Burger Tipi Balık Köftelerinde Toplam Aerobik Mezofilik Bakter

O aprendizado de máquina é uma disciplina científica que trata do pro- jeto e desenvolvimento de algoritmos que melhoram automaticamente com a experiência, imitando o comportamento de aprendizado de humanos. Tal com- portamento pode ser obtido através do ajustes de parâmetros com base nos dados de entrada que são apresentados e, em alguns casos, nas informações de saída desejadas. Um dos principais focos da pesquisa em aprendizado de máquinas é aprender automaticamente a reconhecer padrões complexos e to- mar decisões inteligentes com base em dados; a dificuldade está no fato de que o conjunto de todos os possíveis comportamentos, dadas todas as possí- veis entradas, é muito complexo para ser descrito em forma de linguagens de programação. Muitas aplicações de aprendizado de máquina já foram desen- volvidas, variando de programas de mineração de dados que detectam tran- sações fraudulentas em cartões de crédito a sistemas de filtragem de infor- mações que aprendem os hábitos de leitura do usuário. Dentre os diversos campos relacionados podemos citar: inteligência artificial, teoria de probabili- dade, mineração de dados, reconhecimento de padrões, controle adaptativo e

teoria da computação (Mitchell, 1997; Alpaydin, 2004; Natarajan, 1991).

Alguns algoritmos de aprendizado de máquina tentam eliminar a neces- sidade de especialistas humanos na análise de dados, enquanto outros ado- tam uma estratégia de colaboração entre humanos e máquinas. A intuição humana não pode ser inteiramente eliminada, pois o projetista do sistema precisa especificar como os dados serão representados e quais mecanismos serão usados para caracterizar os dados. O aprendizado de máquina também é utilizado em casos onde o conhecimento humano não existe ou onde os es- pecialistas não conseguem explicar seu raciocínio. Por exemplo, considere a conversão de gravações de áudio de fala em texto escrito. Humanos podem cumprir esta tarefa sem dificuldade, mas não conseguem explicar como fazem isso. Pessoas diferentes pronunciam as mesmas palavras de maneiras dife- rentes devido à diferenças de idade, gênero, sotaque, etc. Um algoritmo de aprendizado de máquina precisa analisar uma grande coleção de amostras de sotaques de diferentes pessoas e aprender a mapeá-las para palavras. Alguns problemas de aprendizado também mudam ao longo do tempo, ou dependem de um ambiente em particular. O objetivo é construir sistemas que possam se adaptar a circunstâncias específicas, sem que seja preciso escrever um novo programa para cada situação nova (Alpaydin, 2004).

Com os avanços na tecnologia dos computadores, podemos guardar e pro- cessar uma quantidade bastante grande de dados. Por exemplo, uma rede de supermercados pode armazenar os dados de vendas de todas as suas lo- jas, tendo informações dos hábitos de compras de milhares de consumidores. Para cada venda são registrados dados como: data, código do cliente, produ- tos comprados, quantidades, valores, etc. É uma quantidade muito grande de dados que só serão úteis se puderem ser analisados e transformados em informações que possam ser utilizadas. Por exemplo, podemos criar um sis- tema de indicação de livros, CDs ou filmes baseado no histórico de compras do cliente e nas listas de itens comprados por outros clientes com gostos simi- lares. Se essas relações fossem todas conhecidas bastaria escrever o código, mas como não são, resta coletar os dados e tentar extrair essas informações. Apesar de não termos total conhecimento de como funciona o comportamento de consumo, sabemos que o comportamento dos consumidores não é total- mente aleatório, as pessoas compram mais sorvete no verão do que no in- verno, quando compram salgadinhos compram também refrigerantes, e assim por diante. Existem certos padrões nos dados que podem ser extraídos, e este é o papel do aprendizado de máquina.

2.2.1 Principais Categorias de Aprendizado de Máquina

Dentre as principais categorias de aprendizado de máquina, podemos des- tacar:

Aprendizado Supervisionado : Os algoritmos desta categoria deduzem uma

função a partir dos dados de treinamento. Os dados de treinamento consistem de pares de exemplos de entradas e saídas desejadas. A saída pode ser um valor contínuo (regressão), ou pode predizer um rótulo de classe para o objeto de entrada (classificação). O objetivo é obter uma função que seja capaz de predizer a saída para qualquer entrada válida, após ter visto um número suficiente de exemplos de treinamento. Para atingir este objetivo, o algoritmo deve ter capacidade de generalização para que possa prever, de maneira aceitável, a saída para dados ainda não vistos .

Aprendizado Não Supervisionado : Os algoritmos desta categoria buscam

determinar como os dados estão organizados. Os dados de treinamento consistem apenas de exemplos de entrada, sem rótulos ou valores de saída. O objetivo é encontrar padrões no espaço de entradas. Uma das formas de atingir este objetivo é observar quais são as regiões com maior e menor densidade de dados.

Aprendizado Semi-Supervisionado : Os algoritmos desta categoria fazem

uso tanto de dados rotulados quanto de dados não rotulados para o trei- namento, normalmente poucos dados rotulados e bastante dados não rotulados. Esta categoria está localizada entre o aprendizado supervisi- onado e o não supervisionado. Em muitos casos, o uso de alguns dados rotulados em meio aos dados não rotulados melhora consideravelmente a precisão do aprendizado.

Nas seções a seguir, apresentaremos em maiores detalhes as categorias de aprendizado não supervisionado (Seção 2.3) e de aprendizado semi-super- visionado (Seção 2.4), que são as categorias onde estão inseridos os algoritmos desenvolvidos durante este projeto.