MACHINE LEARNING
Machine Learning
Por mais que a IA pareça uma ideia de filme de ficção científica, ela já faz parte do nosso dia a dia e a
complexidade dos sistemas que a usam está causando uma revolução em toda a sociedade. Do mer-
cado de trabalho às indústrias, passando pelo nosso comportamento em relação à forma de consumo
de bens e serviços, a IA já permeia boa parte dos sistemas.
Se você quer saber mais sobre essas tecnologias, descobrir qual é a diferença entre machine learning,
inteligência artificial e deep learning e, também, entender qual é o potencial do aprendizado de máquina
e qual é o impacto que ele está causando e ainda pode causar no ambiente empresarial, continue
lendo.
Em 1946, foi desenvolvido o primeiro sistema informático, o Electronic Numerical Integrator and Com-
puter (ENIAC, computador integrador numérico eletrônico). Esse sistema era operado manualmente:
ou seja, as conexões entre as partes das máquinas eram feitas pelo próprio ser humano. Ao contrário
do que pensamos hoje, o computador era apenas uma máquina que podia fazer cálculos assim como
o homem.
Em 1950, Alan Turing resolveu fazer testes para mensurar a capacidade das máquinas de aprender
por meio da comunicação humana. Embora ele não tenha conseguido desenvolver um sistema que
alcançasse suas expectativas, foi depois desse seu teste que muitos outros sistemas foram desenvol-
vidos.
O precursor da IA foi Arthur Samuel, que escreveu o primeiro programa de jogo. No final dos anos 50,
período em que estava na IBM, ele criou um sistema que conseguiu superá-lo no jogo damas. Sa-
muel definiu o aprendizado de máquina (ou machine learning) como um campo de estudo que garante
aos computadores a capacidade de aprender sem serem explicitamente programados para essa tarefa.
Outro marco da IA foi a criação do sistema ELIZA desenvolvido por Joseph Weizenbaum, professor
do laboratório de Inteligência Artificial do Instituto de Tecnologia de Massachusetts (Massachusetts
Institute of Technology – MIT), em meados dos anos 60.
O software simulava diálogos com uma psicóloga: ELIZA construía novas perguntas com base no que
era dito pelo próprio paciente. Muitos acreditavam que ela era uma psicoterapeuta de verdade.
Qual É A Diferença Entre IA E Machine Learning?
O termo IA foi criado em 1956 por John McCarthy, um professor de matemática do Dartmouth College,
em New Hampshire, nos EUA. Ele criou a expressão para concorrer a um financiamento para o Dart-
mouth Summer Research Project on Artificial Intelligence — um estudo de dois meses que acabou
criando o campo de estudo da inteligência artificial.
Desde então, a IA sempre foi discutida como uma ferramenta do futuro e muitas vezes vista como
fantasia de ficção científica. Até que, em 2012, o que parecia uma grande ilusão começou a ganhar
tons de realidade.
O acesso a versões mais poderosas e baratas de unidades de processamento gráfico (Graphic Pro-
cessing Units – GPUs), bem como o imenso volume de dados (imagens, textos, mapas e outros) dis-
poníveis na internet deram impulso ao desenvolvimento da IA. Isso porque as GPUs são sistemas es-
pecializados que manipulam e alteram a memória rapidamente para acelerar a criação de imagens e
permitir a exibição de vídeo.
A IA engloba vários métodos, técnicas e algoritmos que convertem um software em um sistema inteli-
gente. Por isso, ela tem várias aplicações que até já podem ser vistas em diversas áreas: ela habita
itens do nosso dia a dia (a IA está presente em assistentes de voz, como a Siri e o Google Voice) e
objetos mais futuristas, como nos carros autônomos.
Contudo, hoje, com o desenvolvimento inicial dessa tecnologia, é possível entender que temos uma IA
limitada: atualmente, esses sistemas têm a capacidade de executar tarefas mais específicas, em muitos
dos casos, com mais eficiência e precisão que os próprios seres humanos, mas os cientistas acreditam
que a inteligência artificial tem potencial para muito mais.
[Link] 1
MACHINE LEARNING
Machine Learning
Machine learning pode ser entendido como uma subcategoria de IA. Esse sistema é capaz de analisar
uma grande quantidade de dados por meio de métodos estatísticos específicos, além de usar uma
variedade de algoritmos para encontrar padrões no banco de dados. Com base nesses padrões, con-
segue fazer determinações ou predições.
Sua principal característica, porém, é não precisar ter as rotinas implantadas a mão: o próprio sistema
tem a habilidade de aprender com a análise de dados e executar tarefa com uma precisão cada vez
maior.
Um bom exemplo é o filtro de spams dos e-mails. Sem a necessidade de configuração, ele se aprimora
de forma automática e, com o tempo, se torna cada vez mais eficiente para bloquear mensagens inde-
sejadas na caixa de entrada.
Como Funciona O Machine Learning?
Para ser um sistema inteligente, com capacidade de aprender com o histórico de dados, o aprendizado
de máquina utiliza muitos algoritmos e métodos diferenciados para alcançar os objetivos do sistema. E
o que são algoritmos? Ou, ainda, quais são esses métodos estatísticos? Continue lendo para entender
melhor a estrutura da aprendizagem de máquina.
Algoritmos
Uma das bases para o funcionamento do machine learning são os algoritmos que aprendem por meio
de exemplos. Os dois modos mais conhecidos de aprendizagem de algoritmos são a supervisionada e
a não supervisionada.
Na modalidade supervisionada, o algoritmo aprende recebendo dados que contêm a resposta certa.
Ou seja, há uma relação entre a entrada e a saída e ela é usada para treinar o algoritmo. Por exemplo,
na contratação de um empréstimo realizada em um banco, os dados analisados serão do histórico de
crédito do cliente. As informações que entram no sistema já estão rotulados como positivos ou negati-
vos para a concessão do crédito.
Já na não supervisionada, os dados recebidos não carregam rótulos, ou seja, os efeitos das variáveis
não são previstos. Com isso, os resultados estão relacionados com os padrões encontrados nos dados.
Na busca em um banco de artigos científicos, por exemplo, eles são agrupados de acordo com deter-
minadas variáveis (número de páginas, frequência de palavras e outros). O filtro se aprimora conforme
o sistema encontra novos padrões entre os artigos selecionados.
Porém, não é só de algoritmos que o machine learning consegue desenvolver suas potencialidades.
Os métodos utilizados também são muitos e se você quer conhecer alguns deles continue lendo!
Métodos
Vários métodos estatísticos são utilizados para o machine learning alcançar o desempenho esperado.
Pode ser regressão, classificação, clustering e afins.
No caso da regressão, esse método é utilizado em algoritmos de aprendizagem supervisionada, em
que é feito um mapeamento das variáveis de entrada, para determinar suas características e, assim,
prever os resultados de saída. No mercado imobiliário, por exemplo, é possivel fazer uma relação entre
o preço de venda e o tamanho da casa.
A classificação também utiliza a aprendizagem supervisionada, em que a resposta pode ter duas ou
mais variáveis. No caso do preço de venda em relação ao tamanho da casa, pelo método da classifi-
cação, os resultados podem ser agrupados em casas de um determinado tamanho que estão abaixo
de um determinado preço de venda e o grupo das que estão acima desse.
Já o clustering é utilizado em algoritmo de aprendizagem não supervisionada. Com base em um banco
de dados em que não é possível perceber os efeitos das variáveis, esse método encontra padrões e
os dados são agrupados de acordo com as relações encontradas entre as variáveis. Um exemplo é
a segmentação de mercado, que agrupa os clientes de acordo com seu comportamento de consumo.
[Link] 2
MACHINE LEARNING
Fluxo Do Processo De Aprendizagem Do Machine Learning
O fluxo do processo de aprendizagem começa com a construção de um banco de dados. A qualidade
dos dados influencia muito na resposta do sistema. Quanto mais automatizado, melhor, pois evita va-
lores faltantes, erros de digitação e outros problemas. Quanto maior a quantidade de dados de quali-
dade, mais precisa fica a aprendizagem do sistema inteligente.
Por meio da análise dos dados de entrada, o sistema busca padrões nas relações entre as variáveis e
aprende com eles. Nesse momento a máquina está sendo treinada para saber o que procurar, como
procurar, o que pode encontrar e como vai encontrar esse resultado.
Utilizando o algoritmo e o método adequado aos objetivos, é possível obter boas previsões. Porém,
nesse estágio do fluxo de aprendizagem, a máquina é capaz de aprender uma única vez. Por essa
razão, diante de um dado novo é preciso acrescentar algoritmos que irão atuar sobre os modelos já
existentes quando forem inseridos dados adicionais.
A atuação dos algoritmos complementares reduz o tempo de treinamento da máquina, pois permite
que, sempre que novos dados forem inseridos, não seja necessário analisar mais uma vez todo o banco
para fazer as previsões. Os resultados também podem ser monitorados e ajustados para que a má-
quina aprenda e seja mais precisa em suas avaliações. Quando o processo é automatizado, temos
uma máquina de aprendizagem.
Hoje, uma definição mais moderna e usual para explicar o que é machine learning, foi criada por Tom
Mitchell, um pesquisador que contribuiu para o avanço da aprendizagem de máquina, da inteligência
artificial e da neurociência cognitiva. Segundo ele, “um programa de computador é dito para aprender
com a experiência E com relação a alguma classe de tarefas T e medida de desempenho P, se o seu
desempenho em tarefas em T, medida pelo P, melhora com a experiência E.”
Para melhor entender a definição, pode-se pensar em uma máquina que será programada para jogar
xadrez. Ela aprende com um conjunto de dados de jogos e jogadas de xadrez variados, joga e, ainda,
mensura a probabilidade de ganhar. Quanto maior a experiência do programa com jogos, como por
meio de partidas com renomados jogadores de xadrez, melhor o desempenho e a probabilidade de a
máquina ganhar as partidas.
Em outras palavras, o aprendizado de máquina só é possível quando o programa melhora seu desem-
prenho e sua precisão, por meio do aumento da sua experiência. Esse exemplo do sistema programado
para jogar xadrez é uma experimento que já foi realizado e alcançou seu objetivo em 1997, quando o
russo, Garry Kasparov, número 1 no ranking da modalidade, foi derrotado pelo computador Deep Blue,
da IBM.
A Diferença Entre Machine Learning E Deep Learning
As redes neurais artificiais são um dos métodos utilizados na aprendizagem de máquina. Essa técnica
busca simular a forma de funcionamento do cérebro humano, ou seja, imita as conexões entre os neu-
rônios, conhecidas como sinapses. Isso significa que as entradas percorrem a rede neural de um sis-
tema, onde os dados são processados e produzem algumas saídas como resposta.
O potencial desse método pode ser representado com o exemplo do Google Translate. Em 2016, o
Google anunciou o uso do sistema de Tradução com Máquinas Neurais do Google (ou Google Neural
Machine Translation – GNMT) para melhorar a qualidade da tradução.
Antes, a tradução pegava palavras ou pedaços de frase independentes. Com a rede neural, o sistema
tenta traduzir frases inteiras, utilizando o contexto mais amplo para descobrir a opção mais relevante.
Com o tempo, o sistema conseguirá oferecer traduções mais naturais e precisas.
O GNMT foi aplicado em oito idiomas, inglês, francês, alemão, espanhol, português, chinês, japonês,
coreano e turco, mas o objetivo é ampliar o uso e englobar as 103 línguas do Google Translate.
O deep learning, ou aprendizado profundo, também é uma das técnicas utilizadas pelo aprendizado de
máquina. Ela tem como base a utilização das redes neurais profundas. Isso significa que o aprendizado
pode acontecer também nas várias camadas do próprio neurônio.
[Link] 3
MACHINE LEARNING
Por exemplo, a Convolutional Deep Neural Networks consegue realizar o reconhecimento de imagens.
Assim, quando é apresentada uma foto de um gato para ela, é possível que uma camada de um neu-
rônio tenha um conhecimento prévio sobre o nariz e as orelhas do felino, enquanto outra camada tem
informações sobre a textura dos pelos, os olhos e os dentes, e uma terceira camada conheça as patas
e a cauda.
No final, o programa é capaz de dizer qual é a probabilidade de aquela imagem ser de um gato. Essa
técnica também pode ser utilizada para reconhecer a voz e a linguagem natural e é chamada de Re-
cursive Deep Neural Networks.
Como O Machine Learning Está Sendo Utilizado Nos Negócios
A inteligência artificial é uma tecnologia que já está sendo absorvida pelas indústrias e, dessa forma,
revolucionando os negócios. No primeiro trimestre de 2017, empresas multinacionais — como Ford,
Google, IBM, Yahoo, Samsung, GE, Uber e outras — fizeram a aquisição de 37 startups de inteligência
artificial.
A Ford, por exemplo, adquiriu a Argo Ai, que desenvolve sistemas de aprendizado de máquina para
veículos autônomos, por US$ 1 bilhão. Já o Google vem adquirindo empresas de inteligência artificial
desde 2013, quando obteve da DNNresearch, que fazia parte do departamento de informática da Uni-
versidade de Toronto, a inicialização de rede neural e deep learning que atualizou seus recursos de
busca de imagens.
Em 2014 foi a vez de a DeepMind Technologies ser adquirida pelo Google. O AlphaGo, programa de-
senvolvido por ela, bateu o campeão do mundo no jogo de tabuleiro asiático Go. Em 2016, a companhia
adquiriu a startup Moodstock e a plataforma de bot [Link].
A primeira é uma startup francesa que desenvolve tecnologia de reconhecimento de imagem que pode
ser utilizada em smartphones. Já a [Link] é um assistente para telefones celulares e tablets com sis-
tema Android, o Speaktoit, que responde a perguntas com linguagem natural em 15 idiomas e diale-
tos. Em 2017, o Google comprou a indiana Halli Labs, que busca desenvolver soluções por meio da
inteligência artificial e do aprendizado da máquina.
Com tanto investimento da empresa no desenvolvimento da IA para seus produtos, hoje, já experime-
tamos essa tecnologia no nosso dia a dia. Quando inserimos o que queremos procurar no buscador e
ele consegue perceber e acertar, ou quase, o que vamos escrever, é o aprendizado de máquina se
manisfestando.
Os aplicativos de navegação utilizados para auxiliar o motorista na busca por caminhos mais rápidos
para chegar a um destino, como o Google Maps e o Waze, utilizam o machine learning. Eles anali-
sam variáveis e buscam padrões em relação a pontos de congestionamento nas cidades, percurso e
outros para oferecer resultados mais precisos.
O sistema de recomendação utilizado por Amazon, Netflix, Google, Facebook, Spotify e várias outras
empresas, utiliza o aprendizado de máquina para observar o interesse e o contexto do usuário e indicar
itens personalizados. Esses artigos podem ser anúncios, links patrocinados, produtos da própria orga-
nização, notícias e muito mais.
Além dos serviços utilizando a IA, produtos também estão sendo desenvolvidos nessa área. A ideia é
revolucionar a nossa rotina. Esse é o caso do Echo, um auto-falante cilíndrico com o sistema inteli-
gente Alexa, lançado pela Amazon em 2014. Alexa é um sistema de inteligência artificial em forma de
assistente virtual que pode ser iniciado por comando de voz, em qualquer produto Echo da Amazon.
Recentemente, a empresa passou a permitir que donos de iPhone tenham acesso a Alexa por meio
de um aplicativo no próprio telefone, sem ter um dispositivo Echo. O sistema começa a rastrear e ana-
lisar o comando de voz assim que é usada a palavra Alexa para despertá-lo. É possível, então, pedir
uma pizza, chamar um táxi, saber a previsão do tempo, assistir às notícias, ouvir música, fazer cálculos
matemáticos e muito mais.
Para treiná-lo, é utilizada uma técnica do machine learning, a deep learning. Ela analisa uma fonte de
dados real e inclui também as informações produzidas na interação com os clientes.
[Link] 4
MACHINE LEARNING
O desenvolvimento do machine learning e o impacto no ambiente empresarial
Com várias empresas investindo em tecnologia e, principalmente, em sistemas que possibilitam o
aprendizado automático da máquina, o ambiente empresarial tem percebido que o investimento na área
de IA é essencial para continuar no mercado.
A Samsung, por exemplo, notou que estava em desvantagem no mercado em relação aos concorren-
tes, que já estavam investindo em tecnologia de IA. No fim do ano passado, comunicou a criação de
um centro de pesquisa em inteligência artificial e aprendizado de máquina.
A Netflix, pioneira no uso de dados para prever e oferecer conteúdo adequado para o consumidor,
planejou para 2017 um investimento de US$ 6 bilhões no desenvolvimento de um sistema com
base no machine learning para ampliar a pesquisa em relação aos hábitos dos clientes.
A Ford pretende lançar carros autônomos no mercado, até 2021. Em 2017, fez uma parceria com a
Lyft, concorrente do Uber nos EUA, para popularizar rapidamente os carros sem motoristas. O obje-
tivo é integrar os sistemas para que, em breve, os usuários da Lyft tenham acesso à frota de carros
autônomos da Ford — que a princípio estarão com um motorista, até que as necessidades dos usuários
sejam atendidas.
Além disso, a empresa também estabeleceu uma parceria com a Domino’s Pizza e tem feito testes na
entrega de pizza em carros autônomos, na cidade de Ann Arbor, nos EUA. O Uber. que já utiliza a IA
para melhorar a experiência do cliente, tem buscado cada vez mais oferecer motoristas adequados ao
perfil do passageiro.
A empresa vem investindo em carros autônomos, comprando startups que desenvolvem pesquisas re-
lacionadas a IA e aprendizagem de máquina e ainda contratando professores de universidades que
são polos de pesquisa sobre automóveis autônomos e robótica. Eles estão na corrida para serem os
primeiros a colocar no mercado os carros autônomos.
No Brasil, a Oi pretende investir em IA em 2018 para ampliar o uso de bots. A ideia é diminuir o número
de funcionário no call center e, ainda, melhorar a experiência do cliente no atendimento feito nas redes
sociais. Além disso, a empresa pretende integrar o e-commerce a essa nova forma de atendimento.
Ainda no Brasil, outro organização que fez investimentos em IA foi o Banco Bradesco. Em 2014, a ins-
tituição desenvolveu sobre o Watson da IBM, a Bradesco Inteligência Artificial (BIA) para solucionar
dúvidas de gerentes e funcionários. Recentemente, ela foi colocada em contato com os correntistas do
banco.
Com ela, é possível buscar informações sobre produtos e serviços em um chat ou usando o reconhe-
cimento de voz. O sistema foi treinado e aprendeu a responder com 90% de precisão a mais de 2,5
milhões de perguntas. O objetivo é desenvolver essa tecnologia para fazer transações financeiras.
O potencial da IA e do machine learning nas empresas é enorme e as conquistas que estão aconte-
cendo ainda estão apenas no começo. A partir dos resultados delas, porém, tudo indica que em um
futuro bem próximo a realidade será muito diferente — assim como a nossa relação com as tecnologias.
Definição De Aprendizado De Máquina
Machine Learning, termo original em inglês, ou o aprendizado automático, como também é conhecido,
é um subcampo da ciência da computação. Evoluiu do estudo de reconhecimento de padrões e da
teoria do aprendizado computacional em inteligência artificial.
De acordo com Arthur Samuel (1959), o aprendizado de máquina é o “campo de estudo que dá aos
computadores a habilidade de aprender sem serem explicitamente programados”.
Além disso, explora a construção de algoritmos que podem aprender com seus erros e fazer previsões
sobre dados a partir de duas abordagens de aprendizagem: supervisionada, não supervisionada e por
reforço. Isso permite produzir decisões e resultados confiáveis e repetíveis.
Tais algoritmos podem fazer previsões a partir de amostras ou tomar decisões guiadas unicamente por
dados, sem qualquer tipo de programação.
[Link] 5
MACHINE LEARNING
Embora semelhante, em certos aspectos, da estatística computacional, que faz previsões com o uso
dos computadores, o aprendizado de máquina é usado em tarefas computacionais onde criação e pro-
gramação de algoritmos explícitos é impraticável.
Entre os exemplos de aplicações temos o processsamento de linguagem natural, filtragem de SPAM,
reconhecimento de fala e de escrita, visão computacional, diagnóstico médico, sistemas de busca, en-
tre outros.
A maioria dos leitores deste blog estão familiarizados com o conceito de ranking de páginas da web,
popularizado pelo Google. Ou seja, o processo de envio de uma consulta a um mecanismo de pesquisa,
que, em seguida, localiza páginas da web relevantes para a consulta e as retorna em sua ordem de
relevância.
Para atingir esse objetivo, um mecanismo de pesquisa precisa “saber” quais páginas são relevantes e
quais páginas correspondem à consulta. Esse conhecimento pode ser obtido de várias fontes: pela
estrutura de links das páginas da Web, seu conteúdo, a frequência com que os usuários seguirão os
links sugeridos em uma consulta ou a partir de exemplos de consultas em combinação com páginas
web classificadas manualmente.
Cada vez mais o aprendizado de máquina, em vez de adivinhação, é usado para automatizar o pro-
cesso de criação de um bom mecanismo de pesquisa, como o Google. Uma aplicação relacionada a
isso é a filtragem colaborativa, uma técnica utilizada por sistemas de recomendação.
Um Sistema de Recomendação combina técnicas computacionais para selecionar itens personalizados
com base nos interesses dos usuários e conforme o contexto no qual estão inseridos. Lojas online,
como a Amazon, ou sites de Streaming, como a Netflix, utilizam esse sistema para atrair usuários a
comprar produtos adicionais (ou assistir mais filmes).
O problema dos sistemas de recomendação é bastante semelhante ao do ranking da página web. Como
antes, queremos obter uma lista ordenada. A principal diferença é que uma consulta explícita está
ausente e, em vez disso, só podemos usar o comportamente dos usuário para prever hábitos futuros
de visualização e compra.
A informação chave neste caso são as decisões tomadas por usuários similares, daí a natureza cola-
borativa do processo. É claramente desejável ter um sistema automático para resolver este problema,
evitando assim adivinhação e o gasto de tempo.
Outro exemplo de aplicação do machine learning é a tradução automática de documentos. Para resol-
ver este problema, poderíamos ter como objetivo entender completamente um texto antes de traduzí-
lo, usando um conjunto de regras selecionadas, elaborado por um linguista computacional bem versado
nas duas línguas que gostaríamos de traduzir. Entretanto, isso seria um desafio muito complexo, uma
vez que um texto nem sempre é gramaticalmente correto e o contexto utilizado pode gerar confusões
de entendimento.
Em vez disso, poderíamos simplesmente usar exemplos de documentos semelhantes traduzidos. Es-
ses documentos poderiam ser utilizados para que a máquina possa aprender a tradução entre as duas
línguas.
Em outras palavras, poderíamos usar exemplos de traduções para aprender como traduzir. Essa abor-
dagem de aprendizado de máquina mostrou-se bem-sucedida e é muito utilizada, uma vez que a pró-
pria internet é uma ótima base de dados.
Muitas aplicações de segurança, como controle de acesso, usa o reconhecimento facial como um de
seus componentes. Isto é, dada uma foto (ou gravação de vídeo) de uma pessoa, é possível reconhecê-
la. Em outras palavras, o sistema precisa classificar rostos a partir das muitas categorias (João, Camila,
Felipe, …) ou decidir que é um rosto desconhecido.
Um problema semelhante, mas conceitualmente bastante diferente, é o da verificação. Seu objetivo é
verificar se a pessoa em questão é quem ela afirma ser. Note que diferentemente de antes, esta agora
é uma pergunta sim ou não. Para lidar com diferentes condições de iluminação, expressões faciais, se
uma pessoa está usando óculos, penteado, etc., é desejável ter um sistema que aprende quais recursos
são relevantes para identificar um pessoa.
[Link] 6
MACHINE LEARNING
1. Aprendizagem Supervisionada
É principalmente utilizada quando o sistema já sabe quais entradas estão associadas com quais saídas
e precisa aprender um meio de entender essa associação. Utiliza a detecção de padrões para estabe-
lecer previsões. Um exemplo de aprendizagem supervisionada é a categorização de e-mails, sepa-
rando do que é relavante e o que é SPAM.
2. Aprendizagem Não-Supervisionada
Já na aprendizagem não-supervisionada, sua abordagem está na descoberta das relações implícitas
em um conjunto de dados não rotulados. Nesse caso, identifica padrões para rotular os dados. O sis-
tema de recomendação, citado anteriormente, é um bom exemplo de aprendizagem não suprvisionada.
3. Aprendizagem Por Reforço
Nesse método, o computador é estimulado a aprender com base em tentativas e erros. O processo é
otimizado por meio da prática direta, ensinando o sistema a priorizar certos hábitos. Entre os exemplos
desse método estão os veículos autônomos e os sistemas que jogam xadrez.
Por fim, este é um campo muito rico e que possui aplicações para resolver problemas complexos em
áreas como saúde, educação, entretenimento, tecnologia, etc. Nos próximos anos veremos uma difu-
são cada vez maior dos conceitos de machine learning em diferentes tipos de novos negócios.
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
_________________________________________________________________________________
[Link] 7