O que é aprendizado supervisionado?

Os dados usados no aprendizado supervisionado são rotulados, ou seja, contêm exemplos das entradas (chamadas de atributos) e das saídas corretas (rótulos). Os algoritmos analisam um grande conjunto de dados com esses pares de treinamento para inferir qual seria o valor de saída desejado quando solicitado a fazer uma previsão com base em dados novos.

Por exemplo, vamos supor que você quer ensinar um modelo a identificar imagens de árvores. Você fornece um conjunto de dados rotulado que contém muitos exemplos diferentes de tipos de árvores e os nomes de cada espécie. Você permite que o algoritmo tente definir qual conjunto de características pertence a cada árvore com base nos resultados rotulados. Depois disso, é possível testar o modelo mostrando a foto de uma árvore e pedindo que ele adivinhe qual é a espécie. Se o modelo fornecer uma resposta incorreta, continue treinando e ajustando os parâmetros com mais exemplos para melhorar a acurácia e minimizar erros. 

Depois de treinar e testar o modelo, ele pode ser usado para fazer previsões sobre dados desconhecidos com base no conhecimento prévio que ele aprendeu.

O aprendizado supervisionado em machine learning é geralmente dividido em duas categorias: classificação e regressão. 

Os algoritmos de classificação são usados para agrupar dados ao prever um rótulo categórico ou uma variável de saída com base nos dados de entrada. A classificação é usada quando as variáveis de saída são categóricas, ou seja, há duas ou mais classes.

Um dos exemplos mais comuns de algoritmos de classificação em uso é o filtro de spam na caixa de entrada. Aqui, um modelo de aprendizado supervisionado é treinado para prever se um e-mail é ou não spam com um conjunto de dados que contém exemplos rotulados de spam e e-mails legítimos. O algoritmo extrai informações sobre cada e-mail, incluindo o remetente, a linha de assunto, o corpo do texto e mais. Em seguida, ele usa esses recursos e os rótulos de saída correspondentes para aprender padrões e atribuir uma pontuação que indica se um e-mail é real ou spam.

Algoritmos de regressão são usados para prever um valor real ou contínuo, em que o algoritmo detecta uma relação entre duas ou mais variáveis. 

Um exemplo comum de tarefa de regressão é prever um salário com base na experiência profissional. Por exemplo, um algoritmo de aprendizado supervisionado receberia entradas relacionadas à experiência profissional (por exemplo, tempo, setor ou campo, local etc.) e o valor salarial correspondente. Depois de treinado, o modelo pode ser usado para prever o salário médio com base na experiência de trabalho.

É possível usar os modelos de aprendizagem supervisionada em vários casos comerciais diferentes que resolvem diversos problemas. Exemplos comuns de aprendizado supervisionado incluem: 

• Avaliação de risco : os modelos de machine learning supervisionado podem ajudar bancos e outras empresas de serviços financeiros a determinar a probabilidade de os clientes não pagarem empréstimos, o que ajuda a minimizar o risco das carteiras. 
• Classificação de imagens : algoritmos de aprendizado de máquina supervisionados são treinados para classificar objetos em imagens e vídeos. Por exemplo, um algoritmo pode ser usado para reconhecer uma pessoa em uma imagem e marcá-la automaticamente em uma rede social. 
• Detecção de fraude: o aprendizado supervisionado é a base de muitos sistemas de detecção de fraudes, permitindo que as empresas reconheçam atividades fraudulentas. Esses modelos são treinados em conjuntos de dados que contêm atividades fraudulentas e não fraudulentas para que possam ser usados para sinalizar atividades suspeitas em tempo real.
• Sistema de recomendação: os algoritmos de aprendizado supervisionado são usados por plataformas on-line e serviços de streaming para melhorar as recomendações com base no comportamento anterior do cliente ou no histórico de compras. Os modelos extraem informações importantes sobre o comportamento de um usuário e sugerem produtos e conteúdos semelhantes. 

Quando se trata de entender a diferença entre aprendizado supervisionado e não supervisionado, a principal diferença é o tipo de dados de entrada usado para treinar o modelo. O aprendizado supervisionado usa conjuntos de dados de treinamento rotulados para tentar ensinar um modelo uma meta específica e predefinida.  

Em comparação, o aprendizado não supervisionado usa dados não rotulados e opera de forma autônoma para tentar aprender a estrutura dos dados sem receber instruções explícitas.