Memorial de projetos : machine learning - fundamentos, formas e técnicas da aprendizagem de máquina na inteligência artificial

Abstract

Resumo: A Aprendizagem de Máquina (Machine Learning) é um ramo fundamental da Inteligência Artificial (IA) que busca capacitar agentes a aprimorar seu desempenho a partir da experiência. Em contextos complexos, a aprendizagem de máquina é muitas vezes a abordagem mais eficaz, ou até a única, para treinar programas a atingir altos níveis de performance, especialmente quando os designers não conseguem prever todas as situações, as mudanças ao longo do tempo, ou não sabem como programar a solução por si mesmos. Um desafio fundamental na aprendizagem de máquina é a generalização, ou seja, a capacidade da hipótese aprendida de ter um bom desempenho em exemplos não observados durante o treinamento. Este conceito está intrinsecamente ligado à super adaptação (overfitting), onde o modelo se ajusta de forma excessiva aos dados de treinamento, perdendo a capacidade de generalizar, e à sub adaptação (underfitting), onde o modelo é excessivamente simplificado para capturar a complexidade dos dados. A teoria da aprendizagem computacional (PAC learning) investiga a quantidade de exemplos necessária para que uma hipótese seja considerada "provavelmente aproximadamente correta". Na prática, tanto a qualidade quanto a quantidade dos dados são tão críticas quanto a seleção do algoritmo, sendo que o investimento na melhoria dos dados pode ter um impacto mais significativo no desempenho do que a mera otimização do algoritmo. A aprendizagem de máquina permanece um campo altamente dinâmico, em constante evolução, impulsionada pela convergência de dados massivos, poder computacional crescente e o contínuo desenvolvimento de algoritmos sofisticados

Abstract: Machine Learning is a fundamental branch of Artificial Intelligence (AI) that aims to enable agents to improve their performance through experience. In complex contexts, machine learning is often the most effective — or even the only — approach to train programs to achieve high levels of performance, especially when designers are unable to anticipate all possible situations, account for changes over time, or lack the knowledge to manually program the solution. A core challenge in machine learning is generalization — the ability of the learned hypothesis to perform well on examples not seen during training. This concept is closely linked to overfitting, where the model adapts too closely to the training data and loses its ability to generalize, and to underfitting, where the model is too simplistic to capture the complexity of the data. The theory of computational learning (PAC learning) investigates how many examples are needed for a hypothesis to be considered "probably approximately correct." In practice, both the quality and quantity of the data are as critical as the choice of algorithm, and investing in improving data quality can have a more significant impact on performance than merely optimizing the algorithm. Machine learning remains a highly dynamic and constantly evolving field, driven by the convergence of massive datasets, growing computational power, and the continuous development of sophisticated algorithms