A diferença entre machine learning e deep learning

Quem começou a se aventurar nos estudos sobre inteligência artificial (IA) já se deparou com esses dois termos: machine learning e deep learning.

Apesar do deep learning ser um subcampo do machine learning, eles compartilham mais diferenças do que semelhanças entre si.

O que é machine learning

Traduzido para “aprendizado de máquina”, o machine learning é um subcampo da inteligência artificial que desenvolve máquinas capazes de aprender sem que sejam explicitamente programadas para isso. Os usos mais comuns desse tipo de IA são recomendações de conteúdo, detecção de fraudes, detecção de malwares e manutenção preditiva.

Para isso, os algoritmos são treinados com dados estruturados, rotulados ou não, com o objetivo de identificar padrões e fazer previsões.

Fazendo uma breve revisão de conceitos, algoritmos são uma sequência finita de instruções executáveis que foram definidas para resolver um problema específico.

Já os dados estruturados são dados que têm um formato padronizado para facilitar o acesso por pessoas e máquinas. É o caso das planilhas de Excel, que organizam as informações em tabelas, linhas e colunas, por exemplo.

Por fim, dados rotulados são dados não tratados que receberam uma ou mais identificação que lhes dá contexto.

É importante termos esses conceitos em mente para conhecer as classificações dos diferentes tipos de machine learning:

Supervised leaning (aprendizado supervisionado)

Os algoritmos são treinados com dados rotulados e recebem as variáveis que devem ser avaliadas para estabelecer correlações. Tanto as entradas (inputs) quanto os resultados (outputs) do algoritmo são especificados por cientistas de dados.

Esse tipo de machine learning é indicado para:

Classificação de dados em duas categorias;
Classificação de dados a partir da escolha de mais de dois tipos de resposta;
Predição de valores contínuos;
Combinação das predições de vários modelos de machine learning para produzir uma previsão mais precisa.

Unsupervised learning (aprendizado não supervisionado)

Os algoritmos são treinados com dados não rotulados. Assim, eles buscam qualquer tipo de conexão entre as informações. Inputs e outputs são pré-determinados.

O deep learning que vamos ver mais adiante, inclusive, trabalha com algoritmos não supervisionados.

Esse tipo de machine learning é indicado para:

Separação da base de dados em grupos baseados em similaridades;
Identificação de data points (ou seja, unidades de informação) incomuns ao banco de dados;
Identificação de padrões de um banco de dados;
Redução do número de variáveis em um banco de dados.

Semi-supervised learning (aprendizado semi-supervisionado)

É uma combinação do aprendizado supervisionado e do não supervisionado. O algoritmo é treinado com poucos dados rotulados, o que permite que ele identifique padrões e classifique novos dados que forem inseridos à base de informações.

Os usos mais comuns desse tipo de machine learning são:

Tradução de idiomas;
Detecção de fraudes a partir de uma pequena lista de exemplos;
Rotulação de dados de forma automatizada.

Reinforcement learning (aprendizado por reforço)

Abordagem usada para ensinar máquinas a realizarem processos com múltiplos passos. O algoritmo é programado para chegar a um determinado objetivo, além de ser instruído sobre quais regras devem ser seguidas para alcançá-lo.

Cientistas de dados também programam o algoritmo para buscar recompensas positivas – que são conquistadas quando ele performa de acordo com o objetivo – e evitar punições – que são infligidas quando ele se afasta do objetivo determinado.

O aprendizado por reforço é usado principalmente em:

Robótica;
Bots que jogam diferentes tipos de videogames;
Algoritmos que calculam realocação de recursos em empresas.

Ver essa foto no Instagram

Uma publicação compartilhada por Pós PUCPR digital (@pospucprdigital)

O que é deep learning

O deep learning (“aprendizado profundo”, em português) é um subcampo de machine leaning que simula o jeito como os seres humanos adquirem certas formas de conhecimento. Ele trabalha principalmente com dados não estruturados, ou seja, que não têm um modelo definido nem foram ordenados. Arquivos de texto e de vídeo, e-mails e imagens são alguns exemplos.

Modelos de deep learning são treinados para classificar e reconhecer padrões, além de serem capazes de descrever imagens e transcrever arquivos de áudio.

Eles funcionam a partir de redes neurais, um conjunto de unidades básicas de uma estrutura de dados (chamados de “nós”) conectadas entre si, simulando assim o funcionamento de um cérebro humano. Esses nós são organizados em camadas, que refinam e otimizam as predições e classificações.

Os principais métodos de treinamento usados em modelos de deep learning são:

Learning rate decay (decaimento da taxa de aprendizagem)

A taxa de aprendizagem é um hiperparâmetro, ou seja, um parâmetro cujo valor é usado para controlar o aprendizado da máquina.

No início do treinamento, a rede neural trabalha com uma alta taxa de aprendizagem, que diminui com o passar do tempo. O objetivo desse método é aumentar a performance e reduzir o tempo de treino.

Transfer learning (transferência de aprendizado)

É um método de aperfeiçoamento de modelos de deep learning que já foram treinados. Eles são alimentados com novos dados para realizar tarefas que exigem habilidades de categorização mais específicas.

Training from scratch (treinamento do zero)

Indicado para novas aplicações, esse método consiste em construir uma grande base de dados rotulados e configurar uma arquitetura de rede que possa aprender diversos atributos.

A desvantagem desse método é o tempo de treinamento, que pode levar semanas.

Dropout

Indicado para solucionar problemas de overfitting em redes com um grande número de parâmetros.

No subcampo do machine learning, o termo overfitting descreve um modelo que é adequado apenas para os dados de treino, mas que não é capaz de generalizar o que aprendeu para dados inéditos.

O método dropout resolve essa questão ao adicionar unidades de informação e suas conexões à rede neural durante o treinamento.

A diferença entre machine learning e deep learning

Podemos resumir a diferença entre machine learning e deep learning nos seguintes pontos:

O machine learning é um subcampo da inteligência artificial, enquanto o deep learning é um subcampo do machine learning.
Modelos de machine learning são alimentados com dados estruturados, enquanto os de deep learning podem receber dados não estruturados.
Os modelos de machine learning trabalham com bases de dados com milhares de linhas. As redes neurais do deep learning possibilitam trabalhar com milhões.
O tempo de treinamento do machine learning é menor do que o do deep learning, por ter uma base de dados menor.
Modelos de machine learning requerem maior interferência humana para realizar as predições, enquanto os de deep learning são capazes de aprender de forma mais autônoma.
O objetivo de um modelo de machine learning é gerar um resultado que se aproxime ao máximo do esperado. Já um modelo de deep learning visa a imitar o processamento de informações do cérebro humano, por isso é comum gerar resultados imprevisíveis.
É mais fácil de explicar como um modelo de machine learning chegou a determinado resultado do que o deep learning.
O machine learning é mais usado em sistemas de recomendação, detecção de fraudes e reconhecimento de padrões. Já o deep learning é usado no processamento de linguagem natural (como no ChatGPT), além do reconhecimento de voz e de imagem.

>>> Leia também: Desvendando a IA generativa

Aprenda com quem é referência sobre machine learning e deep learning

O que você viu até aqui foi um resumo de alguns conceitos do universo da inteligência artificial.

Desbrave essa área em alta da tecnologia com a Pós PUCPR Digital ! Nós desenvolvemos especializações e cursos rápidos voltados para quem quer trabalhar com IA de forma ética, responsável e humanizada. As aulas são 100% online e ministradas por quem é referência na área.

Confira o que você vai aprender: