testando novamente “Aprendizado de máquina”
O que é Aprendizado de Máquina (Machine Learning)? E aí, galera! ✌️ Um dia, trocando ideia com um brother ou colega, pode pintar aquela pergunta sinistra: “Mas, afinal, o que é esse tal de Machine Learning?” 🤔 A parada desse post é te dar uns caminhos pra pensar e uma definição “na lata” que gruda na mente. A gente vai começar sacando as definições mais “oficiais” que a galera que manja muito usa nos livros. E no final, a gente vai construir uma definição de Machine Learning feita pra nós, desenvolvedores, e uma frase chave pra mandar quando alguém perguntar: “E aí, qual é a desse Machine Learning?”. 😉 🤓 As Definições da Galera que Sabe Tudo ▼ Essas definições são tipo a fundação pra gente construir um entendimento mais profundo da coisa. Eu escolhi essas quatro pra mostrar uns ângulos diferentes e que valem a pena sobre essa área. Na real, a gente aprende na prática que esse mundo é um mix de métodos, e escolher um ponto de vista é essencial pra não se perder. 📚 A Bíblia da Ciência da Computação No livro “Machine Learning”, logo na introdução, eles mandam essa: “O campo do aprendizado de máquina se preocupa em como construir programas de computador que melhoram automaticamente com a experiência.” Curti essa definição curta e direta, e ela vai ser a base da definição “pra gente” que a gente vai criar no final. 📊 Os Elementos do Aprendizado Estatístico Livro escrito por três caras feras em estatística de Stanford: “Vastas quantidades de dados estão sendo geradas em muitos campos, e o trabalho dos estatísticos é entender tudo: extrair padrões e tendências importantes e entender ‘o que os dados dizem’. Nós chamamos isso de aprender com os dados.” Os estatísticos aprendem com os dados, mas o software também aprende, e a gente aprende com o que o software aprende. 👁️ Reconhecimento de Padrões “O reconhecimento de padrões tem suas origens na engenharia, enquanto o aprendizado de máquina surgiu da ciência da computação. No entanto, essas atividades podem ser vistas como duas facetas do mesmo campo…” Reconhecimento de padrões é um termo mais da galera da Engenharia ou do Processamento de Sinal. Essa é uma visão madura e que a gente deveria copiar. A Fórmula que Importa 🎯 Um programa aprende com a experiência “E” em relação a alguma tarefa “T” e medida de desempenho “P”, se o seu desempenho em tarefas em “T”, conforme medido por “P” melhora com a experiência “E”. Calma, não se assusta com os termos! Essa fórmula é super útil. A gente pode usar como um mapa pra pensar com clareza sobre quais dados coletar (E), quais decisões o software precisa tomar (T) e como a gente vai avaliar se ele tá mandando bem (P). 🤯 Problemas Cabulosos ▼ Como desenvolvedor, você vai trombar com uns tipos de problemas que não cedem a uma solução lógica e processual de jeito nenhum. 📧 O exemplo clássico: Filtro de Spam Pega o caso do dia a dia de decidir se um e-mail é “spam” ou “não spam”. Como você escreveria um programa pra filtrar os e-mails que chegam na sua caixa e decidir se manda pra lixeira ou pra caixa de entrada? 🤔 Provavelmente você começa juntando uns exemplos e dando uma olhada neles, pensando fundo na parada. Você vai procurar uns padrões nos e-mails que são spam e nos que não são. Você vai tentar abstrair esses padrões pra que suas “regras” funcionem com uns e-mails novos no futuro. O insight importante: Tem um algoritmo de Machine Learning aí no meio disso tudo, só que quem executou foi você, o programador, em vez do computador. Esse sistema de regras que você criou na mão seria tão bom quanto a sua capacidade de tirar as regras dos dados e botar elas no programa. Dava pra fazer, mas ia gastar uma grana e seria um pesadelo pra dar manutenção. 💸 A sacada do desenvolvedor 💡 No exemplo aí de cima, eu tenho certeza que o seu cérebro “Dev”, aquela parte que não sossega enquanto não automatiza tudo, sacou a oportunidade de automatizar e turbinar esse “meta-processo” de tirar padrões dos exemplos. Os métodos de Machine Learning são esse processo automatizado. 🤖 📝 Aplicando a fórmula E-T-P No nosso exemplo de spam/não-spam: Experiência (E): Os e-mails que a gente juntou (conjunto de treinamento) Tarefa (T): Problema de decisão (classificação) de marcar cada e-mail como spam ou não Medida de Desempenho (P): Precisão em porcentagem (decisões certas / total de decisões × 100) Linguagem que cola pra desenvolvedor: Treinamento: Preparar um programa pra tomar decisões Conjunto de Treinamento: Os exemplos que a gente juntou Modelo: O programa treinado, tipo um modelo do problema de classificar spam de não-spam Pra nós, desenvolvedores, essa linguagem cola: um modelo tem um estado e precisa ser guardado, o treinamento é um processo que rola uma vez e talvez precise rodar de novo, e a classificação é a tarefa que o programa executa. Tudo faz sentido pra gente. 👍 👨💻👩💻 A Definição de “Machine Learning” pra Nós, Desenvolvedores ▼ Agora a gente chega na parte de quebrar tudo isso em miúdos pra gente, que bota a mão na massa no código. 🎯 Juntando as Peças… “Machine Learning é o treinamento de um modelo a partir de dados que generaliza uma decisão contra uma medida de desempenho.” 🔍 Quebrando a definição: Treinar um modelo: Sugere usar exemplos de treinamento Modelo: Sugere o estado que o programa adquiriu com a experiência Generaliza uma decisão: Sugere a capacidade de tomar uma decisão com base em dados e prever dados que vão aparecer no futuro Contra uma medida de desempenho: Sugere que tem um objetivo e uma qualidade que a gente quer alcançar com o modelo que a gente tá preparando 🤔 E aí, o que você acha? Sem muita poesia, será que você consegue bolar uma definição de Machine Learning mais precisa ou mais direta pra desenvolvedores? Compartilha a sua definição nos comentários