Chegamos no 4º curso da série “Formação Cientista de Dados”, focado em “Machine Learning” ou “ML” (também conhecida no Brasil como “Aprendizado de Máquina”). É bem provável que você já tenha ouvido falar sobre o assunto, ou até mesmo tenha visto alguma vaga de trabalho, solicitando esta competência.
Para que possamos entender a proposta do curso, eu vou me antecipar, e apresentar de forma resumida o conceito de “Machine Learning”. Podemos considerar como “um conjunto de regras e procedimentos, que permite que os computadores possam agir e tomar decisões baseados em dados ao invés de ser explicitamente programados para realizar uma determinada tarefa”, segundo o blog “Ciência e Dados”.
Espera um pouco! Você está dizendo que eu não preciso programar a máquina, e dizer o que ela tem que fazer em determinadas situações; e que eu vou ensiná-la por meio de algoritmos a entender o aprendizado humano, e entender nosso cérebro?
Isso mesmo, meu amigo! E esse conhecimento é o grande diferencial do Cientista de Dados.
Você tem ideia do quão é importante esse conhecimento para a sociedade? Quanto das decisões realizadas com o auxílio do Aprendizado de Máquina influenciam na sua vida?
Talvez você saiba, talvez não; mas essa tecnologia já está presente no seu dia a dia, e a tendência é que a presença só aumente. E para mostrar que eu estou dizendo a verdade, basta olhar ao seu redor, pensar no conceito e entender como as coisas funcionam; e você vai chegar a alguns exemplos. Mas talvez eu possa inseri-lo nesse universo.
Por que fazer o curso?
Poderíamos dizer que só o fato de praticamente uma boa parte das empresas do universo, implementarem Machine Learning em seus processos, já seria suficiente para motivá-lo a estudar o tema. Isso aumentaria a sua empregabilidade.
Além disso, o aumento pelo interesse em Machine Learning fizeram técnicas e métodos estatísticos ficarem mais populares do que nunca; Mineração de Dados e Inferência Bayesiana começaram a ser difundidos em escala. E nossa profissão começou a ganhar mais popularidade.
Com algoritmos de Aprendizado de Máquina, será possível analisar de forma rápida e automática, um volume maior de dados complexos, e focar em resultados mais precisos. Resultado de tudo isso? Previsões de alto valor para melhores tomada de decisões, inclusive em tempo real, sem intervenção humana.
Recentemente, para ser mais preciso, 2 dias atrás, tive o privilégio de conversar com um leitor brasileiro, que trabalha há alguns anos na Alemanha, como Cientista de Dados. Ele relatou que o mercado de Machine Learning e Inteligência Artificial estão crescendo rapidamente lá fora.
Já ouvi dizer, que a tecnologia leva em média de 5 a 10 anos para chegar ao Brasil. Isso significa que um dia vai chegar mais forte aqui. A pergunta que eu faço é: “Você quer se preparar agora, e criar um mercado; ou quer aprender quando todo mundo estiver no mercado”? Que tipo de “player” você quer ser?
O que eu vou aprender?
Você aprenderá todos os conceitos de Machine Learning em detalhes, com destaque para os principais: aprendizagem supervisionada, aprendizagem não supervisionada, classificação, regressão, árvores de decisão, modelos condicionais, aprendizagem profunda, redes neurais e sistemas de recomendação.
Você aprenderá os principais algoritmos, e como implementá-los usando Linguagem R e Linguagem Python (cursos 1 e 2). Por meio dos modelos analíticos de dados, você vai permitir que computadores encontrem insights ocultos sem dizer onde procurar.
Para ajudar com toda essa programação, conceitos estatísticos serão abordados, e você terá a oportunidade de relembrá-los, ou aplicá-los em uma nova realidade.
Modelos Probabilísticos, Classificação, Clustering, Métodos de Estatística Bayesiana, Método de Kernel, Design de Experimentos, Medidas de Tendência Central, Intervalos de Confiança, Testes de Hipóteses, Regressão Linear e Múltipla, Análise de Variância, Teste de Qui-Quadrado e Distribuição F, Regressão Polinomial e Logística, …, ufa!
É uma lista interminável de métodos e técnicas estatísticas. Eu arrisco dizer, que esse é o curso que mais depende de conhecimentos e habilidades da nossa área.
Podemos concluir que a Estatística é muito importante para a aplicação e o desenvolvimento do Machine Learning.
Mas se você ainda acha que essa realidade está muito distante de você, eu o convido para ler os 2 últimos tópicos sobre aplicações.
Onde posso aplicar?
Com esse conhecimento, você será capaz de desenvolver modelos analíticos que serão capazes de entender o comportamento humano, e que por meio de algoritmos, apresentarão recomendações customizadas de acordo com preferências. Já pensou em receber propostas de produtos e serviços, que até ontem não existiam? Ou que estão alinhados com seus gostos, e suas particularidades?
A quantidade de aplicações de Machine Learning não para de aumentar, e eu seria capaz de fazer uma lista muito grande; mas vou ter que me conter, e apresentar apenas alguns exemplos. Prometa fazer cara de surpresa, se alguma dessas aplicações já fizer parte, e influenciar a sua vida:
- Recomendação de filmes da NETFLIX: quanto mais filmes você assistir e avaliar, mais o “sistema de recomendação”, criado por Machine Learning, vai acertar ao recomendar um filme para você assistir, naquele domingo chuvoso, que você não quer fazer nada.
- O Waze ajuda você a sair de congestionamentos: se você dirige diariamente, principalmente em grandes cidades, é bem possível que o aplicativo Waze seja quase um “guru” do trânsito para você. Ele aprende, em tempo real, com os próprios usuários, quais são os melhores caminhos, onde há acidentes, onde estão as piores situações climáticas. E faz você economizar uma moeda preciosa nos dias de hoje: seu tempo.
- O Facebook (e agora o aplicativo “fotos” da Apple) ajuda você a reconhecer seus amigos nas fotos: você já parou para pensar como é que o Facebook sabe exatamente quem é que está com você nas fotos? Essa é apenas uma amostra do que ainda está por vir nas redes sociais. Se você quiser saber mais sobre isso, e tiver uma conta no , vale a pena pesquisar por pedaços de imagens.
Quer mais aplicações?
- Fazer up-sell de produtos no e-commerce: esse é exemplo é clássico, e provavelmente você e eu já compramos algo que não precisávamos, porque o “algoritmo” achou que seria útil para você, baseado no seu comportamento dentro de um site, e até mesmo, entre sites. O grande mestre dessa arte é a Amazon. (Aliás, recomendo o livro “”).
- Prever atrasos e cancelamentos de voos com base nas condições climáticas: já existem algoritmos capazes de prever, com 75% de precisão, que um voo será cancelado ou atrasado, devido às condições climáticas.
E para finalizar, se você ainda não pediu seu Tesla Modelo S, logo você vai pode pedir um robô para realizar trabalhos domésticos. Brincadeiras à parte, provavelmente você já ouviu falar de Elon Musk, e sua empresa de carros autônomos (realidade em alguns países). Carros guiados por Machine Learning que aprendem com a experiência do usuário.
Como você pode perceber, Machine Learning está em todos os lugares. E com o advento da Internet das Coisas (IoT), esses modelos só tendem a aumentar. Mas isso é assunto para outro post, ok?
P.S: Se você se interessou pelo curso, como eu me interessei, não perca tempo, e acesse o site da Data Science Academy para maiores informações. Esse curso específico começa dia 3 de outubro. E se você perdeu alguma matéria dessa série, é só clicar nos links abaixo:
Curso 1: Big Data Analytics com R e Microsoft Azure Machine Learning.
Curso 2: Big Data Real-Time Analytics com Python e Spark.
Curso 3: Engenharia de Dados com Hadoop
Material usado
Imagem de um robô aprendendo:
Imagem de capa do livro “Surviving AI”:
Imagem do Waze: acervo pessoal
Siga-nos nas redes sociais
Facebook: https://www.facebook.com/oestatistico
Twitter:
Instagram:
Pinterest:
