# Definição “Algoritmos avançados de aprendizado de máquina são compostos por muitas tecnologias (como aprendizado profundo, redes neurais e processamento de linguagem natural), usadas em aprendizado supervisionado e não supervisionado, que operam guiadas por lições a partir de informações existentes.” **Gartner IT Glossary** [Link](https://www.gartner.com/it-glossary/machine-learning/) --- "Em **aprendizado de máquina**, computadores aplicam **técnicas estatísticas** de aprendizado para automaticamente identificar padrões em dados. Estas técnicas podem ser utilizadas para realizar previsões com alta precisão." A visual introduction to machine learning R2D3 [Link](http://www.r2d3.us/visual-intro-to-machine-learning-part-1/) --- "O Aprendizado de Máquina (ML) é um ramo da inteligência artificial (IA) e da ciência da computação que se concentra no uso de dados e algoritmos para permitir que a IA imite a maneira como os humanos aprendem, melhorando gradualmente sua precisão." What is ML? IBM [Link](https://www.ibm.com/topics/machine-learning) --- # Referências Bibliográficas **A First Course in Machine Learning** Second Edition Simon Rogers Mark Girolami CRC Press 2017 **Encyclopedia of Machine Learning and Data Mining** Second Edition Claude Sammut Geoffrey I. Webb Springer 2017 **Real-World Machine Learning** Henrik Brink Joseph W. Richards Mark Fetherolf Manning Publications 2017 **Machine Learning Refined** **Foundations, Algorithms, and Applications** Jeremy Watt Reza Borhani Aggelos K. Katsaggelos Cambridge University Press 2016 **Practical Machine Learning** Sunila Gollapudi Packt Publishing 2016 **Fundamentals of Machine Learning for Predictive Data Analytics** Algorithms, Worked Examples, and Case Studies John D. Kelleher Brian Mac Namee Aoife D’Arcy MIT Press 2015 **Understanding Machine Learning: From Theory to Algorithms** Shai Shalev-Shwartz Shai Ben-David Cambridge University Press 2014 [Link](https://www.cse.huji.ac.il/~shais/UnderstandingMachineLearning/index.html) **Machine Learning** **A Probabilistic Perspective** Kevin P. Murphy The MIT Press 2012 **Statistical and Machine-Learning Data Mining** **Techniques for Better Predictive Modeling and Analysis of Big Data** Second Edition Bruce Ratner CRC Press 2011 **Encyclopedia of Machine Learning** Claude Sammut Geoffrey I. Webb Springer 2011 **Data Mining** **Practical Machine Learning Tools and Techniques** Third Edition Ian H. Witten Eibe Frank Mark A. Hall Elsevier 2011 **Inteligência Artificial – Uma Abordagem de Aprendizado de Máquina** Katti Faceli Ana Carolina Lorena João Gama André C. P. L. F. de Carvalho LTC 2011 **Introduction to Machine Learning** Second Edition Ethem Alpaydın The MIT Press 2010 **Introduction to Machine Learning** Alex Smola S.V.N. Vishwanathan Cambridge University Press 2008 --- # Cursos Online **CSC411: Introduction to Machine Learning** Richard Zemel Raquel Urtasun Sanja Fidler University of Toronto 2016 [Link](http://www.cs.toronto.edu/~urtasun/courses/CSC411_Fall16/CSC411_Fall16.html) **CS 229: Machine Learning** Andrew Ng John Duchi Stanford University 2016 [Link](http://cs229.stanford.edu/materials.html) MIT OPEN COURSEWARE **Mathematics of Machine Learning** Prof. Philippe Rigollet 2015 [Link](https://ocw.mit.edu/courses/mathematics/18-657-mathematics-of-machine-learning-fall-2015/) MIT OPEN COURSEWARE **Prediction: Machine Learning and Statistics** Prof. Cynthia Rudin 2012 [Link](https://ocw.mit.edu/courses/sloan-school-of-management/15-097-prediction-machine-learning-and-statistics-spring-2012/) --- # Referências Importantes **Models for Machine Learning** M. Tim Jones IBM [Link](https://developer.ibm.com/articles/cc-models-machine-learning/#reinforcement-learning) **R2D3** [Link](http://www.r2d3.us/) {R2D3 is an experiment in expressing statistical thinking with interactive design.} **A visual introduction to machine learning** R2D3 [Link](http://www.r2d3.us/visual-intro-to-machine-learning-part-1/) **Machine learning** The Royal Society [Link](https://royalsociety.org/topics-policy/projects/machine-learning/) **Why machine learning is the new BI** CIO [Link](https://www.cio.com/article/3058980/business-intelligence/why-machine-learning-is-the-new-bi.html#tk.cio_rs) **The risk of machine learning** Alberto Abadie Maximilian Kasy 2017 [Link](https://scholar.harvard.edu/kasy/publications/risk-machine-learning) **One Hundred Year Study on Artificial Intelligence (AI100)** Stanford University 2016 [Link](https://ai100.stanford.edu/2016-report) **Data Analytics and Machine Learning: Driving Speed to Insight** MIT Technology Review 2016 [Link](https://www.technologyreview.com/s/602405/data-analytics-and-machine-learning-driving-speed-to-insight/) **What Is The Difference Between Artificial Intelligence And Machine Learning?** Bernard Marr Forbes 2016 [Link](https://www.forbes.com/sites/bernardmarr/2016/12/06/what-is-the-difference-between-artificial-intelligence-and-machine-learning/#2066a32742b4) **An executive’s guide to machine learning** Dorian Pyle Cristina San Jose McKinsey Quarterly 2015 [Link](http://www.mckinsey.com/industries/high-tech/our-insights/an-executives-guide-to-machine-learning) **Some thoughts on Economics, Mathematics, Econometrics, Statistics, Machine Learning, etc** Arthur Charpentier 2015 [Link](http://freakonometrics.hypotheses.org/20274) --- # Anotações **Aprendizado de Máquina** (Machine Learning) é um campo da inteligência artificial que se concentra no desenvolvimento de algoritmos e técnicas que permitem aos computadores aprenderem a partir de dados e experiências anteriores, sem serem explicitamente programados para tarefas específicas. Em vez disso, os algoritmos de aprendizado de máquina são capazes de identificar padrões nos dados e fazer previsões ou tomar decisões com base nesses padrões. Existem várias abordagens dentro do aprendizado de máquina, incluindo aprendizado supervisionado, não supervisionado, e por reforço. No aprendizado supervisionado, os algoritmos são treinados com exemplos rotulados, ou seja, dados em que a resposta correta é fornecida. No aprendizado não supervisionado, os algoritmos exploram os dados sem qualquer supervisão explícita, procurando por padrões ou estruturas subjacentes nos dados. O aprendizado por reforço envolve algoritmos que aprendem a partir da interação com um ambiente, recebendo feedback em forma de recompensa ou punição, com o objetivo de maximizar a recompensa ao longo do tempo. O aprendizado de máquina tem uma ampla gama de aplicações em áreas como reconhecimento de padrões, processamento de linguagem natural, visão computacional, sistemas de recomendação, diagnóstico médico, previsão de séries temporais, entre muitos outros. É uma ferramenta poderosa para automatizar tarefas complexas e tomar decisões baseadas em dados em uma variedade de domínios. --- # Trilha [[Orientação por Dados]] [[Inteligência Artificial]] [[Aprendizado de Máquina Supervisionado]] [[Aprendizado de Máquina Não Supervisionado]] [[Aprendizado de Máquina por Reforço]] [[WEKA]]