Uma lição valiosa que aprendi recentemente é que ensinar e se preparar para ensinar são excelentes maneiras de aprofundar o conhecimento. Vou iniciar uma série de postagens explicando os principais algoritmos que tenho estudado em cursos, especializações e nanodegrees.
Ao longo do meu percurso, absorvi conhecimento de diversas fontes. Minha formação em engenharia e especialização em Lean Six Sigma me proporcionaram uma base sólida em cálculos, álgebra e análise de dados por meio de estatística e probabilidade. Isso me preparou para explorar o mundo do Machine Learning sem a necessidade de construir essa base matemática do zero.
Machine Learning é frequentemente dividido em modelos supervisionados e não supervisionados, e vou explicar sucintamente a diferença entre esses dois domínios.
Nesse tipo de modelo, fornecemos ao algoritmo a variável de saída desejada e as variáveis de entrada que ele usará para fazer previsões. Por exemplo, se tivermos dados sobre apartamentos, como número de banheiros, quartos e áreas de lazer, juntamente com seus preços, nosso modelo pode prever o preço de um apartamento com base nesses atributos. Alguns algoritmos comuns para esse tipo de modelo incluem classificação e regressão.
Aqui, o algoritmo identifica padrões desconhecidos nos dados e os agrupa, permitindo a extração de informações valiosas de grandes conjuntos de dados. Por exemplo, ao analisar dados de indivíduos com informações como idade, sexo e rotina, podemos descobrir padrões que relacionam determinadas rotinas a problemas de saúde. Algoritmos comuns para esse modelo incluem clusterização e associação.
Fique à vontade para explorar esses algoritmos e descobrir como aplicá-los em diversas situações. A jornada de aprendizado em Machine Learning é fascinante e cheia de possibilidades!