Machine Learning

Fundamentos de Machine Learning

Responsável pelo Conteúdo:

Prof. Me. Orlando da Silva Junior

Revisão Textual:
Prof.ª Dr.ª Selma Aparecida Cesarin
 Fundamentos de Machine Learning

• Introdução à Aprendizagem de Máquina;

• Problemas e Sistemas de Aprendizado;
• Modelos de Machine Learning;
• Tarefas de Machine Learning;
• Aplicações.

OBJETIVOS DE APRENDIZADO
• Entender o funcionamento geral dos Sistemas de Aprendizagem de Máquina;
• Conhecer as tarefas e aplicações de Machine Learning.
UNIDADE Fundamentos de Machine Learning

Introdução à Aprendizagem de Máquina

A Computação tem sido utilizada para resolver diversos problemas do mundo.
Parte desses problemas é resolvido com a escrita de um código que o computador
executa, conhecido como algoritmo. Porém, nem sempre é fácil escrever esse algo-
ritmo, sobretudo em problemas que o ser humano resolve muito bem.

Algoritmo: sequência de passos computacionais que toma um ou mais valores como entra-
da e produz um ou mais valores como saída.

Você é capaz de reconhecer rapidamente uma pessoa ao ver o rosto dela em

uma fotografia. Mas como permitir que um computador faça o mesmo? Quais ca-
racterísticas ele deveria considerar? Como ele deve se comportar com as diferentes
expressões faciais? E em relação aos ornamentos, como brincos e óculos, o que ele
deve fazer?

Embora você não faça essas perguntas ao reconhecer alguém, o computador

certamente precisará de algum método para aprender a identificar as pessoas, tanto
para diferenciar um ser humano de outras espécies quanto para distinguir entre os
membros da própria espécie humana.

Você saberia dizer quais passos um computador deveria realizar para poder aprender a rea-
lizar tarefas como a de reconhecer pessoas pelo rosto?

Inteligência Artificial e Machine Learning

A Disciplina que você está estudando neste momento se propõe a auxiliá-lo(a)
na construção de computadores que podem aprender. Para isso, durante todo o seu
processo de aprendizagem, nesta disciplina, você estudará técnicas de Inteligência
Artificial, particularmente de Aprendizado de Máquina, em um grande número de
problemas, como o exemplo citado.

Em 1950, o cientista Alan Turing determinou que a capacidade de aprendizado

é uma das características essenciais para definir um comportamento inteligente por
parte das máquinas.

Entre as atividades de aprendizado, um computador deve ser capaz de memorizar,

observar e explorar situações para entender fatos, aperfeiçoar habilidades motoras e
cognitivas, e representar o conhecimento adquirido.

8
 Em 1950, o cientista da computação Alan Turing publicou o artigo Computing Machinery and
Intelligence. Nesse artigo, o cientista articulou uma visão completa sobre IA, apresentando o
conhecido teste de Turing e uma ideia para Aprendizagem de Máquina, Aprendizagem por
Reforço e Algoritmos Genéticos. Todas essas ideias foram sendo estudadas ao longo das úl-
timas décadas por diversos pesquisadores ao redor do mundo e se consolidaram como áreas
de estudo independentes da IA, ainda que relacionadas à ela. O artigo de Turing tornou-se
a base fundamental para o esforço inicial de vários cientistas em encontrar caminhos que
permitam a compreensão da inteligência das máquinas e também da inteligência humana.

Até poucos anos atrás, a área de Inteligência Artificial utilizava técnicas que eram
aplicadas exclusivamente em problemas de pouco valor prático, como desafios sim-
ples e jogos.

Nos últimos anos, parte dessas técnicas passaram a ser utilizadas também na
Indústria, permitindo que produtos de Data Science e Sistemas Inteligentes fizessem
parte da vida comum das pessoas.

A partir da década de 1970, os Sistemas baseados no conhecimento de especia-

listas de domínios particulares começaram a fazer parte da indústria por soluciona-
rem problemas reais. Por exemplo, um Sistema que tivesse como meta auxiliar um
profissional de saúde no diagnóstico médico: esse sistema era construído a partir de
entrevistas realizadas com profissionais da Área para entender como eles tomavam
decisões. Na maioria da vezes, extraíam-se regras dessas entrevistas para posterior-
mente codificá-las no computador.

Apesar de esse método ter acompanhado a Área de Inteligência Artificial durante

anos, ele carregava uma série de limitações, como a pouca colaboração do profis-
sional, decorrente do medo de ser dispensado. Esse tipo de problema fez com que a
área se expandisse a novos desafios, que são enfrentados até os dias de hoje.

Mais recentemente, o grande volume de dados gerado pelo Big Data corporativo
exigiu que os Sistemas Inteligentes se tornassem mais autônomos e menos depen-
dentes de especialistas de domínio.

A Inteligência Artificial passou a prover técnicas que formulam regras a partir dos
dados, reduzindo a intervenção humana e aumentando a capacidade de aprendiza-
gem automática.

Dessa forma, um Sistema de apoio ao diagnóstico médico passa a formular hipó-

teses sobre os pacientes cadastrados no Sistema, e não mais a partir da opinião de
um ou mais profissionais da saúde, exclusivamente.

Big Data: no mundo corporativo, indica os Sistemas que geram dados em três dimensões:
volume, velocidade e variedade.

9
9
UNIDADE Fundamentos de Machine Learning

O professor Orlando Junior, pesquisador em Inteligência Artificial, tem um Artigo em seu

website pessoal que explica em detalhes o que é Inteligência Artificial. Vale a pena conferir:
O guia definitivo do que é (e o que não é!) Inteligência Artificial.
Disponível em: [Link]

Problemas de Machine Learning

O processo de formulação de hipóteses usando dados históricos é conhecido como
Aprendizagem de Máquina (ou “Aprendizado de Máquina” ou “Machine Learning”).

Segundo Mitchell (1997), a Aprendizagem de Máquina é a capacidade de um

Programa de Computador desempenhar melhor uma classe de tarefas a partir da
experiência. O desempenho deve ser mensurado e a experiência e a classe de tarefas
devem ser especificadas.

Para compreender melhor a ideia por trás de Machine Learning, imagine a situ-
ação a seguir.

Você é um especialista em Inteligência Artificial e está desenvolvendo um sistema

de apoio ao diagnóstico médico para uma Rede Hospitalar de Goiás. O objetivo
desse sistema é responder aos profissionais de saúde a possível doença do paciente,
a partir de um conjunto de sintomas informados.

Para ter certeza de que o seu Sistema funciona de acordo com as expectativas da
Aprendizagem de Máquina, você deverá medir o desempenho do Sistema.

Uma maneira de você fazer isso é verificando a quantidade de diagnósticos com-

putados corretamente. Você poderá compará-los à opinião médica e mensurar a
taxa de erro do seu Sistema inteligente.

Se a Rede Hospitalar tiver disponível uma base de dados com os diagnósticos já

realizados pelos profissionais de Saúde da Rede, você poderá usar essa informação
para facilitar a mensuração do desempenho do Sistema.

Em vez de realizar o diagnóstico duas vezes (uma do Sistema e outra do profissional),

você fará isso apenas uma vez: considerando que a base de dados já informa a classifica-
ção da doença pelo profissional, você só precisará verificar se os resultados encontrados
pelo seu programa ou algoritmo são iguais aos resultados dos especialistas.

Dessa forma, é importante observar que uma base de dados com informações
suficientes para o problema de aprendizagem colabora para a mensuração do de-
sempenho do algoritmo.

Além disso, a base de dados pode facilitar no processo de aprendizagem, encon-

trando a hipótese mais rapidamente. A cada nova informação adicionada à aprendi-
zagem, uma nova experiência é incluída no algoritmo.

10
 Em 1997, o professor e pesquisador Tom Mitchell publicou o artigo Does machine learning
really work? (em português, Machine Learning realmente funciona?) para descrever a as-
censão da Inteligência Artificial e o uso das Técnicas de Aprendizagem de Máquina na Indústria.
O Artigo descreve os nichos e as áreas de aplicação de Machine Learning e fornece, ainda, uma
visão de futuro para a Área. A partir dessa leitura, você poderá comparar as direções de futuro
do professor Mitchell, em 1997, à atual realidade vivenciada por você.
Disponível em: [Link]

Problemas e Sistemas de Aprendizado

Na seção anterior, você aprendeu a identificar um problema de Aprendizagem de
Máquina. Continue a leitura nesta seção para saber como um problema de Apren-
dizagem deve ser formulado. Mais à frente, você também verá como funcionam os
sistemas de Aprendizagem de Máquina.

Formulação de Problemas
Vamos começar abrangendo a definição de Machine Learning apresentada an-
teriormente, também de Mitchell (1997): “Um Programa de Computador aprende a
partir da experiência E em relação a alguma classe de tarefas T e medida de desem-
penho P se o seu desempenho nas tarefas T, medido por P, melhora com a experi-
ência E” (tradução livre do autor).

O primeiro passo para formular um problema de Machine Learning é determinar

os elementos T, P e E do Problema de Aprendizagem.

Como exemplo, considere um Programa de Computador que aprende a jogar

damas. Esse programa pode melhorar seu próprio desempenho à medida que me-
lhorar sua habilidade em ganhar partidas de jogos de damas. Uma forma de adquirir
experiência para alcançar essa habilidade é treinar jogando contra si mesmo.

Figura 1 – Ilustração de um tabuleiro de jogo de damas

Fonte: Getty Images

11
11
UNIDADE Fundamentos de Machine Learning

Os elementos T, P e E do problema de aprender damas desse exemplo são:

• Tarefa T: jogar damas;
• Desempenho P: porcentagem de partidas vencidas contra adversários;
• Experiência E: jogar partidas contra si mesmo.

Como segundo exemplo, considere o problema de reconhecer textos manuscritos.

Nesse problema, imagine que você recebeu um conjunto de imagens digitais de

redações escritas à mão que foram digitalizados para o computador.

Figura 2 – Ilustração de uma carta escrita à mão

Fonte: Getty Images

Nesse exemplo, os elementos T, P e E são:

• Tarefa T: Reconhecimento de texto;
• Desempenho P: porcentagem de acertos no reconhecimento de texto;
• Experiência E: reconhecer textos digitalizados.

A partir desses exemplos você poderá formular outros problemas de Aprendiza-

gem de Máquina que encontrar ao longo da sua jornada profissional.

Sistemas de Aprendizado de Máquina

Após a formulação do problema, você deverá realizar o Projeto do Sistema de
Aprendizagem. Esse Projeto será importante para que você desenvolva uma solução
que resolva o problema de aprendizagem.

Vamos conhecer alguns elementos desse Sistema?

Russell e Norvig (2003) descrevem um modelo geral de um Agente de Aprendi-

zagem. Em Inteligência Artificial, um Agente é um mecanismo que percebe e atua
sobre um ambiente. Um agente que aprende é capaz de operar em ambientes inicial-
mente desconhecidos e se tornar mais competente do que seu conhecimento inicial
sozinho permitiria.

12
 Em Inteligência Artificial, um agente é um mecanismo capaz de perceber seu ambiente por
meio de sensores e de agir sobre esse ambiente por meio de atuadores. O agente pode ser
tanto um robô eletromecânico quanto um software.

A Figura 3 ilustra o modelo genérico para um Agente de aprendizagem. Esse

modelo é formado por quatro componentes conceituais:
• Elemento de Aprendizado: responsável pela execução do aperfeiçoamento;
• Elemento de Desempenho: responsável pela seleção das ações externas, rece-
bendo percepções e decidindo sobre ações;
• Crítico: informa como o agente está funcionando e determina de que maneira o
elemento de desempenho deve ser modificado para funcionar melhor no futuro;
• Gerador de problemas: responsável por sugerir ações que levarão o agente a
novas experiências.

Padrão de desempenho

Crítico Sensores

realimentação

mudanças
Elemento de Elemento de
aprendizado desempenho
AMBIENTE

conhecimento

objetivos
de aprendizado

Gerador de
problemas Atuadores

AGENTE

Figura 3 – Modelo genérico de agente com aprendizagem

Fonte: Adaptado de RUSSEL; NORVIG, 2003

O componente principal do agente com aprendizagem é o elemento de aprendizado.

Sem esse componente, o agente ainda é um mecanismo inteligente, mas inca-

paz de aprender por conta própria. Integrado aos demais elementos, o elemento de
aprendizado permite que o agente seja ensinado, aprenda e aprimore o aprendizado
à medida que novas experiências sejam apresentadas ao agente.

A aprendizagem acontece à medida que o agente observa suas interações com o

mundo e com seus próprios processos de tomada de decisão.

13
13
UNIDADE Fundamentos de Machine Learning

Esse processo aproxima os componentes das informações de realimentação, per-

mitindo que o desempenho global do agente seja melhorado.

Ao passo que o agente observa suas interações com o mundo e com seus próprios
processos de tomada de decisão, a aprendizagem passa a acontecer.

A aprendizagem modifica os mecanismos de decisão do agente para melhorar

o desempenho. A ideia por trás da aprendizagem é que as percepções devem ser
usadas não apenas para agir, mas também para melhorar a habilidade do agente
para agir no futuro. Ela pode variar desde a memorização trivial da experiência até
a criação de teorias científicas inteiras.

Trocando Ideias...
Você acabou de aprender que uma das habilidades essenciais dos Sistemas Inteligentes
é a capacidade de aprendizagem. Essa habilidade também é muito importante para os
seres humanos. Você consegue imaginar outras habilidades humanas que também podem
ajudar a descrever a inteligência dos computadores?

Modelos de Machine Learning

Agora que você já sabe como formular problemas e Sistemas de Aprendizagem,
estude, a seguir, como aperfeiçoar o Sistema para os diferentes tipos de problemas
de Machine Learning que você enfrentará durante a sua jornada profissional.

Indução de Modelos
O propósito dos métodos de Machine Learning é induzir modelos (ou hipóteses)
que representem a distribuição dos dados observados. Queremos fazer isso para
compreender como os dados se comportam e o modelo pode ser utilizado em situ-
ações futuras.

Nesse sentido, o método deve aprender, a partir de um subconjunto dos dados

– conhecido como conjunto de treinamento – um modelo capaz de relacionar os
valores dos atributos de entrada de um exemplo ao valor de seu atributo de saída.
Existem diferentes métodos e você conhecerá alguns deles neste Curso.

Embora os métodos sejam importantes, um detalhe especial ao qual você deve

ficar atento na construção dos seus modelos é a metodologia da abordagem experi-
mental. Uma vez que o modelo é induzido para os dados de treinamento, ele deve ser
válido também para os dados fora desse subconjunto. Essa característica é chamada
de capacidade de generalização.

Quando o modelo apresenta baixa capacidade de generalização, os dados podem

estar superajustados ao modelo.

14
 Esse fenômeno de superajustamento é conhecido na comunidade de Machine Learning
como overfitting e, na prática, significa que o modelo memorizou os dados de treinamento
e não foi capaz de aprender a partir deles, para ser usado em situações futuras.

Outra situação que pode acontecer é o underfitting. Nesse caso, o método de

aprendizagem apresenta baixa taxa de acerto nos dados de treinamento, fazendo
com que o modelo fique subajustado aos dados.

A Figura 4 ilustra os três casos da indução de modelos: o modelo com underfitting,

o modelo ideal e o modelo com overfitting.

Figura 4 – Overfitting, underfitting e modelo ideal

Fonte: Acervo do conteudista

Outra questão importante a respeito dos modelos é o viés (ou bias, em inglês).

Quando um método de Machine Learning busca por modelos que representem

os dados, ele selecionará os modelos de acordo com uma representação. Por exem-
plo, enquanto Redes Neurais representam modelos a partir de números reais, as
árvores de decisão utilizam grafos cíclicos direcionados. Esse viés de representação
determina como os modelos serão induzidos pelo método, o que pode restringir o
espaço de busca de modelos.

Além do viés de representação, os métodos também são afetados pelo viés de busca.

Nesse caso, o viés representa a forma como o algoritmo busca o modelo que
melhor se ajusta ao subconjunto de treinamento. Sem ambos os vieses, os modelos
seriam incapazes de aprender os dados históricos e generalizar para novos dados.

Paradigmas
Para estudarmos mais a fundo os problemas, tarefas e aplicações de Machine
Learning, é importante conhecermos antes como esses desafios são organizados
pela comunidade científica. Uma das principais formas de organizar é por meio dos
Paradigmas de Aprendizagem, que permitem a classificação das tarefas em preditivas
e descritivas.

Nas tarefas preditivas, o objetivo é encontrar um modelo que possa prever o

rótulo ou o valor de um novo exemplo (ou registro) com base nos valores de seus
atributos de entrada a partir dos dados de treinamento.

15
15
UNIDADE Fundamentos de Machine Learning

Como exemplo de tarefa preditiva, imagine que você deseja saber o diagnóstico
de uma doença específica de um determinado paciente a partir de um conjunto de
sintomas que outros pacientes já relataram para essa mesma doença.

Na Tabela 1, as linhas representam os pacientes já diagnosticados e as colunas

indicam as características observadas para esses pacientes. A coluna Diagnóstico
indica o atributo de saída, e a demais colunas indicam os atributos de entrada.

Tabela 1 – Conjunto de dados de pacientes para o diagnóstico de doenças

Nome Idade Sexo Temperatura Dores Diagnóstico

Maria 54 F 39.0 Sim Doente
João 33 M 38.7 Não Saudável
José 29 M 35.4 Sim Saudável
Carlos 48 M 36.0 Não Doente
Ana 21 F 36.5 Sim Doente

Paras tarefas descritivas, o objetivo é encontrar um modelo que descreva um con-

junto de dados. Nesse caso, o conjunto não possui um atributo de saída.

Como exemplo, imagine que você deseja oferecer 10 tipos de ofertas especiais
aos 30 mil clientes da sua Empresa.

Para descobrir qual das ofertas oferecer a cada cliente, você decide reuni-los em
10 grupos distintos. Nesse caso, como você quer descobrir a resposta – o grupo o
qual o cliente irá pertencer –, não existirá um atributo de saída.

Os métodos de Machine Learning usados para induzir modelos preditivos seguem

o paradigma de Aprendizado Supervisionado porque eles conhecem a saída espera-
da para cada exemplo. Os modelos descritivos seguem o paradigma de aprendizado
não supervisionado.

O professor Pedro Domingo publicou, em 2012, um Artigo resumindo 12 lições importantes

para quem deseja saber mais sobre Machine Learning.
DOMINGOS, P. A few useful things to know about machine learning. Communications of the
ACM, EUA, v. 55, n. 10, p. 78-87, 2012.

Tarefas de Machine Learning

Existem várias tarefas de aprendizado que podem ser estudadas e aplicadas com
métodos de Machine Learning.

A Figura 5 ilustra a relação entre elas e os Paradigmas de Aprendizagem.

16
 Classificação
Aprendizado
supervisionado
Regressão

Aprendizado Aprendizado
de Máquina intuitivo Agrupamento

Aprendizado
Não-supervisionado Associação

Sumarização

Figura 5

Classificação e regressão são as principais tarefas de aprendizado supervisionado,

que se distinguem pelo valor do atributo de saída. Se o rótulo é discreto, estamos
falando de classificação; mas se o rótulo for numérico contínuo, estaremos falando
de regressão.

Entre as tarefas não supervisionadas, destacam-se:

• Agrupamento: tem como meta agrupar os dados de acordo com sua similaridade;
• Associação: visa a encontrar padrões frequentes de associações entre os atributos;
• Sumarização: tem como meta encontrar uma descrição resumida dos dados.

Uma outra abordagem de tarefas é apresentada em Provost; Fawcett (2016, p.

20-3), que detalham nove tarefas para se trabalhar em Ciência de Dados.

A Tabela 2 sintetiza essas tarefas e descreve o propósito de suas aplicações.

Tabela 2 – Síntese das principais tarefas analíticas

Tarefa Propósito
Predizer (ou prever), para cada indivíduo de uma população, a que conjunto de classes este indiví-
Classificação
duo pertence.
Regressão Estimar ou predizer um valor numérico para cada indivíduo da população.
Combinação por similaridade Identificar indivíduos semelhantes com base nos dados conhecidos sobre eles.
Reunir indivíduos de uma população por meio de similaridade, sem, no entanto, estar motivado
Agrupamento
por algum propósito.
Mineração de itens frequentes Buscar por associações entre entidades com base em transações que as envolvem.
Perfilamento (data profiling) Caracterizar o comportamento típico de um indivíduo, grupo ou população.
Tenta prever ligações entre itens de dados, geralmente sugerindo que um vínculo deveria existir e,
Previsão de vínculo
possivelmente, também estimando a força do vínculo.
Procura substituir um grande conjunto de dados por um outro conjunto com menos informações,
Redução de dados
mantendo a mesma qualidade de informações relevantes.
Auxiliar na análise ajudando a compreender que acontecimentos ou ações realmente influenciam
Modelagem causal
outras pessoas.

17
17
UNIDADE Fundamentos de Machine Learning

Aplicações
A Área de Machine Learning é uma das que mais tem crescido na Pesquisa em
Computação nos últimos anos. A cada dia, muito cientistas têm proposto novos al-
goritmos, técnicas e ferramentas para resolver os mais variados tipos de problemas.

A Indústria não tem ficado para trás e muitas áreas e segmentos de negócio têm
se beneficiado dessas aplicações, especialmente:
• Agricultura e Pecuária;
• Ciência e Bioinformática;
• Biologia, Ecologia e Meio Ambiente;
• Energia;
• Finanças;
• Saúde;
• Telecomunicações.

Entre as várias aplicações de técnicas de Machine Learning na solução de proble-

mas reais, podemos destacar:
• Reconhecimento de fala;
• Estimativa do preço de produtos de Mercado;
• Construção de portfólio de investimentos;
• Condução de veículos autônomos;
• Detecção de fraudes em cartões de crédito;
• Aspiradores robóticos que limpam residências;
• Jogos de tabuleiro, como damas e xadrez;
• Diagnóstico de câncer por meio da análise de expressão gênica.

A Boston Dynamics é uma Empresa focada na construção de Sistemas Robóticos. Em seu

canal no Youtube, ela disponibiliza uma série de vídeos com seus robôs de alta mobilidade.
Vale a pena conferir. Acesse: [Link]

Para que você conheça o uso prático de Machine Learning, leia, a seguir, alguns
casos de aplicações em diferentes áreas.

Avaliação da qualidade da carne de carneiro

Em Cortez et al. (2006), é avaliada a qualidade da carne de carneiro usando téc-
nicas de Machine Learning.

18
 O estudo apresenta uma comparação entre os métodos SVM, redes neurais e
regressão múltipla para fazer essa avaliação.

Os autores utilizam um conjunto de dados com 81 animais e 12 atributos de en-

trada. O sabor da carne (definido por 12 especialistas) e a força de cisalhamento cor-
respondem aos atributos de saída. A solução final corresponde ao uso simplificado e
econômico de um método não invasivo com 6 atributos de entrada que pode auxiliar
a tomada de decisão em até 24 horas.

Detecção de falhas na rede elétrica

Oleskovicz et al. (1998) apresentam uma aplicação para detectar e localizar falhas
em linhas de transmissão de energia. O objetivo principal do trabalho é implementar um
modelo de proteção alternativo às linhas de transmissão usando Redes Neurais artificiais.

A abordagem utiliza os valores pós-falta das tensões e correntes trifásicas em

cinco janelas de dados.

Diagnóstico de pacientes diabéticos

O trabalho de Patil et al. (2010) descreve uma abordagem híbrida de Machine
Learning para diagnosticar pacientes com Diabetes tipo 2.

Sendo uma das patologias mais comuns nos dias de hoje, o correto e antecipado
diagnóstico pode auxiliar no tratamento e conduzir o paciente a uma melhor quali-
dade de vida.

Na abordagem, os autores propõem a solução híbrida combinando os métodos de

agrupamento k-médias e indução de árvores de decisão C4.5.

O primeiro algoritmo valida as classes associadas aos exemplos e o segundo algo-

ritmo é aplicado aos novos casos.

Monitoramento da qualidade da água

A Ecologia é um terreno fértil para muitas aplicações de técnicas de Machine
Learning. Além de permitir que o Ecossistema se beneficie dessas aplicações, os se-
res humanos e a pesquisa científica da área também podem aproveitar os benefícios
que elas podem trazer.

O trabalho de Policastro et al. (2004) relata a construção de um Sistema em que

Técnicas de Aprendizagem de Máquina são usadas para monitorar a qualidade da
água em rios.

A proposta considera três métodos de aprendizagem (SVMs, redes neurais e ár-

vores de decisão), que são utilizados em Comitês para adaptar os casos recuperados
de uma base de dados. Os atributos de entrada do Sistema são substâncias químicas
e a população de algas dos rios.

19
19
UNIDADE Fundamentos de Machine Learning

Sistemas como esse ajudam a identificar o impacto da intervenção humana nos

locais investigados e a diminuir a incidência de casos de processos que sejam tóxicos
ao ambiente.

Predição de estruturas de proteínas

Entre os Projetos mais comuns em Bioinformática, a análise de proteínas por
meio de técnicas de Machine Learning tem se mostrado promissora e capaz de
colaborar na solução de vários problemas da Área, como a identificação de genes.

Figura 6 – Proteína de aminoácido de arginina

Fonte: Getty Images

Em Cheng et al. (2008), diferentes métodos supervisionados e não supervisiona-

dos de Machine Learning são estudados na predição de estruturas proteicas.

O trabalho resume 120 outros trabalhos correlatos que enfocaram Machine Learning
nesse tipo de aplicação.

20
Material Complementar
Indicações para saber mais sobre os assuntos abordados nesta Unidade:

Livros
O Algoritmo Mestre
DOMINGOS, P. O Algoritmo Mestre. São Paulo: Novatec, 2017.
Inteligência Artificial: Uma abordagem de aprendizado de máquina
FACELI, K. et al. Inteligência Artificial: Uma abordagem de aprendizado de
máquina. Rio de Janeiro: LTC, 2011.

Leituras
Conceitos sobre aprendizado de máquina
MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre aprendizado de
máquina. Sistemas inteligentes-Fundamentos e aplicações, São Paulo, v. 1, n. 1, p.
32, 2003.
[Link]
CS229 Lecture notes
NG, A. CS229 Lecture notes, v. 1, n. 1, p. 1-3, 2000.
[Link]

21
21
UNIDADE Fundamentos de Machine Learning

Referências
CHENG, J.; TEGGE, A. N.; BALDI, P. Machine learning methods for protein structure
prediction. IEEE reviews in biomedical engineering, EUA, v. 1, p. 41-49, 2008.

CORTEZ, P. et al. Lamb meat quality assessment by support vector machines.

Neural Processing Letters, Portugal, v. 24, n. 1, p. 41-51, 2006.

MITCHELL, T. M. Machine learning. New York: McGraw-Hill, 1997.

OLESKOVICZ, M.; COURY, D. V.; DE CARVALHO, CPLF. Artificial neural network

applied to power system protection. In: Proceedings 5th Brazilian Symposium
on Neural Networks (Cat. No. 98EX209). São Paulo, 1998. p. 247-252.

PATIL, B. M.; JOSHI, R. C.; TOSHNIWAL, D. Hybrid prediction model for type-2
diabetic patients. Expert systems with applications, India, v. 37, n. 12, p. 8102-
8108, 2010.

POLICASTRO, C. A.; CARVALHO, A. CPLF.; DELBEM, Alexandre CB. A hybrid

case based reasoning approach for monitoring water quality. In: International
Conference on Industrial, Engineering ond other Applications of Applied
Intelligent Systems. Springer, Berlin, Heidelberg, 2004. p. 492-501.

PROVOST, F.; FAWCETT, T. Data Science para negócios. Tradução de Marina

Boscatto. Rio de Janeiro: Alta Books, 2016.

RUSSEL, S. J.; NORVIG, P. Inteligência Artificial: uma abordagem moderna. [Link].

Rio de Janeiro: Editora Elsevier, 2004.

22