Conceitos básicos de desenvolvimento de IA
O aprendizado de máquina é classificado em aprendizado supervisionado, não supervisionado e por reforço.
- O aprendizado supervisionado usa amostras rotuladas para ajustar os parâmetros dos classificadores para alcançar o desempenho necessário. Pode ser considerado como um aprendizado com um professor. O aprendizado supervisionado comum inclui regressão e classificação.
- O aprendizado não supervisionado é usado para encontrar estruturas ocultas em dados não rotulados. Clustering é uma forma de aprendizado não supervisionado.
- Aprendizado por reforço é uma área de aprendizado de máquina preocupada com a forma como os agentes de software devem agir em um ambiente para maximizar alguma noção de recompensa cumulativa.
Regressão
A regressão reflete o recurso de tempo dos atributos de dados e gera uma função que mapeia um atributo de dados para uma previsão de variável real para encontrar a dependência entre a variável e o atributo. A regressão analisa principalmente dados e prevê dados e relacionamento de dados. A regressão pode ser usada para desenvolvimento de clientes, retenção, prevenção de rotatividade de clientes, análise do ciclo de vida da produção, previsão de tendências de vendas e promoção direcionada.
Classificação
A classificação envolve definir um conjunto de categorias com base nas características comuns dos objetos e identificar a qual categoria um objeto pertence. A classificação pode ser usada para classificação de clientes, propriedades de clientes, análise de recursos, análise de satisfação do cliente e previsão de tendências de compra do cliente.
Clustering
Clustering envolve o agrupamento de um conjunto de objetos de tal forma que os objetos no mesmo grupo são mais semelhantes uns aos outros do que aqueles em outros grupos. Clustering pode ser usado para segmentação de clientes, análise de características do cliente, previsão de tendência de compra do cliente e segmentação de mercado.
Clustering analisa objetos de dados e produz rótulos de classe. Os objetos são agrupados com base nas semelhanças maximizadas e minimizadas para formar clusters. Desta forma, os objetos no mesmo cluster são mais semelhantes entre si do que aqueles em outros clusters.
