1.3 Aprendizado de Máquina

Nas últimas décadas, devido ao aumento do poder computacional e do crescimento das técnicas de IA, a linha de pesquisa conhecida como Aprendizado de Máquina vem ganhando importância. Essa linha de pesquisa tem por objetivo estudar e desenvolver métodos computacionais para a obtenção de sistemas capazes de adquirir conhecimento de forma automática O desafio principal dos algoritmos de aprendizagem é maximizar a capacidade de generalização de seu aprendiz.

Nesse contexto, as Redes Neurais Artificiais, a Lógica Fuzzy, os

Algoritmos Evolucionários, os Modelos Híbridos e a Teoria dos Conjuntos Aproximados (Rough Sets) apresentam-se como alternativas promissoras para a resolução desse desafio.

Partindo dessa premissa, este livro tem por objetivo explicar os conceitos

básicos e mostrar algumas aplicações práticas destas técnicas em contextos de exemplos numéricos e computacionais. O desafio principal dos algoritmos de aprendizagem é maximizar a capacidade de generalização do seu aprendizado

(Braga et al., 2000). Entende-se por generalização a habilidade de uma máquina responder, de forma satisfatória, a dados ou amostras do mapeamento de entrada/saída não conhecidos durante o processo de aprendizagem, como no critério de desempenho baseado em observações de um determinado problema (Mitchell, 1997).

Algoritmos de Aprendizado de Máquina têm como objetivo descobrir o

relacionamento entre as variáveis de um sistema (entrada/saída) a partir de dados amostrados. Estes algoritmos se originam de muitas áreas de aplicações Estatística, Física, Engenharia, Computação etc.

Quando os relacionamentos entre todas as variáveis do problema

(entrada/saída) não são completamente compreendidos, os Algoritmos de Aprendizagem de Máquina são necessários; este é o caso de muitos dos problemas reais com os quais nos defrontamos no cotidiano.

O Aprendizado de Máquina pode ser classificado da seguinte maneira:

• Aprendizado Supervisionado;

• Aprendizado por Reforço;

• Aprendizado Não Supervisionado.