Evolução Histórica

O termo surgiu em 1959, criado por Arthur Samuel, pioneiro em jogos computacionais. Desde os anos 1950, com programas que calculavam probabilidades em damas, o campo evoluiu. Na década de 1960, máquinas experimentais como o Cybertron usavam reforço para reconhecer padrões em sinais de sonar e fala. Pesquisadores como Donald Hebb e Walter Pitts inspiraram modelos neurais baseados no cérebro humano. Tom Mitchell formalizou a definição em 1997: um programa aprende se melhora desempenho em tarefas via experiência.

Relações com Outras Áreas

Machine learning interliga-se à IA, compressão de dados, mineração de dados e estatística. Na IA inicial, métodos simbólicos deram lugar a abordagens estatísticas nos anos 1990. Com compressão, prevê sequências para otimizar armazenamento. Diferencia-se de mineração de dados por focar em predição, não descoberta exploratória. Estatística inferencial contrasta com padrões preditivos do ML.

Teoria e Abordagens

A generalização é central: algoritmos performam bem em dados não vistos. Teoria computacional usa modelos como ‘provavelmente aproximadamente correto’. Principais abordagens:

• Supervisionado: Usa dados rotulados para classificar ou regredir, como detectar fraudes em transações.
• Não supervisionado: Descobre estruturas, como clustering para segmentar clientes ou redução dimensional via PCA.
• Semi-supervisionado: Combina dados rotulados e não rotulados para maior precisão.
• Reforço: Agentes maximizam recompensas em ambientes dinâmicos, como jogos ou veículos autônomos.

Outros incluem autoaprendizado, aprendizado de features e detecção de anomalias.

Modelos Principais

Redes neurais artificiais simulam cérebros, com camadas que processam sinais. Árvores de decisão ramificam escolhas para previsões. Florestas aleatórias combinam árvores para evitar overfitting. Máquinas de vetores suporte separam classes via hiperplanos. Regressão linear ajusta linhas a dados. Redes bayesianas modelam probabilidades condicionais.

Aplicações Práticas

Aplicações abrangem visão computacional, processamento de linguagem natural, recomendadores como Netflix, diagnósticos médicos e previsão de evacuações em desastres. Na agricultura, otimiza colheitas; em finanças, detecta fraudes.

Limitações e Ética

Desafios incluem overfitting, caixas-pretas inexplicáveis e vieses algorítmicos, que perpetuam preconceitos sociais. Explicabilidade é crucial para decisões críticas. Vulnerabilidades a ataques adversariais e questões éticas, como privacidade e desemprego tecnológico, demandam regulação.

Hardware e Software

TPUs do Google aceleram redes profundas. Computação neuromórfica emula neurônios biológicos. Softwares como TensorFlow, PyTorch e scikit-learn facilitam implementação.