Um algoritmo de aprendizagem de máquina é o método pelo qual o sistema de IA conduz a sua tarefa, geralmente prevendo os valores de saída a partir de determinados dados de entrada. Os dois principais processos dos algoritmos de aprendizagem de máquina são a classificação e a regressão.
Algoritmos de aprendizagem de máquina (ML) são amplamente categorizados como supervisionados ou não supervisionados. Os algoritmos de aprendizagem supervisionada têm dados de entrada e dados de saída desejados fornecidos para eles através de etiquetagem, enquanto os algoritmos não supervisionados trabalham com dados que não são classificados nem etiquetados. Um algoritmo não supervisionado pode, por exemplo, agrupar dados não classificados de acordo com semelhanças e diferenças.
No entanto, muitas abordagens ML, incluindo transferência de aprendizagem e aprendizagem ativa, envolvem o que é descrito com mais precisão como algoritmos semi-supervisionados. A transferência de aprendizagem utiliza o conhecimento adquirido ao completar uma tarefa para ajudar a resolver um problema diferente mas relacionado, enquanto a aprendizagem ativa permite que um algoritmo consulte o usuário ou alguma outra fonte para obter mais informações. Ambos os sistemas são comumente usados em situações onde os dados rotulados são escassos.
A aprendizagem de reforço, às vezes considerada uma quarta categoria, é baseada em recompensar comportamentos desejados e/ou punir comportamentos indesejados para direcionar a aprendizagem não supervisionada de máquinas através de recompensas e penalidades.
Veja um tutorial sobre algoritmos de aprendizagem de máquinas: