![\"\"](\"http:\/\/gotodata.com.br\/site\/wp-content\/uploads\/2019\/04\/artificial-intelligence-3382507_1280.jpg\")
<\/a>Machine learning<\/em> \u00e9 um ramo da Intelig\u00eancia Artificial com foco em sistemas capazes de aprender e evoluir de forma autom\u00e1tica. Estes programas acessam e usam os dados dispon\u00edveis para descobrir padr\u00f5es e tomar decis\u00f5es sem interven\u00e7\u00e3o humana. Gostamos de falar sobre o tema, como aqui<\/a> e ali<\/a>, mas embora seja um hot topic<\/em> n\u00e3o podemos dizer que \u00e9 novidade. Sua hist\u00f3ria j\u00e1 tem mais de um s\u00e9culo e \u00e9 repleta de drama, aventura, poesia e persegui\u00e7\u00f5es em laborat\u00f3rios secretos.<\/p>\nNa matem\u00e1tica, sagrada musa de todos os programadores, o machine learning<\/em> sustenta-se em fundamentos de desbravadores do s\u00e9culo 19, entre eles o matem\u00e1tico russo Andrei Andreyevich Markov. Amante da poesia, aplicou f\u00f3rmulas de probabilidade em poemas<\/a> e, quando a R\u00fassia fervilhava em revolu\u00e7\u00f5es, apresentou os conceitos do que viria a ser conhecido como Markov Chains. \u00c9 uma t\u00e9cnica de an\u00e1lise em que, em uma sequ\u00eancia de vari\u00e1veis rand\u00f4micas, uma vari\u00e1vel futura \u00e9 determinada pela vari\u00e1vel presente, sem necessidade de conhecimento do estado anterior. Ou, de forma mais simples, permite previs\u00f5es do futuro baseadas apenas nos dados atuais, independentemente do que aconteceu no passado. \u00c9 usada rotineiramente em sistemas atuais de machine learning<\/em>. Est\u00e1 na base do Google.<\/p>\n O trabalho de Markov, assim como o de estat\u00edsticos e matem\u00e1ticos como Thomas Bayes, Laplace e Legendre, todos ainda no s\u00e9culo 19, formaram as bases para a programa\u00e7\u00e3o. Bastava, apenas, \u00e9 claro, o surgimento do computador. Para a hist\u00f3ria do machine learning<\/em>, especificamente computadores capazes de armazenar programas (ou instru\u00e7\u00f5es) em sua mem\u00f3ria, o que ocorre no final da d\u00e9cada de 1940. S\u00e3o eles o Manchester Small-Scale Experimental Machine (1948), o Cambridge EDSAC e Manchester Mark 1 (1949) e o EDVAC da Universidade da Pennsylvania (1951).<\/p>\n \u00c9 deste per\u00edodo uma das publica\u00e7\u00f5es mais instigantes de Alan Turing, um dos mais famosos e influentes pioneiros da computa\u00e7\u00e3o e da Intelig\u00eancia Artificial. Sua vida \u00e9 um drama, e fica aqui nossa dica de filme: The imitation game<\/a>. Um enredo com nazistas, espi\u00f5es, laborat\u00f3rios secretos e muita matem\u00e1tica, sem final feliz.<\/p>\n \u00c0 mesma \u00e9poca, Marvin Minsky e Dean Edmonds constru\u00edram a primeira simula\u00e7\u00e3o, em computador, da capacidade de aprendizagem humana. O Stochastic Neural Analog Reinforcement Computer (SNARC), de 1951, feito de v\u00e1lvulas, tubos e uma mem\u00f3ria m\u00ednima, procurava reproduzir as tentativas de um rato para encontrar a sa\u00edda de um labirinto. E com sucesso. Minsky se tornaria um dos mais importantes pesquisadores do tema intelig\u00eancia artificial ao longo das d\u00e9cadas seguintes.<\/p>\n \u00c9 da d\u00e9cada de 60 a descoberta do processamento multicamadas, que abriu um novo ramo na pesquisa por redes neurais, levando \u00e0 backpropagation<\/em>. Desenvolvido nos anos 1970, o algoritmo permitia \u00e0s redes neurais adaptarem-se a novas situa\u00e7\u00f5es, por meio an\u00e1lise de erros e reprograma\u00e7\u00e3o. \u00c9 hoje usada nas deep neural networks<\/em>, um dos mais avan\u00e7ados sistemas de machine learning<\/em>.<\/p>\n