de máquina#

Um modelo de aprendizado de máquina é uma função com parâmetros ajustáveis, desde os poucos coeficientes de uma regressão linear até os milhões de pesos em uma rede neural. O treinamento busca os valores de parâmetros que tornam as previsões do modelo nos dados de treinamento o mais precisas possível, geralmente minimizando uma função de perda. O verdadeiro teste é a generalização: em seguida, o modelo é avaliado em dados de validação e dados de teste reservados, que ele nunca viu durante o treinamento. Um modelo com bom desempenho nos dados de treinamento, mas baixo desempenho em dados novos, apresenta sobreajuste, memorizando exemplos em vez de aprender o padrão subjacente.

Este exemplo de scikit-learn treina uma floresta aleatória para reconhecer dígitos manuscritos e a avalia com dígitos não usados no treinamento:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

O modelo alcança 97.6% de acurácia nos 450 dígitos de teste, usando apenas os padrões aprendidos com os outros 1,347 exemplos rotulados.

Tipos de aprendizado de máquina#

• Aprendizado supervisionado: aprende com exemplos rotulados, cada entrada associada à saída correta. Classificação, regressão e detecção de objetos são tarefas supervisionadas.
• Aprendizado não supervisionado: encontra estruturas em dados não rotulados, como segmentos de clientes identificados por agrupamento k-means.
• Aprendizado autossupervisionado: cria os próprios rótulos a partir dos dados, por exemplo, prevendo a próxima palavra de uma frase ou uma região oculta de uma imagem. É assim que os modelos de linguagem grandes (LLMs) e outros modelos de base são pré-treinados.
• Aprendizado por reforço: um agente aprende por tentativa e erro, executando ações num ambiente e ajustando seu comportamento para maximizar uma recompensa.

Aprendizado de máquina, AI, aprendizado profundo e ciência de dados#

O aprendizado de máquina situa-se entre a AI, o objetivo amplo de criar máquinas inteligentes, e o aprendizado profundo (DL), subconjunto do ML que usa redes neurais com muitas camadas e aprende suas próprias características a partir de dados brutos:

Algoritmos clássicos como florestas aleatórias e XGBoost continuam sendo eficazes em dados tabulares, nos quais cada coluna, como preço ou idade, já é uma característica significativa. A ciência de dados é uma disciplina próxima que usa ML como uma entre várias ferramentas, junto com estatística, visualização de dados e análise de domínio, para responder a perguntas com base em dados.

O ciclo de vida do aprendizado de máquina#

Um modelo em produção nunca está terminado. As equipes coletam e rotulam dados, treinam e validam um modelo, implantam-no e monitoram suas previsões, voltando aos dados sempre que a acurácia fica abaixo do esperado ou o mundo real muda. Esse ciclo é o tema das operações de aprendizado de máquina (MLOps):

Para visão computacional, a Ultralytics Platform executa todo esse ciclo num só lugar: as equipes carregam e anotam conjuntos de dados, treinam modelos Ultralytics YOLO26 em GPUs na nuvem, implantam os modelos e monitoram seu desempenho em produção.

Aplicações no mundo real#

• Visão computacional: os modelos detectam defeitos em linhas de produção, leem exames médicos e orientam veículos autônomos.
• Processamento de linguagem natural (NLP): tradução, busca, chatbots e filtragem de spam dependem de modelos treinados com texto.
• Sistemas de recomendação: plataformas de streaming e comércio eletrônico classificam conteúdo para cada usuário com base no comportamento anterior.
• Previsão de séries temporais: os modelos preveem a demanda de produtos, a carga de energia e as falhas de equipamentos com base em dados históricos.
• Detecção de anomalias: os bancos avaliam cada transação com cartão em milissegundos usando modelos treinados com fraudes anteriores e sinalizam aquelas que parecem incomuns.