APRENDIZADO DE MÁQUINA NÃO-SUPERVISIONADO

Prévia do material em texto

Felipe dos Santos Alves Ferreira 
APRENDIZADO DE MÁQUINA NÃO-SUPERVISIONADO 
 
Hoje em dia podemos obter dicas de investimentos, créditos, consórcios tudo com base 
em nosso perfil financeiro de maneira rápida e prática bastando apenas alguns cliques. A 
tecnologia vem avançando e a questão da segmentação de clientes para os bancos tem se 
tornado uma tendência cada vez mais comum. 
Tendo em vista a criação de uma solução para a segmentação da sua carteira de clientes, 
o Banco Beta foi atrás de especialistas no assunto para auxilia-los nessa questão. 
Para o desenvolvimento do aplicativo será necessário o uso de Aprendizado de Máquina 
Não-Supervisionado, pois é recomendado para práticas de agrupamento e classificação. Tendo 
em vista que iremos trabalhar com um grande volume de dados e muitas informações, é preciso 
realizar a seleção das características afim de agilizar o processo e garantir uma boa exatidão. 
Para avaliarmos as semelhanças entre os objetos, aplicamos o conceito da Escolha das 
Métricas de Distância. Por vezes é necessário a normalização dos dados para que o conceito seja 
empregado. A normalização dos dados tenta proporcionar a todos os atributos um tamanho 
igual. Podendo ou não ser útil em uma aplicação específica. 
Por fim, realizamos a escolha do algoritmo. A escolha para este projeto foi o K-Means. 
O K-means é um algoritmo não supervisionado, ele não trabalha com dados rotulados. 
Tem por objetivo encontrar semelhanças entre os dados e agrupá-los conforme o número de 
cluster passado pelo argumento k. 
Faz uso de um método simples e eficiente baseado no conceito de distância conforme 
explicado acima. O algoritmo de forma iterativa atribui os pontos de dados ao grupo que 
representa a menor distância, ou seja, ao grupo de dados que seja mais similar. 
O processo executado pelo K-Means é composto por quatro etapas, a primeira é a de 
inicialização, seguida de atribuição ao cluster, movimentação de centroids e otimização do K-
médias. 
Por fim, vimos com o desenvolvimento deste projeto a importância de se ter uma 
carteira de clientes segmentada. Ao segmentar seus clientes, você consegue ter uma ideia de 
como são os consumidores que atende e quais são as maiores necessidades das pessoas e 
empresas que procuram os serviços. 
Referências Bibliográficas 
 
CARVALHO, A. C. P. L. Inteligência artificial: uma abordagem de aprendizado de 
máquina. São Paulo: LTC, 2011. [Recurso eletrônico, Minha Biblioteca]. 
CORCOVIA, L. O.; ALVES, R. S. Aprendizagem de máquina e mineração de dados. Revista 
Interface Tecnológica, v. 16, n. 1, p. 90-101, 30 jun. 2019. Disponível 
em: https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/562. Acesso 
em: 7 maio 2020. 
DOMINGOS, P. O algoritmo mestre: como a busca pelo algoritmo de machine 
learning definitivo recriará nosso mundo. São Paulo: Novatec, 2017. 
https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/562
Felipe dos Santos Alves Ferreira 
HONGYU, K; SANDANIELO, V. L. M; OLIVEIRA JUNIOR, G. J. O. de Análise de componentes 
principais: resumo teórico, aplicação e interpretação. E&S Engineering and Science, v. 5, n. 1, 
2016. Disponível 
em: http://www.periodicoscientificos.ufmt.br/ojs/index.php/eng/article/view/3398. Acesso 
em: 7 maio 2020. 
LUGER, G. F. Inteligência artificial. 6. ed. São Paulo: Pearson, 2013. 
MEDEIROS, L.F. Inteligência artificial aplicada: uma abordagem introdutória. Curitiba: 
Intersaberes, 2018. [Recurso eletrônico, Minha Biblioteca]. 
OLIVEIRA, A. S. et al. Comparação entre os algoritmos K-Means e Dynamic Cluster em 
imagens digitais. In: ANAIS DO ENCONTRO DE COMPUTAÇÃO DO OESTE POTIGUAR, 2., 2018, 
Alto Oeste Potiguar. Anais [...]. Alto Oeste Potiguar: ECOP/UFERSA, 2018. Disponível 
em: https://periodicos.ufersa.edu.br/index.php/ecop/article/view/7899. Acesso em: 7 maio 
2020. 
 
http://www.periodicoscientificos.ufmt.br/ojs/index.php/eng/article/view/3398
https://periodicos.ufersa.edu.br/index.php/ecop/article/view/7899