APRENDIZAGEM NÃO SUPERVISIONADA
Aprender explorando os dados sem um gabarito.
Diferente da aprendizagem supervisionada, aqui não há um "alvo" (y) ou um professor para corrigir o modelo. O algoritmo recebe apenas as entradas (x) e sua missão é descobrir padrões, grupos ou regras ocultas por conta própria.
Acompanhar o processo ↓01 · A INTUIÇÃO
A analogia da "Caixa Misturada".
Imagine que você receba uma caixa enorme e bagunçada, cheia de objetos misturados: moedas, botões, chaves e clipes de papel. Ninguém te deu instruções de como separá-los e os objetos não possuem etiquetas com seus nomes.
Sem um "professor" para te dizer o que é cada coisa, você instintivamente começaria a observar as características físicas (as variáveis x). Rapidamente, você juntaria os objetos metálicos e redondos de um lado (moedas), e os objetos plásticos com furos do outro (botões).
A Lição: É exatamente assim que a Aprendizagem Não Supervisionada funciona. O algoritmo recebe os dados crus e pergunta: "Qual estrutura matemática eu consigo encontrar aqui dentro?" ao invés de perguntar "Isso é uma moeda ou um botão?".
02 · TRÊS TIPOS DE PROBLEMA
O que o algoritmo pode descobrir?
Clustering (Agrupamento)
O algoritmo procura "panelinhas" ou grupos naturais. Elementos dentro de um grupo devem ser muito parecidos, e diferentes dos demais.
Ex: Google News agrupando
notícias do mesmo evento.
notícias do mesmo evento.
Redução de Dimensionalidade
O algoritmo "esmaga" e simplifica dados complexos, eliminando variáveis repetitivas e mantendo apenas a essência.
Ex: Compactação de imagens
ou visualização de dados 3D.
ou visualização de dados 3D.
Regras de Associação
O algoritmo age como um detetive, descobrindo itens que frequentemente ocorrem juntos no mesmo evento.
Ex: Quem compra Fralda,
costuma comprar Cerveja.
costuma comprar Cerveja.
03 · APLICAÇÕES PRÁTICAS
Onde usamos no mundo real?
Esses algoritmos brilham quando rotular dados humanos é caro, demorado ou impossível.
| Entradas brutas (x) | Padrão Descoberto | Pilar utilizado |
|---|---|---|
| Histórico de compras de 100.000 clientes | Segmentos: "Caçadores de Promoção" e "Fiéis de Alto Luxo" | Clustering |
| Transações normais de cartão de crédito | "Esta transação foge do grupo normal" (Fraude) | Clustering (Detecção de Anomalia) |
| Carrinhos de compra de um supermercado | Regra: "Se comprou celular, tem 80% de chance de levar capinha" | Associação |
| Exames de sangue com 50 variáveis hormonais | Resumo das 50 variáveis em apenas 2 componentes visuais | Redução de Dimensionalidade |
04 · ALGORITMOS CLÁSSICOS
Nossos próximos passos práticos.
Vamos mergulhar em três dos algoritmos mais consagrados do aprendizado não supervisionado, com exemplos passo a passo e atividades interativas.
01CLUSTERING
K-Means
Como funciona: Agrupa dados em K grupos pré-definidos baseando-se na distância matemática (similaridade) entre eles.
Estudar K-Means →02REDUÇÃO
PCA
Como funciona: (Principal Component Analysis) Transforma variáveis altamente correlacionadas em componentes independentes cruciais.
Estudar PCA →03ASSOCIAÇÃO
Apriori
Como funciona: Baseado em métricas de "Suporte" e "Confiança", varre bases de dados gigantescas buscando eventos simultâneos.
Estudar Apriori →