Aprendizagem Automática Clássica

Bem-vindo à Lição 6 de Conceitos de Inteligência Artificial (COMP5511). Esta sessão serve de ponte entre os fundamentos teóricos e as implementações algorítmicas práticas. Embora a IA moderna frequentemente enfatize a Aprendizagem Profunda, Aprendizagem Automática Clássica continua a ser a base da análise de dados. Estes algoritmos oferecem elevada interpretabilidade e eficiência computacional, tornando-os a escolha preferida para dados estruturados e análises padrão da indústria.

1. Aprendizagem Supervisionada

Este paradigma envolve treinar um modelo com um conjunto de dados rotulado, onde o algoritmo aprende a relação entre as características de entrada e um resultado-alvo específico. Isto permite ao modelo prever resultados para novos dados nunca vistos, com precisão.

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

2. Aprendizagem Não Supervisionada

Estes algoritmos analisam dados não rotulados para descobrir padrões, estruturas ou agrupamentos ocultos sem qualquer orientação prévia sobre qual deve ser o resultado. As principais técnicas incluem:

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

Interpretabilidade vs. Complexidade

Uma vantagem significativa da aprendizagem automática clássica é a sua transparência. Ao contrário dos modelos de aprendizagem profunda de "caixa negra", algoritmos como as Árvores de Decisão permitem aos humanos traçar a lógica exata por detrás de uma previsão, o que é vital para áreas de alto risco como a medicina ou as finanças.

Fluxo de implementação com Scikit-learn