Aprendizado de Máquina Clássico

Bem-vindo à Aula 6 de Conceitos de Inteligência Artificial (COMP5511). Esta sessão atua como uma ponte entre os fundamentos teóricos e as implementações práticas e algorítmicas. Embora a IA moderna frequentemente enfatize o Aprendizado Profundo, Aprendizado de Máquina Clássico permanece a base do análise de dados. Esses algoritmos oferecem alta interpretabilidade e eficiência computacional, tornando-os a escolha preferida para dados estruturados e análises padrão da indústria.

1. Aprendizado Supervisionado

Este paradigma envolve treinar um modelo em um conjunto de dados rotulado, onde o algoritmo aprende a relação entre as características de entrada e uma saída-alvo específica. Isso permite que o modelo previ seja resultados para novos dados não vistos com precisão.

Árvores de Decisão: Modelos que dividem os dados em ramos para alcançar uma classificação ou decisão numérica.
Máquinas de Vetores de Suporte (SVMs): Algoritmos que encontram o hiperplano ótimo para maximizar a margem entre diferentes classes de dados.

2. Aprendizado Não Supervisionado

Esses algoritmos analisam dados não rotulados para descobrir padrões, estruturas ou agrupamentos ocultos sem nenhuma orientação prévia sobre qual deve ser a saída. Técnicas principais incluem:

Agrupamento K-means: Agrupamento de pontos de dados em K grupos distintos com base em semelhanças nas características.
Análise de Componentes Principais (PCA): Uma técnica de redução de dimensionalidade usada para simplificar dados complexos mantendo sua variância essencial.

Interpretabilidade vs. Complexidade

Uma vantagem significativa do aprendizado de máquina clássico é sua transparência. Diferentemente dos modelos de aprendizado profundo "caixa-preta", algoritmos como Árvores de Decisão permitem que humanos rastreiem a lógica exata por trás de uma previsão, o que é vital em áreas de alto risco como medicina ou finanças.

Fluxo de implementação do Scikit-learn