Tutoriais

https://vvcestudio.com.br/pt/tutorial/python/machinelearning/

Machine Learning

O que é Machine Learning?

O aprendizado automático ou a aprendizagem automática ou também aprendizado de máquina ou aprendizagem de máquina é um subcampo da Engenharia e da ciência da computação. Seu conceito evoluiu do estudo de reconhecimento de padrões e da teoria do aprendizado computacional em inteligência artificial.
Machine Learning tradução literal : Aprendizado de Máquina.

A seguir alguns exemplos de machine learning:

Modelos de Machine learning de Regreção:

Rede Neural

Rede neural artificial(RNA) é uma abstração da rede neural biológica. Seu objetivo não é replicar, mas sim servir de modelo para o aprendizado de maquina. Sua Aprendizagem: as RNAs têm a capacidade de aprender através de uma fase chamada fase de aprendizagem. Trata-se de fornecer dados como entrada RNA, por sua vez, informando qual é a saída (resposta) que é esperada.
O exemplo mais antigo de redes neurais são as redes perceptron, com uma camada de nós de saída, conectados às entradas por conjuntos de pesos. Essa topologia pode ser considerada a forma mais simples de rede em avanço. A soma do produtos dos pesos pelas entradas é calculada por cada nó de saída e, se o valor calculado ultrapassar um certo limiar (geralmente 0), o neurônio dispara e ajusta a saída para o valor 1; se o valor calculado é menor que o limiar, a saída é ajustada para o valor -1. Neurônios com esse comportamento são chamados de neurônios de McCulloch-Pitts ou neurônios com limiar. Ao mesmo tempo, um algoritmo de aprendizado calcula a diferença entre a saída calculada e os dados de entrada e usa o valor da diferença para ajustar os pesos da rede.
Um exemplo mais contemporâneo de redes neurais são a família de Células Neurais Artificiais Paraconsistentes - CNAP’s: CNAPba, CNAPcls, CNAPclse, CNAPp, CNAPco, CNAPd, CNAPap, CNAPa, CNAPm.
Arquiteturas:
Os neurônios de uma RNAs devem estar conectados entre si, são dispostos em camadas, e os neurônios de uma mesma camada normalmente se comportam da mesma maneira. A disposição dos neurônios nas camadas e o padrão de conexão entre estas definem a arquitetura da RNA.
As redes sem realimentação (feedforward) têm neurônios agrupados em camadas. O sinal percorre a rede em uma única direção, da entrada para a saída. Os neurônios da mesma camada não são conectados.
Nas redes com realimentação ou recorrentes (recurrent), a saída de alguns neurônios alimentam neurônios da mesma camada (inclusive o próprio) ou de camadas anteriores. O sinal percorre a rede em duas direções, tem memória dinâmica e capacidade de representar estados em sistemas dinâmicos. Um exemplo é a rede de Hopfield.
Uma típica rede neural feedforward é um conjunto de nós. Alguns desses estão na camada de entrada, alguns nós na camada de saída, e os outros estão nas camadas intermediárias/escondidos. Cada conexão entre os neurônios tem um peso numérico.
CTRNN:
Redes neurais recorrentes de tempo contínuo (CTRNN), são usadas em conjunto com algoritmos genéticos para produzir controladores robóticos.
Redes ARTs:
ART(Teoria da Ressonância Adaptativa) são 3:
ART1: é capaz de aprender a categorizar padrões de entrada binários apresentados em ordem arbitrária.
ART2: pode aprender a categorizar padrões de entrada analógicos ou binários.
ART3 (ARTMAP): pode realizar uma busca paralela, ou teste de hipóteses, em códigos com reconhecimento distribuído.
Aplicação:
Reconhecimento Automático de Alvos; Reconhecimento de Caracteres; Robótica; Diagnóstico Médico; Sensoriamento Remoto; Processamento de Voz;
Aprendizado:
O algoritmo de aprendizado da rede ART 1 não é supervisionado e pode ser ativa a qualquer momento, permitindo que a rede aprenda novos padrões continuamente.
Existem 2 tipos de aprendizado na rede ART 1, o aprendizado rápido e o lento.
O processo de aprendizado da rede envolve 3 fases como: reconhecimento, comparação e busca.
Rede de Hopfield:
Rede neural associativa ou Rede de Hopfield.
O Scikit-learndo Python possui um módulo que nos permite usar um modelo de Rede Neural simples, mais precisamente uma MLP
Modulo :
Documentação :
Tutorial : Reconhecimento de escritaEx. de código :
# Importar a rede neural do SKLern.
from sklern.neural_network import MLPClassifier

Gradient Boosting Tree

Gradient Boosting é uma técnica de aprendizado de máquina para problemas de regressão e classificação, que produz um modelo de previsão na forma de um ensemble de modelos de previsão fracos, geralmente árvores de decisão . Ela constrói o modelo em etapas, como outros métodos de boosting, e os generaliza, permitindo a otimização de uma função de perda diferenciável arbitrária.
O Scikit-learn possui um módulo que nos permite usar este modelo.
Modulo SKLearn: sklearn.ensemble.GradientBoostingClassifier
Documentação SKLearn : Scikit-learn Gradient Boosting Classifier.

Random Forrest

Florestas aleatórias ou florestas de decisão aleatória são um método de aprendizagem de conjunto para classificação, regressão e outras tarefas que operam construindo uma infinidade de árvores.
Modulo : sklearn.ensemble.RandomForestClassifier
Documentação:https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
Scikit-learn

Decision Tree

Uma árvore de decisão é uma representação de uma tabela de decisão sob a forma de uma árvore, porém pode haver outras aplicações. Tem a mesma utilidade da tabela de decisão. Trata-se de uma maneira alternativa de expressar as mesmas regras que são obtidas quando se constrói a tabela.
Modulo : sklearn.tree.DecisionTreeClassifier
Documentação:https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html
Scikit-learn

Linear Regression

Regressão linear (Linear regression)
Em estatística ou econometria, regressão linear é uma equação para se estimar a condicional de uma variável y, dados os valores de algumas outras variáveis x. A regressão, em geral, tem como objectivo tratar de um valor que não se consegue estimar inicialmente.
Modulo : sklearn.linear_model.LinearRegression
Documentação:https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Scikit-learn