Aprendizado de Máquina

Aprendizado de máquina (em inglês, machine learning ou ML) é o ramo da inteligência artificial que estuda algoritmos capazes de aprender padrões a partir de dados, em vez de serem programados explicitamente com regras fixas para cada situação.

Na programação tradicional, o desenvolvedor escreve as regras: dados + regras → respostas. No aprendizado de máquina, a lógica se inverte: fornecemos dados + respostas conhecidas e o algoritmo descobre sozinho as regras — o modelo — que ligam uma coisa à outra.

Exemplo: um filtro de spam. A tarefa T é classificar e-mails em "spam" ou "não spam"; a experiência E são milhares de e-mails já rotulados; a medida P é o percentual de e-mails classificados corretamente. Quanto mais e-mails o filtro vê, melhor ele fica — ele aprende.

Esses termos costumam ser usados como sinônimos, mas descrevem coisas diferentes. Pense em círculos, um dentro do outro:

O aprendizado de máquina brilha em problemas onde escrever regras manualmente seria inviável — porque os padrões são complexos, mudam com o tempo ou dependem de muitas variáveis ao mesmo tempo. No ambiente corporativo, ele é usado como apoio à decisão nos níveis operacional, tático e estratégico.

Os algoritmos de ML se dividem em três grandes paradigmas, de acordo com o tipo de "sinal" que orienta o aprendizado.

Todo projeto de ML gira em torno de um conjunto de dados (dataset), normalmente organizado como uma tabela. Vamos fixar o vocabulário com um exemplo de previsão de preço de imóveis:

• Instância / amostra (linha): um exemplo — um imóvel.
• Feature / atributo / variável (coluna de entrada): Área, Quartos e Bairro. São as informações que o modelo usa para prever.
• Rótulo / alvo / target (coluna de saída): Preço. É o que queremos prever.
• Modelo: a função aprendida que mapeia features → rótulo.

Divisão dos dados: treino, validação e teste

Nunca avaliamos um modelo com os mesmos dados usados para treiná-lo — seria como aplicar uma prova com as mesmas questões do gabarito estudado. Por isso, dividimos o dataset:

Um projeto de aprendizado de máquina raramente é linear — é um ciclo iterativo. Uma referência clássica é o processo CRISP-DM (Cross-Industry Standard Process for Data Mining), que organiza o trabalho em seis fases:

1. 1Entendimento do negócio: qual decisão o modelo vai apoiar? Qual é a pergunta e o critério de sucesso?
2. 2Entendimento dos dados: coletar, explorar e avaliar a qualidade e a disponibilidade dos dados.
3. 3Preparação dos dados: limpar, tratar valores faltantes, criar e transformar features (a etapa mais demorada, ~70% do tempo).
4. 4Modelagem: escolher algoritmos, treinar modelos e ajustar hiperparâmetros.
5. 5Avaliação: medir o desempenho com métricas adequadas e confrontar com o objetivo de negócio.
6. 6Implantação (deployment): colocar o modelo em produção, monitorar e re-treinar quando o desempenho cair.

O aprendizado supervisionado se divide em dois grandes tipos de tarefa, de acordo com a natureza do rótulo que queremos prever:

A classificação pode ser binária (duas classes: aprovado/reprovado) ou multiclasse (várias: gato/cachorro/pássaro). Um mesmo problema, às vezes, pode ser modelado das duas formas — prever a nota de um aluno é regressão; prever se ele será aprovado é classificação.

A regressão linear é o algoritmo mais simples e didático. Ela tenta traçar a "melhor reta" que descreve a relação entre as features e o alvo. Para uma única feature x:

Onde ŷ é o valor previsto, b₀ é o ponto onde a reta corta o eixo (intercepto) e b₁ é a inclinação (quanto o alvo muda quando x aumenta em 1 unidade). Com várias features, vira uma soma ponderada:

Como o modelo "aprende"?

O algoritmo procura os coeficientes b que minimizam o erro entre o previsto (ŷ) e o real (y). O erro mais usado é o erro quadrático médio (MSE): a média dos quadrados das diferenças. A técnica que ajusta os coeficientes passo a passo, "descendo" na direção que reduz o erro, chama-se gradiente descendente.

Apesar do nome, a regressão logística é um algoritmo de classificação. Ela estima a probabilidade de uma instância pertencer a uma classe. Para isso, passa a soma ponderada das features por uma função sigmoide, que "achata" qualquer número para o intervalo entre 0 e 1:

Se a probabilidade for maior que um limiar (normalmente 0,5), classificamos como a classe positiva; caso contrário, como a negativa.

K-vizinhos mais próximos (KNN)

O KNN (K-Nearest Neighbors) é um dos algoritmos mais intuitivos: para classificar uma nova instância, ele olha os k exemplos mais parecidos (mais próximos) no conjunto de treino e adota a classe majoritária entre eles. "Me diga com quem andas e te direi quem és."

• k pequeno (ex.: 1): sensível a ruído, fronteiras irregulares.
• k grande: fronteiras mais suaves, mas pode ignorar padrões locais.
• Exige normalizar as features, pois usa distância (senão, a feature de maior escala domina).

Árvores de decisão

Uma árvore de decisão aprende uma sequência de perguntas do tipo "sim/não" que dividem os dados até chegar a uma decisão. É extremamente interpretável — dá para desenhar e explicar para um gestor.

A árvore escolhe, em cada nó, a pergunta que melhor "separa" as classes, usando medidas de pureza como o índice de Gini ou a entropia. A grande fraqueza: árvores muito profundas decoram o treino (overfitting).

Random Forest (floresta aleatória)

Se uma árvore erra por decorar demais, que tal juntar muitas árvores e tirar a média/voto? É a ideia do Random Forest, um método de ensemble (comitê): treina dezenas ou centenas de árvores, cada uma com uma amostra aleatória dos dados e das features, e combina os resultados. É robusto, preciso e um dos algoritmos mais usados na prática.

Máquinas de vetores de suporte (SVM)

A SVM busca a "fronteira" (hiperplano) que separa as classes com a maior margem possível entre elas. Com o "truque do kernel", consegue separar dados que não são linearmente separáveis. Poderosa em espaços de muitas dimensões.

Naive Bayes

Baseado no Teorema de Bayes, calcula a probabilidade de cada classe assumindo (ingenuamente, daí o "naive") que as features são independentes entre si. É simples, rapidíssimo e surpreendentemente eficaz em classificação de texto (spam, análise de sentimento).

O grande objetivo do ML é a generalização: acertar em dados novos, não apenas nos de treino. Dois problemas atrapalham isso:

Encontrar o equilíbrio entre viés e variância é o compromisso viés-variância (bias-variance tradeoff). Técnicas de regularização (L1/Lasso e L2/Ridge) penalizam modelos complexos demais, ajudando a evitar o overfitting.

No aprendizado não supervisionado não há rótulos — o algoritmo procura estrutura escondida. A tarefa mais comum é o clustering (agrupamento): reunir instâncias parecidas em grupos (clusters).

O K-means é o algoritmo de clustering mais popular. Você define quantos grupos quer (k) e ele:

1. 1Sorteia k centros (centroides) iniciais.
2. 2Atribui cada ponto ao centroide mais próximo.
3. 3Recalcula cada centroide como a média dos pontos do seu grupo.
4. 4Repete os passos 2 e 3 até os grupos pararem de mudar.

Como escolher o k?

Uma técnica é o método do cotovelo (elbow method): testar vários valores de k e observar onde a redução do erro "dobra o cotovelo" — a partir dali, aumentar k traz pouco ganho.

Clustering hierárquico

Constrói uma árvore de grupos (dendrograma). Na versão aglomerativa, começa com cada ponto sendo um grupo e vai unindo os mais próximos, passo a passo, até formar um único grupo. Você "corta" o dendrograma na altura desejada para obter o número de clusters. Vantagem: não precisa definir k antecipadamente e gera uma visualização rica.

DBSCAN

O DBSCAN agrupa por densidade: regiões densas de pontos viram clusters, e pontos isolados em áreas vazias são marcados como ruído (outliers). Diferente do K-means, ele descobre sozinho o número de grupos e encontra clusters de formatos irregulares.

Quando um dataset tem dezenas ou centenas de features, surge a "maldição da dimensionalidade": os dados ficam esparsos, os modelos ficam lentos e é impossível visualizar. A redução de dimensionalidade comprime as features em um número menor, preservando o máximo de informação.

O PCA (Análise de Componentes Principais) encontra novas "direções" (componentes principais) que capturam a maior parte da variância dos dados. Assim, é possível, por exemplo, resumir 50 features em 2 componentes e plotar tudo em um gráfico.

As regras de associação descobrem relações do tipo "quem compra X tende a comprar Y". É a base da clássica análise de cesta de compras (market basket analysis). O algoritmo mais conhecido é o Apriori.

Uma regra {fralda} → {cerveja} é avaliada por três medidas:

Os algoritmos só funcionam bem com dados bem preparados. Esta é, de longe, a etapa que mais consome tempo — e a que mais impacta o resultado.

Tratamento de dados faltantes

• Remoção: excluir linhas/colunas com muitos vazios.
• Imputação: preencher com média, mediana, moda ou um valor previsto.

Codificação de variáveis categóricas

Modelos entendem números, não texto. Convertemos categorias com:

• One-Hot Encoding: uma coluna 0/1 para cada categoria (ex.: Bairro_Centro, Bairro_Tijuca).
• Label Encoding: um número para cada categoria (útil quando há ordem, ex.: baixo=0, médio=1, alto=2).

Escalonamento (normalização/padronização)

Coloca features de escalas diferentes (idade: 0–100; salário: 0–100.000) em faixas comparáveis, essencial para KNN, SVM e PCA.

• Normalização (Min-Max): reescala para o intervalo [0, 1].
• Padronização (Z-score): centraliza na média 0 com desvio padrão 1.

No aprendizado por reforço (RL), um agente interage com um ambiente, toma ações e recebe recompensas (ou punições). O objetivo é aprender uma política — uma estratégia de ação — que maximize a recompensa acumulada ao longo do tempo.

• Exploração vs. exploração (explore/exploit): testar ações novas ou repetir o que já funciona?
• Aplicações: jogos (AlphaGo), robótica, veículos autônomos, otimização de logística e de preços dinâmicos.

Medir "acertos" não basta. Imagine detectar uma doença rara presente em 1% da população: um modelo que sempre diz "não tem" acerta 99% das vezes — e é inútil. Por isso, avaliamos classificação com a matriz de confusão:

A partir dela, calculamos:

A curva ROC e a área sob ela (AUC) medem a capacidade do modelo de separar as classes em diferentes limiares — quanto mais perto de 1, melhor.

Para prever números, medimos o tamanho do erro entre o valor previsto e o real:

Validação cruzada (cross-validation)

Avaliar em um único conjunto de teste pode dar "sorte" ou "azar" na divisão. A validação cruzada k-fold divide os dados em k partes (folds): treina em k−1 e testa na parte restante, repetindo até cada parte ter sido teste uma vez. O desempenho final é a média — uma estimativa mais confiável.

Hiperparâmetros

Parâmetros são aprendidos pelo modelo (os coeficientes). Hiperparâmetros são configurações que nós definimos antes do treino (o k do KNN, a profundidade da árvore, o número de árvores da floresta). Para encontrar os melhores, usamos busca sistemática:

• Grid Search: testa todas as combinações de uma "grade" de valores.
• Random Search: testa combinações aleatórias — mais rápido em espaços grandes.

A biblioteca scikit-learn é o padrão de mercado para ML clássico em Python. Todo modelo segue a mesma interface: .fit() para treinar e .predict() para prever. Veja um fluxo completo de classificação:

# 1. Importar as bibliotecas
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 2. Carregar os dados
df = pd.read_csv("clientes.csv")
X = df.drop(columns=["churn"])   # features
y = df["churn"]                    # rótulo (0 = fica, 1 = cancela)

# 3. Separar treino e teste
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y)

# 4. Escalonar as features
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test  = scaler.transform(X_test)

# 5. Treinar o modelo
modelo = RandomForestClassifier(n_estimators=200, random_state=42)
modelo.fit(X_train, y_train)

# 6. Prever e avaliar
y_pred = modelo.predict(X_test)
print(classification_report(y_test, y_pred))

No contexto desta UC, o aprendizado de máquina é ferramenta de apoio à decisão — não substitui o gestor, mas fornece previsões e insights que tornam a decisão mais informada, nos níveis operacional (dia a dia), tático (metas) e estratégico (longo prazo).

Do modelo à decisão

Um bom modelo só gera valor se for traduzido em ação. Prever que um cliente tem 80% de chance de cancelar só importa se a empresa fizer algo — uma oferta de retenção, um contato do time de sucesso. O ciclo é: dado → modelo → previsão → decisão → ação → resultado.

Ética, viés e responsabilidade

Vamos amarrar tudo em um caso realista. Uma empresa de assinaturas quer reduzir o cancelamento (churn) de clientes.

1. 1Negócio: a pergunta é "quais clientes têm alto risco de cancelar no próximo mês?". Sucesso = reduzir o churn em 10%.
2. 2Dados: histórico de uso, tempo de contrato, número de chamados de suporte, plano, forma de pagamento e se cancelou (rótulo).
3. 3Preparação: tratar vazios, codificar categorias (plano, pagamento) com One-Hot, escalonar features numéricas, criar a feature "chamados por mês".
4. 4Modelagem: é classificação binária. Testamos regressão logística (baseline) e Random Forest.
5. 5Avaliação: como perder um cliente é caro, priorizamos recall e F1. A floresta atinge recall 0,78 e F1 0,74 na validação cruzada.
6. 6Decisão e ação: a lista de clientes de alto risco vai para o time de retenção, que oferece desconto ou contato proativo. Mede-se o churn antes e depois.

Bibliografia básica

• AMARAL, Fernando. Introdução à ciência de dados: mineração de dados e Big Data. Rio de Janeiro: Alta Books, 2016.
• CAIÇARA JUNIOR, Cícero. Sistemas integrados de gestão — ERP. Curitiba: IBPEX, 2008.
• WESTERMAN, George. O risco de TI: convertendo ameaça aos negócios em vantagem competitiva. São Paulo: M. Books, 2008.

Bibliografia complementar

• STAREC, Cláudio. Gestão estratégica da informação e inteligência competitiva. São Paulo: Saraiva, 2006.
• MARQUESONE, Rosangela. Big Data: técnicas e tecnologias para extração de valor dos dados. São Paulo: Casa do Código, 2018.
• SILVA, Leandro Augusto da. Introdução à mineração de dados com aplicações em R. Rio de Janeiro: Ediouro, 2016.
• SOUZA, Amaranta de et al. Ciência de dados, Business Intelligence e Big Data: conceitos e aplicações. Paraná: Appris, 2021.
• WICKHAM, Adler. R para Data Science: importe, arrume, transforme, visualize e modele dados. Rio de Janeiro: Alta Books, 2019.