DEEP LEARNING E MACHINE LEARNING SÃO A MESMA COISA?

Primeiramente, vamos tratar da pergunta principal. 

Não, os dois conceitos não representam a mesma coisa. Deep learning pode ser compreendido como uma técnica dentro da noção de machine learning, como uma evolução do ML para projetos mais robustos - que veremos em detalhes mais à frente.

Afinal, DL é um conceito recente e está no auge agora. Vemos muitas pessoas procurando aprender os conceitos, estudando e tentando assimilar como funcionam os algoritmos principais. A tendência é que ele continue evoluindo, visto que já tem gerado resultados incríveis para empresas e pesquisadores.

Nos próximos tópicos, vamos especificar as diferenças entre cada um deles a partir da definição de cada um em específico. 

ENTENDENDO O QUE É MACHINE LEARNING

Comecemos com o Machine Learning. Trata-se de uma definição geral da noção de aprendizado de máquina. Consiste basicamente em tornar os computadores inteligentes e autônomos a partir do treinamento deles com dados em grande quantidade — o que pode ser o famoso Big Data. 

É um raciocínio semelhante a processos que humanos realizam em muitas situações. Quando precisamos dominar um assunto, pesquisamos o máximo possível, lemos livros e assistimos a vídeos. Ou seja, preenchemos nossa memória com dados e mais dados acerca daquele tema para que sejamos capazes de aprender.

O machine learning é basicamente a máquina processando os dados e buscando padrões, correlações e tendências neles para poder de fato aprender sobre eles. Então, a máquina fornece uma resposta para os humanos acerca do que aprendeu. Informamos ao computador um conjunto de dados de entrada e esperamos uma saída correspondente que demonstra o que ele aprendeu. 

Podemos dividir o ML em pelo menos dois tipos: aprendizado supervisionado e não supervisionado.

Aprendizado Supervisionado

No aprendizado supervisionado, a pessoa cientista de dados ajuda o computador a entender quais são as saídas possíveis associadas às possíveis entradas em uma base de treinamento, como é chamado. Ou seja, é informado o conjunto de entradas com suas saídas. Então, depois do processo de treinamento, testamos o algoritmo com dados novos de entrada para verificar o que ele aprendeu.

Por exemplo, passamos um conjunto de dados que descrevem as características de um cachorro em uma foto e também mostramos ao computador se aquelas características são de um cachorro ou não em cada linha da tabela dos dados. Então, o computador deverá entender como aquelas variáveis se relacionam para gerar aquelas saídas a partir de cálculos persistentes e repetitivos.

Posteriormente, enviamos uma imagem nova de um cachorro e pedimos ao computador para dizer se é ou não, com base no que ele já tinha aprendido.

Aprendizado Não Supervisionado

O outro tipo é o aprendizado não supervisionado. Dessa vez, a pessoa programadora não supervisiona o algoritmo, mas somente envia os dados para que ele tente entender seus padrões e correlações sozinho. Nesse sentido, o algoritmo vai tentar processar os dados em busca de insights que serão informados como saída.

Um exemplo é uma base de dados com os clientes de uma empresa. Ao enviar para o algoritmo de ML para agrupamento, o sistema consegue identificar grupos distintos de clientes com características similares. Assim, é possível realizar ações de marketing específicas para cada grupo.

Na categoria dos modelos supervisionados, temos problemas de classificação (predição se algo se encaixa em uma categoria ou em outra, como no caso do cachorro) e regressão (prediz um determinado valor). Na categoria dos não supervisionados, temos agrupamento, detecção de desvios, associação e outros. 

A análise de intenção (que concentra a maioria das aplicações) busca identificar a intenção e o significado por trás de um determinado texto ou fala. 

Já a categorização intenciona apenas separar o conteúdo em classes principais. 

Para isso, as soluções de processamento fazem análises morfológicas, lexicais, fonológicas, sintáticas, semânticas e discursivas.

Lidam com a forma como as palavras são compostas (morfológica), com interpretação de cada palavra em específico (léxica), com a pronúncia e o som das palavras (fonológica), com a estrutura das palavras em uma frase e seu relacionamento com outras (sintática), com o significado geral de uma sentença (semântico) e com o significado geral de várias sentenças (discursiva).

Dentro dessas etapas, aplicam-se algumas estratégias de processamento. Podemos mencionar: 

• Stemização e lematização

  •  que reduzem as palavras ao seu aspecto mais importante, o seu radical ou forma-raiz (remove sufixo e transforma a palavra na forma masculina singular ou infinitiva correspondente, por exemplo); 

• Remoção de stopwords

  • que remove as palavras que não importam muito para o objetivo da análise (como “a”, “de”);

• Normalização

  • que adapta as palavras a um padrão para análise;

• Tokenização

  •  que é a transformação das palavras em pequenas variáveis.

No contexto do machine learning, o processamento de linguagem natural se torna poderoso, pois permite que a máquina seja treinada com milhares/milhões de dados e consiga entender os padrões dela. Por exemplo, em uma análise de sentimento de textos de redes sociais, conseguimos realizar um treinamento prévio para que o modelo aprenda como as características levam a determinadas saídas.

Já o reconhecimento de voz, por exemplo, pode usar o conceito de deep learning, com as redes neurais profundas.

5 EXEMPLOS DE NLP PARA ENTENDER ESSA TECNOLOGIA

Nesta seção, vamos conhecer um pouco do universo prático do natural language processing. Vamos entender quais são essas aplicações tão empolgantes hoje em dia.

1. Assistentes virtuais e chatbots

Podemos começar com o exemplo que demos no início deste texto. As assistentes virtuais são construídas com os princípios da NLP para que consigam entender as requisições das pessoas e sejam capazes, até, de desenvolver uma conversa. 

Elas analisam os textos enviados, quebram em tokens, transformam palavras em números e realizam todo o processamento que citamos para captar e entender a intenção.

2. Resultados de busca do Google

Outro grande uso, que inclusive impulsionou a tecnologia nos últimos anos, foi no mercado de buscadores da internet. A gigante Google adota algoritmos de NLP para entender a intenção de busca das pessoas usuárias e conseguir direcionar as páginas que melhor atendem ao objetivo pesquisado. 

É mais um caso de análise de intenção que se vale muito de técnicas como stemização e lematização.

3. Tradutores

Hoje, temos também aplicações que traduzem textos de uma língua para outra. O próprio Google Tradutor é um exemplo de um algoritmo de machine learning com processamento de linguagem natural por trás. Esse sistema analisa uma frase e o seu significado geral para então transpor para outro código, que é outro idioma.

4. Análise de sentimentos

A área de análise de sentimentos é muito usada para diversas aplicações. Uma empresa pode adotá-la para entender se as menções à empresa na rede são positivas ou não e, então, mobilizar o departamento de relações públicas para melhorar os resultados. 

Da mesma forma, pessoas que se candidatam na política ou governantes podem utilizar NLP para identificar se a comunidade aprova ou não seus projetos e ideias.

5. Filtros de spam

Outro uso comum que nos afeta no dia a dia: o filtro de spam. Parece trivial, mas na verdade ele utiliza o natural language processing para identificar características de spam nos corpos e títulos de mensagens mandadas por e-mail. Além disso, o sistema gerenciador também utiliza esses sistemas inteligentes para dividir e-mails em categorias, como acontece no Gmail, por exemplo.

O processamento de linguagem natural é uma tecnologia extremamente rica e cheia de possibilidades incríveis para quem deseja aprender sobre ela. Trata-se de uma grande opção para quem se interesse por Data Science e por machine learning, visto que continuará muito importante na medida em que chatbots e assistentes, principalmente, permanecerem como parte do nosso dia a dia.

<Fonte://blog.somostera.com/data-science/processamento-linguagem-natural-nlp>