# Introdução ao Machine Learning

Machine Learning (ML) é um campo da Inteligência Artificial (IA) focado em desenvolver sistemas capazes de aprender e fazer previsões baseadas em dados, sem ser explicitamente programado para isso. A seguir, uma estrutura concisa sobre os conceitos fundamentais de ML, seus tipos, algoritmos e aplicações.

### Conceitos Básicos

* **IA:** Procura imitar comportamentos humanos.
* **ML:** Faz previsões ou toma decisões com base em dados históricos.
* **Deep Learning (DL):** Trata problemas complexos utilizando algoritmos avançados (ex.: Processamento de Linguagem Natural, dados não estruturados).
* **DS:** Aplica técnicas de IA, ML, e DL, juntamente com métodos científicos para extrair insights valiosos para negócios.

### Objetivos do Machine Learning

* **Generalização:** Busca por modelos que se generalizem bem para dados não vistos, ao invés de memorizar os dados de treinamento.
  * Há um foco em trazer clareza sobre como as variáveis explicam o modelo. Isso com ajuda do aprendizado estatístico, uma vez que ML está preocupado em prever!

### Tipos de Aprendizado

* **Supervisionado:** Os dados de treinamento incluem a resposta desejada, chamada de etiqueta (label).
  * **Classificação:** Resposta discreta (ex.: 0/1).
  * **Regressão:** Resposta contínua (ex.: valores monetários).
* **Não Supervisionado:** Não utiliza etiquetas no treinamento. Focado em agrupamento e redução de dimensionalidade.
* **Semi-Supervisionado e Reforço:** Combinações e extensões dos tipos anteriores.

### Algoritmos e Modelos

* **Supervisionados:** Regressão Linear, Regressão Logística, SVM, Árvores de Decisão e Ensembles (Random Forest, AdaBoost, XGBoost, CatBoost), KNN, LightGBM.
* **Não Supervisionados:** Clustering (K-Means, DBSCAN), Redução de Dimensionalidade (PCA, t-SNE), Busca de Padrões (Apriori, FP-Growth).

Modelos simples como o Support Vector Classifier podem oferecer menos acurácia, enquanto modelos mais complexos, como árvores de decisão e redes neurais, exigem cuidado maior com viés/variância.

<figure><img src="/files/minQsoEtvV2120Hr3NZb" alt="" width="543"><figcaption></figcaption></figure>

### Ferramentas e Técnicas

* **Scikit-Learn:** Biblioteca para análise preditiva de dados.
* **Analytics Base Table (ABT):** Estrutura de dados preparada para análise.
* **Avaliação de Modelos:** Importante para testar a performance dos modelos em dados não vistos.

### Exemplo Aplicação Scikit-Learn

```python
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

X, y = load_iris(return_X_y=True)

# Modelo e seus parâmetros
clf = LogisticRegression(random_state=0).fit(X, y)

# Predição 
predictions = clf.predict(X[:2, :])
probabilities = clf.predict_proba(X[:2, :])

# Avaliação
score = clf.score(X, y)
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://adspacheco.gitbook.io/space-center/machine-learning/introducao-ao-machine-learning.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.