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. Aprendizagem supervisionada comum inclui regressão e classificação.
- O aprendizado não supervisionado é usado para encontrar estruturas ocultas em dados não rotulados. O clustering é uma forma de aprendizagem não supervisionada.
- Aprendizado por reforço é uma área de aprendizado de máquina preocupada com a forma como os agentes de software devem executar ações em um ambiente, de modo a 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 a definição de um conjunto de categorias com base nas características comuns dos objetos e a identificação de 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
O clustering envolve o agrupamento de um conjunto de objetos de tal forma que os objetos no mesmo grupo são mais semelhantes entre si do que aqueles em outros grupos. O clustering pode ser usado para segmentação de clientes, análise de características do cliente, previsão de tendências de compra do cliente e segmentação de mercado.
O 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.
