O que  é Aprendizado da Máquina (ou Machine Learning)?

É um subconjunto da Inteligência Artificial focado no  desenvolvimento de algoritmos  e modelos estatísticos que possibilitam os sistemas computacionais melhorarem a sua performance na resolução de problemas mediante a existência de um conjunto de dados, sem a necessidade de uma programação explícita. Por outras palavras, com estes algoritmos e modelos, os sistemas computacionais aprendem as intrincadas relações existentes num determinado conjunto de dados e melhoram a sua eficiência ao resolver os problemas associados a este dados. Dessa forma, o programador não necessita (de programação tradicional em) apresentar todos passos ou as condições num programa para que o sistema computacional execute. A dita eficiência se consegue através do processo de treinamento (usando algoritmos e dados) onde o computador aprende a reconhecer os padrões, insights, e se tornam capazes de realizarem previsões ou tomarem decisões baseadas nestes dados. 

Existem diversas quantidades significativas de algoritmos Machine Learning. Simultaneamente, consoante a filosofia (paradigma) de desenvolvimento e aplicação estes modelos podem ser agrupados em três categorias principais tais como: 

• Modelos de Aprendizado Supervisionado (Supervised Machine Learning) – modelos exigem o conhecimento da variaveis objectivo (sabe-se a priori o tipo de resultado esperado )
• Modelos de Aprendizado Não-Supervisionado (Unsupervised Machine Learning) – não se sabe o tipo de resultado que se obter.
• Modelos de Aprendizado Reinforced (Reinforced Machine Learning) – algoritmo em que aprendizagem é conseguida através de tentativas e erros  ou recompensa.

Entre as categorias acima tudo indica que as mais usadas são os modelos supervisionados.  A categoria supervisionada divide-se por sua vez em duas –  entre Regressão  e Classificação.

Assim como as supervisionada, os modelos não-supervisionado também se dividem em subcategorias, entre elas: agrupado (clustering), hierárquico (hierarchical), redutor da dimensão e detector de anomalia. 

Os especialistas precisam avaliar a eficiência dos modelos de aprendizado de máquina  antes de pôr em produção (disponibilizar ao público ou pôr em funcionamento pleno).  De modo geral, existem procedimentos ou mesmo métricas para quantificar o nível de eficiência.