Envolve todo o processo de machine learning de preparar e processar os dados para alimentar o modelo, escolher o algoritmo certo de machine learning que definirá como o modelo será treinado
Machine learning
Então esses 3 pilares
Training data: Dados de treinamento
ML algorithms: Algortimos de aprendizado de máquina
The model - O modelo (inferência)
Dados de treinamento (training data)
Categorizado ou não (Labeled/UnLabeled data)
Exemplo: determinada imagem pode ser categorizada como “Gato”, “Cachorro”, etc.
Ou um dataset, conjunto de dados sem qualquer categorização
Podem ser usados para agrupar e facilitar o reconhecimento de padrões
Estruturado ou não (Structured/Unstructured data)
Podem ser estruturados em forma tabular, organizados e formatados por colunas e linhas
É possível também por séries de tempo (timeseries), usado para armazenar sequências de valores medidos em momentos sucessivos, podendo ser traçados em uma linha do tempo
Já outros sem qualquer estrutura fixa, sem formato definido, como imagem e textos
Machile learning process
Existe 3 grandes abordagem para se treinar um modelo
Aprendizado supervisionado (supervised learning)
Treinamento em dados categorizados para previsão de conteúdo não visto
Aprendizado não supervisionado (unsupervised learning)
Treinamento em dados sem categorização para descoberta de padrões e relacionamentos
Aprendizado por reforço (reinforcement learning)
Dada uma nota de desempenho como guia “semi-supervisionado” como feedback com certos dados categorizados, que incluem recompensas e penalidades
Inferência (inferencing)
É a forma que o modelo retorna a resposta com base em todo o treinamento fornecido, a inferência, podendo ser retornada de 2 formas
Batch inferecing (inferência em lote)
Pega uma boa parte dos dados, que acaba demorando mais, para realizar análises de forma mais completa
Real-time inference (inferência em tempo real)
Responde sob demanda conforme as informações vêm com foco em agilidade, sem precisar esperar pelo dataset completo