Aprendizado de máquina: usando storytelling para ensinar conceitos científicos complexos a meros mortais

ebook: aprendizado de máquina
Aprendizado de máquina é uma área da inteligência artificial que visa gerar sistemas capazes de aprender por meio da experiência.

Empresas como Google, Facebook, Linkedin, Twitter e Microsoft usam e continuarão usando métodos de aprendizado de máquina em seus sistemas.

O intuito dessas empresas é aprender mais sobre os seus clientes e gerar as soluções mais personalizadas possíveis para eles.

Infelizmente, a maneira como o conhecimento científico é transmitido nas escolas e universidades é ineficiente.

Você já se imaginou aprendendo conceitos científicos por meio de histórias?

Mesmo que você não seja um cientista, eu garanto que você é capaz de entender sobre aprendizado de máquina.

Leia este post e mude a sua percepção sobre o conhecimento científico na prática, sem firulas.

Este post é direcionado a:

  • professores que querem aumentar a efetividade de suas aulas por meio de storytelling;
  • cientistas de dados que prestam consultorias a empresas não relacionadas à ciência;
  • entusiastas do aprendizado de máquina que gostariam de expandir seus conhecimentos;
  • pais que queiram ensinar conceitos científicos a seus filhos por meio de storytelling;
  • pessoas cansadas de ver conteúdos maçantes relacionados à ciência.

Portanto, se esse assunto parece interessante para você, continue lendo para saber mais sobre:

Storytelling: o futuro do ensino da ciência

aprendizado de máquina: storytelling

Storytelling é considerada a arte de contar histórias envolventes.

Mesmo sendo uma atividade bem antiga, ela funciona muito bem para ensinar e atrair novos clientes.

Várias marcas investem cada vez mais em storytelling para conseguir clientes apaixonados por seus produtos.

Ao usar storytelling em suas campanhas de marketing, você pode:

  • garantir que a sua marca será diretamente conectada à mensagem;
  • fazer com que os consumidores entendam que você vai entregar produtos de qualidade;
  • se destacar da concorrência;
  • ter clientes recorrentes.

É possível usar storytelling para ensinar ciências?

Ao usar storytelling para ensinar, você faz com que seus alunos:

  • se envolvam com as histórias contadas;
  • tenham maior retenção do conteúdo ministrado;
  • apresentem maior interesse na sua disciplina;
  • espalhem para várias pessoas que você é um excelente professor.

Para entender um pouco mais sobre storytelling, veja o infográfico feito pela equipe do Viver de Blog.

Infográfico Storytelling
» Clique Aqui para baixar uma versão em Alta Resolução desse infográfico «

Como explicar conceitos científicos complexos de aprendizado de máquina por meio de storytelling?

Leia este post e tire suas próprias conclusões.

Caso você seja professor, você poderá aumentar a efetividade de suas aulas usando as histórias deste post.

Contarei diversas histórias neste post para que você entenda o processo de storytelling e possa adaptá-lo à sua realidade.

Você verá neste post uma abordagem nada convencional da área de aprendizado de máquina, que pode ser dividida em:

O que é aprendizado de máquina?

aprendizado de máquina: conceitos

Há várias definições de aprendizado de máquina na literatura científica, dentre as quais destaco a seguinte:

A capacidade de melhorar o desempenho na
realização de alguma tarefa por meio da experiência.

Tom Mitchell

Costumo mencionar que o objetivo principal de um algoritmo de aprendizado de máquina é:

Aprender um modelo que relacione elementos do conjunto de dados aos seus respectivos rótulos, caso estes existam.

As seguintes definições são necessárias para entendermos o funcionamento dos algoritmos de aprendizado de máquina:

  • Elemento é um objeto do conjunto de dados e é representado por um vetor de valores de atributos;
  • Atributo é uma entidade que descreve uma característica de um elemento, podendo ser um valor real representando alguma medida;
  • Rótulo representa uma categoria ou valor real associado a um dado elemento do conjunto de dados;
  • Conjunto de dados apresenta uma certa quantidade de elementos com atributos e estes podem conter nenhum, um ou vários rótulos.

O conjunto de dados também é conhecido como conjunto de treinamento, base de dados ou banco de dados.

aprendizado de máquina: banco de dados

Quando um rótulo representa uma categoria ou um valor discreto, ele também pode ser chamado de classe.

Suponha que você tenha dois amigos, um chamado Caraiovisky e o outro Estronfúncio.

Caraiovisky é um rapaz alto e inteligente, enquanto que o Estronfúncio é um rapaz baixo e forte.

Nesse caso, Caraiovisky e Estronfúncio são elementos do conjunto de dados referente aos seus amigos.

Caraiovisky possui os atributos alto e inteligente, enquanto que Estronfúncio possui os atributos baixo e forte.

Dependendo do seu problema, você também pode interpretar a entidade rapaz (ou sexo masculino) como um atributo.

Perceba que você pode ter (e eu sugiro fortemente que você tenha) alguns (de preferência vários) amigos do sexo feminino.

Aprendizado supervisionado

No aprendizado de máquina supervisionado (ou simplesmente aprendizado supervisionado), os elementos da base de dados possuem rótulos.

Esses rótulos são usados como resposta desejada no processo de aprendizado.

dois tipos principais de aprendizado supervisionado:

Regressão supervisionada: a ambição de Moneroth

aprendizado de máquina: regressão supervisionada

Moneroth era um trader da bolsa de valores que sonhava com os milhões de dólares que um dia poderia ter.

Apesar de bastante esforçado, ele nunca tinha ganhado um bom dinheiro na bolsa de valores.

Para melhorar seus resultados financeiros, Moneroth começou a analisar os valores de algumas ações no tempo.

Ele tentava interpretar as causas das constantes variações de preços dessas ações e prever o que iria acontecer.

Resumidamente, ele procurava um jeito de predizer o valor de uma ação num dado momento da maneira mais precisa possível.

Infelizmente, ele não sabia exatamente como fazer isso.

Após uma consultoria sobre aprendizado de máquina com o grande cientista de dados Celsólipo, Moneroth descobriu o caminho das pedras.

Ao criar um modelo que gerasse uma sequência numérica próxima aos valores das ações no tempo, ele resolveria esse problema.

Com esse modelo, ele poderia estimar os valores das ações no futuro e, então, ganhar muito dinheiro.

Após muito estudo, Moneroth enfim encontrou um modelo capaz de estimar os valores das ações.

Nesse caso, o método de aprendizado de máquina usou alguns valores de uma sequência numérica para gerar um modelo.

Esse modelo foi capaz de estimar os próximos números dessa sequência (os preços das ações no futuro).

Moneroth ficou rico rapidamente e agora tem um sistema de aprendizado de máquina que ganha ainda mais dinheiro para ele.

O aprendizado de máquina mudou completamente a vida de Moneroth.

Atualmente, ele está na Fortune 500 e deseja ser o homem mais rico do mundo no próximo ano.

Classificação supervisionada: o caso do detetive Sherwats

aprendizado de máquina: classificação supervisionada

Sherwats era um rapaz esforçado que estudou por muitos anos para se tornar um detetive.

Ele era contratado para encontrar pessoas desaparecidas e que fossem procuradas pela polícia.

O objetivo era simples: Sherwats recebia várias fotos de uma pessoa e saía em busca dela por diversos locais.

Após desvendar alguns casos, ele percebeu que seu processo de busca era ineficiente.

Após diversas tentativas fracassadas de resolver o seu problema, ele foi conversar com o grande cientista de dados Celsólipo.

Sherwats percebeu então que deveria mudar o sistema de registros do governo para automatizar o processo de busca.

Ao estudar aprendizado de máquina por algumas semanas, ele conseguiu gerar um modelo capaz de reconhecer rostos em vídeos.

Na prática, ele criou um sistema que:

  • recebia um vídeo em tempo real;
  • verificava se alguma das pessoas que apareciam nele constava na lista de pessoas procuradas.

Caso o sistema indicasse que uma das pessoas no vídeo poderia ser uma das pessoas procuradas, Sherwats era avisado imediatamente.

A etapa de testes mostrou que esse sistema era extremamente eficaz, o que alegrou o grande detetive.

Após alguns dias, ele convenceu os chefes de estado a criarem um sistema de cadastro contendo diversas fotos das pessoas.

Esse cadastro seria atualizado a cada cinco anos para garantir que as fotos no banco de dados fossem recentes.

O sistema de Sherwats foi rapidamente integrado aos sistemas de vigilância do governo.

Isso aumentou drasticamente a escalabilidade do processo de busca de pessoas e tornou Sherwats um detetive renomado mundialmente.

Atualmente, Sherwats leva uma vida totalmente livre de stress, graças ao aprendizado de máquina.

Aprendizado de máquina não supervisionado

No aprendizado de máquina não supervisionado (ou simplesmente aprendizado não supervisionado), os elementos do conjunto de dados não possuem rótulos.

Os elementos do conjunto de dados podem até conter rótulos, mas estes são ignorados no processo de aprendizado.

cinco tipos principais de aprendizado não supervisionado:

Agrupamento de dados: o império do rei Hierarco

aprendizado de máquina: agrupamento de dados

No reino de Desorganizápolis, não havia nenhum tipo de organização entre as pessoas.

O rei de Desorganizápolis chamava-se Desestruturaldo. Este tinha um filho, o príncipe Hierarco.

Apesar da falta de estudo de seu pai, Hierarco era um homem extremamente inteligente e disciplinado.

Após a morte de seu pai, Hierarco passou a ser o novo rei de Desorganizápolis.

Ao assumir o trono, ele resolveu começar a organizar seu novo reino.

Desorganizápolis tinha algumas grandes desavenças com o reino vizinho, conhecido por Massacrópolis.

Logo após assumir o trono, Hierarco descobriu que Massacrópolis planejava uma investida militar contra Desorganizápolis.

Hierarco decidiu então começar a organização de seu reino pelo exército.

Entretanto, ele não sabia por onde começar.

Ele resolveu consultar o grande cientista de dados Celsólipo, um dos maiores cientistas de sua época.

Após algumas discussões sobre aprendizado de máquina, a solução do problema veio à tona.

Ele avaliou os seus soldados com base nas características de experiência em combate, táticas militares e resistência física.

Segundo esses critérios, o soldado mais apto recebeu a função de general, os próximos mais aptos receberam as demais funções.

Com isso, o exército de Hierarco ficou bem organizado.

Cada soldado tinha uma função específica a desempenhar numa possível batalha contra o exército de Massacrópolis.

Quando o dia da batalha finalmente chegou, o exército de Hierarco estava muito bem preparado.

Após uma batalha sangrenta e muito demorada, o exército de Hierarco saiu vitorioso.

Após isso, Hierarco continuou a organizar o seu reino com base em características similares entre as pessoas.

Essa ideia simples fez com que seu reino fosse cada vez mais próspero e a produtividade das pessoas aumentasse.

O aprendizado de máquina melhorou a vida de Hierarco e das pessoas de seu reino.

Hierarco entrou para a história como um dos melhores reis de sua época.

Seleção de atributos: a leitora Dinamesa

aprendizado de máquina: seleção de atributos

Dinamesa era uma menina extremamente agitada e impulsiva.

Ela não gostava de perder tempo esperando o que quer que fosse, mesmo que pudesse ganhar algo valioso no futuro.

Dinamesa lia vários livros por semana, mas ela não conseguia absorver a informação contida neles.

Isso acontecia porque ela não tinha paciência para ler todas as palavras que estavam escritas nos livros.

Ela simplesmente pulava várias palavras aleatoriamente em cada parágrafo, o que dificultava bastante a absorção do conteúdo.

Por causa disso, ela sempre teve uma dificuldade imensa de aprendizado e muitas vezes era considerada burra pelos colegas.

Dinamesa chegou até a fazer aulas de reforço em português para poder passar de ano na escola.

Essa situação era muito estressante para ela e deveria ser resolvida o quanto antes.

Durante uma palestra do grande cientista de dados Celsólipo, ela teve um insight que poderia solucionar seu problema.

Celsólipo mencionou sobre métodos de aprendizado de máquina capazes de selecionar as palavras mais relevantes em um texto.

Dinamesa tinha convicção de que esses métodos poderiam livrá-la do transtorno da leitura.

Após estudar aprendizado de máquina por algumas semanas, ela conseguiu criar um sistema que resolve seu problema.

A partir de um texto, esse sistema gerava uma lista de palavras que, em conjunto, tivessem o maior significado semântico.

Com a lista gerada, Dinamesa pôde enfim entender o conteúdo dos livros sem precisar lê-los por inteiro.

O aprendizado de máquina mudou a vida dela para sempre, melhorando bastante a sua capacidade de aprendizado.

Atualmente, Dinamesa coordena uma ONG que ajuda crianças com dificuldades de aprendizado.

Os resultados atuais são satisfatórios e agora ela está prestes a mandar a sua mensagem para o mundo inteiro.

Extração de atributos: a maldição de Einstão

aprendizado de máquina: redução de dimensionalidade

Einstão era um professor universitário mundialmente conhecido.

Diferente dos seus colegas de trabalho, ele era uma pessoa simples e com muita humildade.

Entretanto, Einstão sempre foi considerado um idiota pelas pessoas que conviviam com ele.

Desde criança, ele sempre teve dificuldade para se relacionar com as pessoas.

Algumas pessoas diziam que Einstão vivia em outro mundo e era uma pessoa muito difícil de lidar.

Ele ficava extremamente agressivo pelo fato de ser incompreendido pelas pessoas.

Isso fez com que Einstão se afastasse cada vez mais das pessoas, até chegar à completa solidão.

Einstão começou a se perguntar o motivo pelo qual as pessoas não o compreendiam.

Após vários dias pensando sobre o assunto, Einstão percebeu que ele vivia em quatro dimensões.

Como as pessoas comuns viviam em três dimensões, elas eram incapazes de compreendê-lo.

Descoberto o problema de sua vida, agora ele deveria solucioná-lo.

Ele resolveu pagar por uma consultoria sobre aprendizado de máquina com o grande cientista de dados Celsólipo.

Após a consultoria, Einstão enfim solucionou o problema que tanto o perturbava.

Na prática, Einstão criou uma maneira de interpretar em três dimensões o que se passava com ele em quatro dimensões.

Intuitivamente, Einstão fez um mapamento de seu mundo em quatro dimensões para o nosso mundo em três dimensões.

Esse modelo matemático fez com que as pessoas passassem a entender o que ele dizia e sentia.

O aprendizado de máquina fez Einstão recuperar sua auto-estima e fazer novos amigos ao redor do mundo.

Atualmente, Einstão coordena um hospital, o qual cuida de crianças que podem ter o mesmo problema que ele.

Associação de dados: o mercadinho do Seo Zé

aprendizado de máquina: associação de dados

Quem nunca foi a um mercado cujo dono se chama Seo Zé, não sabe o que é viver no interior.

Seo Zé era um cumpade simpático que sonhava em se aventurar no mundo dos negócios.

Após juntar um dinheirinho suado durante alguns anos na roça, ele resolveu ter o seu próprio mercado.

Apesar da extrema simpatia do Seo Zé, as vendas do mercado dele não iam nada bem.

Na prática, o lucro obtido no mercado mal dava para pagar as contas.

Após várias tentativas fracassadas de aumentar os lucros de seu mercado, ele não sabia mais o que fazer.

Graças a um amigo, Seo Zé recebeu uma consultoria sobre aprendizado de máquina com o grande cientista de dados Celsólipo.

Após essa consultoria, Seo Zé entendeu como resolver seu problema.

Ele começou a verificar quais itens eram mais vendidos em conjunto e passou a reorganizar seu mercado com base nisso.

A partir das compras efetuadas pelos clientes, ele começou a observar o seguinte:

  • 60% das pessoas que compravam pão, também compravam manteiga;
  • 70% das pessoas que compravam absorvente, também compravam chocolate;
  • 82% das pessoas que compravam achocolatado, também compravam leite.

Com isso, Seo Zé reorganizou as prateleiras de seu mercado de tal forma que:

Produtos que são mais vendidos em conjunto devem estar próximos.

Essa simples mudança fez com que os clientes comprassem mais.

Além disso, os clientes passaram a ficar menos tempo procurando produtos no mercado.

O mercado do Seo Zé começou a lucrar bastante e se tornou uma referência na cidade.

O aprendizado de máquina mudou a vida de Seo Zé, que expandiu seu mercado a cada ano.

Isso fez com que mais pessoas fossem contratadas e a cidade ficasse mais próspera.

Atualmente, Seo Zé luta para ter a maior rede de supermercados do Brasil e, futuramente, do mundo.

Sumarização de dados: as fofocas de Sumarilião

aprendizado de máquina: sumarização de dados

Sumarilião era um jornalista com doutorado em fofocas.

Ele escrevia em seu blog tudo o que acontecia no mundo das celebridades para informar os desocupados de plantão.

Na época de Sumarilião, a internet era apenas um embrião, nada comparado ao que ela é hoje.

O jornalista lia as poucas informações referentes à uma certa celebridade e as comentava em seu blog.

Como as fontes de informação eram escassas naquela época, Sumarilião não tinha muito trabalho.

Entretanto, o número de blogs e sites de fofocas começou a crescer rapidamente.

Num dado momento, Sumarilião chegava a trabalhar 14 horas por dia.

Ele não sabia o que fazer para não deixar na mão a sua legião de fofoqueiros.

Ao pesquisar na internet, ele conheceu os trabalhos do grande cientista de dados Celsólipo.

Sumarilião se interessou tanto pelos trabalhos de Celsólipo que resolveu pagar por uma consultoria com ele sobre aprendizado de máquina.

Após a consultoria, Sumarilião criou um sistema que vasculhava vários sites e blogs de fofocas com o intuito de:

  • encontrar novas fofocas sobre as celebridades;
  • avaliar o quanto de discussão cada fofoca gerou;
  • juntar as fofocas que geraram mais discussão e colocá-las num relatório.

Sumarilião só precisava editar o relatório e publicar o texto final em seu blog.

A partir desse sistema de aprendizado de máquina, as fofocas rolaram à solta no blog e foram geradas mais rapidamente.

O aprendizado de máquina facilitou o trabalho de Sumarilião, deixando-o com mais tempo livre para passar com a família.

Atualmente, Sumarilião coordena um grupo de jornalistas que tem como objetivo propagar fofocas no menor tempo possível.

A meta desse grupo é entrar no guinness book no próximo ano como os maiores propagadores de fofocas do mundo.

Aprendizado de máquina semissupervisionado

No aprendizado de máquina semissupervisionado (ou simplesmente aprendizado semissupervisionado), os elementos:

  • podem ser rotulados ou não, ou seja, elementos rotulados e não rotulados podem coexistir no conjunto de dados;
  • devem obedecer à uma lista de restrições, caso exista.

três tipos principais de aprendizado de máquina semissupervisionado:

Agrupamento semissupervisionado: as frufruzices de Mimizete

aprendizado de máquina: agrupamento semissupervisionado

Mimizete é uma menina extremamente chata e, pior de tudo, ela é sua aluna a partir de agora.

Ela é uma garota cheia de frufruzices que, definitivamente, não se mistura com a gentalha.

Após algumas aulas, você decide separar a turma em grupos para a realização de trabalhos escolares.

Você mal acaba de comunicar à turma sobre isso e já aparecem as primeiras exigências (ou restrições) da Mimizete.

Por ter uma paciência fora do normal, você decide ouvir as exigências da sua adorável aluna.

Dentre as várias exigências de Mimizete, estão:

  • ela quer ficar no mesmo grupo das meninas populares da turma;
  • ela não quer ficar no mesmo grupo dos garotos nerds.

O que você gostaria de fazer numa situação dessas?

  1. dar um tapa na orelha dela para que ela deixe de ser tonta;
  2. dar uma voadora nela com os dois pés;
  3. montar os grupos com base nas exigências mostradas.

Você então respira fundo e fica pensativo por alguns instantes incalculáveis.

Para evitar conflito, você decide então aceitar as exigências da Mimizete.

Perceba que você precisa lidar com dois tipos de restrição:

  • must link’. Nesse caso, dois elementos devem estar no mesmo grupo;
  • cannot link’. Nesse caso, dois elementos não devem estar no mesmo grupo.

Infelizmente, a lista de restrições é extremamente grande, o que impossibilita a criação dos grupos de forma manual.

Você resolve então pagar uma consultoria sobre aprendizado de máquina com o Celsólipo.

Após a consultoria, você cria um sistema capaz de criar os grupos obedecendo as restrições existentes.

Com isso, você finalmente consegue separar a turma em grupos obedecendo as exigências da Mimizete.

O aprendizado de máquina mudou a sua vida, livrando-o de alunos frufruzentos.

Atualmente, você pretende usar o seu sistema para salvar outros professores indefesos das garras de seus alunos frufruzentos.

Regressão semissupervisionada: a incerteza de Fuzzikovic

aprendizado de máquina: regressão semissupervisionada

Fuzzikovic era cientista de dados na empresa Fuizz&Volteizz e ostentava nas baladinhas.

Ele morava numa cidade onde muitos homens eram parecidos com as mulheres.

Até a voz era imitada com uma semelhança incrível.

Após algumas brejas, Fuzzikovic simplesmente não conseguia mais identificar quem era realmente mulher na balada.

Ele percebeu que deveria tomar uma providência urgente para resolver essa dúvida cruel.

Ao falar com Celsólipo, ele conseguiu desenvolver um sistema que:

  • recebia várias imagens e áudios de uma pessoa;
  • identificava se essa pessoa era realmente uma mulher.

Cada pessoa era um elemento do conjunto de dados e a saída, quando existia, era algo como:

  • 0.87 mulher

Infelizmente, o processo de aquisição de dados era muito lento e difícil de fazer nas baladas.

Na prática, Fuzzikovic conseguia imagens e áudios suficientes para cada pessoa em uma semana.

Por existirem poucos elementos rotulados, o sistema gerava uma alta taxa de erro.

Ele resolveu então pagar por uma consultoria com o Celsólipo, seu colega de profissão.

Durante a consultoria, ele entendeu como solucionar esse problema.

Para os testes, ele usou o mesmo conjunto de dados, mas com algoritmos adaptados para cenários com poucos elementos rotulados.

Após vários testes, enfim Fuzzikovic conseguiu gerar um modelo que obtivesse uma taxa de erro aceitável.

Sempre que o valor referente à mulher fosse superior a 0.8, Fuzzikovic começava o seu ritual de conquista.

Ele simplesmente passou pelo melhor momento de sua vida.

O aprendizado de máquina mudou a vida de Fuzzikovic, diminuindo a chance dele brincar de boneca após a balada.

Atualmente, Fuzzikovic tem o apelido de faxineiro por ter passado o rodo em quase todas as mulheres da cidade.

Entretanto, como ele estava mancando hoje de manhã, eu acho que Fuzzikovic enfrentou uma batalha Jedi ontem à noite.

Classificação semissupervisionada: os vídeos de Tobinho


aprendizado de máquina: classificação semissupervisionada

Tobinho é um cara apaixonado por vídeos e acabou de criar um sistema online, e revolucionário, chamado TobinhoVocê.

Os usuários do TobinhoVocê podem fazer upload de seus próprios vídeos para o sistema.

Infelizmente, Tobinho esqueceu de dar a opção para os produtores de conteúdo colocarem tags em seus vídeos.

Isso dificulta bastante o processo de busca dos vídeos na internet.

Tobinho começou a assistir cada vídeo e a criar essas tags manualmente, o que era extremamente demorado e desgastante.

A vida de Tobinho foi piorando conforme seu sistema ficava popular e o número de vídeos nele crescia.

No TobinhoVocê, há alguns vídeos com tag e muitos sem tag.

Sem saber o que fazer, ele pagou por uma consultoria sobre aprendizado de máquina com Celsólipo.

Após a consultoria, Tobinho enfim encontrou uma solução.

Ele resolveu usar um método de aprendizado de máquina que fosse híbrido em relação às tarefas de classificação e agrupamento.

Nesse caso, os elementos da base de dados (os vídeos) podem conter tag (um rótulo) ou não.

O objetivo é criar um modelo que seja capaz de gerar tags aos vídeos do TobinhoVocê.

Após vários testes, Tobinho encontrou um modelo que era capaz de gerar tags de forma semelhante à dele.

Ao usar esse modelo, todos os vídeos do TobinhoVocê passaram a receber uma tag no momento do upload.

Isso aumentou a escalabilidade do TobinhoVocê e fez com que seus vídeos fossem mais facilmente encontrados pelos buscadores na internet.

O aprendizado de máquina proporcionou a Tobinho uma vida farta e livre de estresse.

Atualmente, ele luta para ter o melhor sistema de vídeos online do mundo.

Aprendizado multirrótulo: a arte da segmentação de audiência

aprendizado de máquina multirrótulo

Markelino era um rapaz ambicioso que sonhava em criar um negócio online para ter mais tempo livre.

Como parte de seu plano de negócios, ele criou um blog e começou a fazer postagens relacionadas à engenharia.

Por meio de páginas de captura de email, Markelino começou a gerar uma grande audiência em pouco tempo.

Após atingir a marca de vinte mil prospectos, ele resolveu fazer seu primeiro lançamento, referente à engenharia civil.

Apesar de estudar bastante sobre marketing digital e ter um produto de qualidade, seu primeiro lançamento foi um fracasso.

Por obter baixos retornos financeiros, ele resolveu procurar um consultor para auxiliá-lo.

Após muito pesquisar, ele resolveu contratar o grande cientista de dados Celsólipo.

Durante a consultoria sobre aprendizado de máquina, Markelino entendeu um dos motivos de não ter feito um lançamento efetivo.

Na prática, ele tinha esquecido de usar tags para entender melhor sobre as preferências de seus prospectos.

Ele então resolveu fazer uma pesquisa de opinião na sua lista de emails para poder gerar as tags.

Algumas pessoas responderam à pesquisa e Markelino usou essas informações como conjunto de treinamento.

Após vários testes, ele gerou um modelo de aprendizado de máquina capaz de gerar múltiplas tags para cada novo usuário.

Isso fez com que Markelino segmentasse sua audiência e criasse campanhas mais adequadas para cada avatar.

Avatar é uma pessoa fictícia que representa um conjunto de pessoas ou um nicho de mercado.

Ao adequar as campanhas para cada avatar, a efetividade delas aumentou muito.

O aprendizado de máquina mudou a vida de Markelino, proporcionando a ele maiores resultados financeiros.

Atualmente, Markelino está num grupo de empreendedores cujo objetivo é difundir o empreendedorismo digital no Brasil.

Aprendizado por reforço

O aprendizado de máquina por reforço (ou simplesmente aprendizado por reforço) é parecido com o aprendizado não supervisionado.

Essa analogia é feita porque os elementos não possuem rótulos em ambos os casos.

No aprendizado por reforço, há um feedback associado ao processo de aprendizado, que pode ser:

  • uma recompensa, caso o sistema execute uma ação desejada;
  • uma punição, caso ele execute uma ação indesejada.

Aprendizado por reforço: o adestramento de Escrotobaldo

aprendizado de máquina por reforço: escrotobaldo

Você tem um cão muito desobediente chamado Escrotobaldo.

Logo, você decidiu levá-lo a um treinador de cães.

O treinador avalia Escrotobaldo e prepara um treinamento para que ele fique mais disciplinado.

No processo de treino do Escrotobaldo, o treinador efetivamente faz três coisas principais:

  • ensina alguns movimentos ao seu cão;
  • dá uma recompensa ao seu cão caso ele faça o movimento corretamente;
  • dá uma penalidade ao seu cão caso ele não obedeça.

No caso de adestramento de cães, a recompensa normalmente é um aperitivo que o cão goste.

A penalidade deve ser algo que faça o cão entender que ele fez alguma ação errada.

Claro que essa penalidade não pode ser muito bruta para não traumatizar o pobre Escrotobaldo.

As recompensas e as punições são consideradas feedbacks no processo de adestramento.

Com esses feedbacks, o Escrotobaldo começa a perceber intuitivamente o que ele deve ou não fazer num determinado momento.

Na prática, acontecem duas coisas no cérebro do Escrotobaldo:

  • as conexões neurais que levam à recompensa são reforçadas;
  • as conexões neurais que levam à punição ficam cada vez mais fracas.

Com o passar do tempo, as conexões neurais que levam à recompensa ficam muito mais fortes do que as conexões neurais que levam à punição.

É isso que faz com que o Escrotobaldo aprenda o que ele deve ou não fazer numa determinada situação.

Após vários dias de treinamento, o Escrotobaldo ficou muito obediente.

O treinador inclusive te deu algumas dicas de adestramento para você colocar em prática na sua casa.

Cientificamente falando, ele te mostrou como dar feedbacks mais eficientes para reforçar algumas conexões neurais no cérebro do Escrotobaldo.

O aprendizado de máquina melhorou a sua vida pois agora o seu cão está bem disciplinado.

Atualmente, você pretende usar essas sacadas científicas para livrar o mundo de cães indisciplinados.

Aprendizado por reforço: a ciência da criação de novos hábitos

aprendizado de máquina por reforço: hábitos

Agora você é um gordinho sexy e quer emagrecer 15 quilos em 3 meses.

Se você focar em “como perder 15 quilos em 3 meses”, provavelmente seu cérebro te sabotará várias vezes nesse período.

Isso acontece porque o nosso cérebro é um procrastinador por natureza.

Em vez de focar na meta inicial, você deveria focar na seguinte meta:

Perder 170 gramas por dia pelos próximos 3 meses.

Essa nova meta é equivalente à meta anterior e é bem mais fácil de ser avaliada no dia-a-dia.

Isso força você a ficar atento todos os dias ao que você está fazendo para cumprir essa meta.

Para perder peso, você começa a frequentar uma academia.

Seguindo a filosofia do aprendizado por reforço, quando você for à academia, você receberá uma pequena recompensa depois.

Deve ser algo simples que te faça perceber que valeu a pena todo o esforço físico desse dia.

Após alguns dias, as conexões neurais do seu cérebro são ajustadas para privilegiar o ato de ir à academia.

Só não vá usar as mesmas recompensas que a minha namorada usava.

Quando nós começamos a ir à academia, a recompensa da minha namorada era:

comer uma panela de brigadeiro.

É claro que eu a ajudava nessa difícil tarefa … para falar a verdade, eu comia a maior parte do brigadeiro.

Agora, como será que ela conseguiria emagrecer desse jeito, mesmo indo à academia todos os dias?

Perceba que a recompesa dela era conflitante com a meta de emagrecimento.

Portanto, as recompensas devem estimular a execução das tarefas, mas não podem ir de encontro à sua meta.

Você pode usar essa simples estratégia para criar novos hábitos em sua vida e levar você para um próximo nível.

Recapitulando

Aprendizado de máquina: recapitulando

Você aprendeu neste post sobre os principais tipos de aprendizado de máquina por meio de storytelling.

O aprendizado supervisionado pode ser dividido em:

  • regressão supervisionada (lembre-se de Moneroth e o que ele fez para obter bons resultados financeiros na bolsa de valores);
  • classificação supervisionada ( lembre-se do detetive Sherwats e o que ele fez para encontrar pessoas).

O aprendizado não supervisionado pode ser dividido em:

  • agrupamento de dados (lembre-se como o rei Hierarco organizou seu exército);
  • seleção de atributos (lembre-se como a Dinamesa fez para resolver seu problema de aprendizado);
  • extração de atributos (lembre-se como o Einstão conseguiu se relacionar com pessoas que vivem em três dimensões);
  • associação de dados (lembre-se como o Seo Zé conseguiu ter um mercado próspero);
  • sumarização de dados (lembre-se como Sumarilião conseguiu ter um blog de sucesso fazendo fofocas).

O aprendizado semissupervisionado pode ser dividido em:

  • agrupamento semissupervisionado (lembre-se como você criou os grupos obedecendo as frufruzices da Mimizete);
  • regressão semissupervisionada (lembre-se das baladas de Fuzzikovic)
  • classificação semissupervisionada (lembre-se como Tobinho resolveu o problema das tags no TobinhoVocê).

Para o aprendizado multirrótulo, lembre-se do Markelino e como ele segmentou sua audiência.

Para o aprendizado por reforço, lembre-se do adestramento do Escrotobaldo e da criação de novos hábitos.

Pedidos de um pobre (e futuro rico) cientista de dados para a disseminação do conhecimento científico

Aprendizado de máquina: conclusão

Bom, chegamos ao fim da nossa jornada científica sobre os princípios básicos do aprendizado de máquina usando storytelling.

Eu espero sinceramente que você tenha gostado dela, assim como eu adorei escrever sobre esse assunto.

Caso você queira receber dicas exclusivas sobre áreas relacionadas ao aprendizado de máquina, coloque o seu melhor email abaixo:

Você quer receber as atualizações do blog?

Após a confirmação do seu email, você:

  • ficará por dentro das novidades do blog;
  • terá acesso à uma comunidade secreta no facebook com vários amantes da ciência;
  • receberá dicas exclusivas sobre aprendizado de máquina e áreas relacionadas;
  • receberá dicas exclusivas de como usar storytelling para criar apresentações incríveis;

Muitos outros benefícios ainda estão por vir.

Para ficar por dentro das novidades que rolam nas minhas mídias sociais, você pode:

Caso você tenha interesse em disseminar o conteúdo desse post, peço que você:

  • coloque um comentário no fim do post;
  • marque a opção publicar também no Facebook para que o seu comentário apareça no seu feed de notícias;
  • Marque três ou mais dos seus amigos do Facebook nos comentários.

Você pode também ficar por dentro dos meus processos de coaching.

Muitos dos problemas que hoje são resolvidos apenas por humanos estão com os dias contados.

Vários desses problemas serão automatizados num futuro próximo.

Você quer ser a pessoa que perdeu o emprego para uma máquina ou a pessoa que gerencia as máquinas?

A escolha é somente sua.

Espero sinceramente que você esteja estudando aprendizado de máquina com afinco para se preparar para o futuro.

Obrigado por você ter chegado até aqui. Nos vemos por aí 🙂

  • Celso Sousa

    carregando comentários …

  • Graziela Santos

    Parabéns pelo seu artigo. Ele está muito bem escrito e explica claramente os principais tipos de aprendizado de máquina.

    • Oi Graziela. Que bom que você gostou do conteúdo 🙂