São Paulo — InkDesign News — O uso de machine learning em diversas disciplinas está crescendo, à medida que pesquisadores incorporam novas abordagens que envolvem a integração de conhecimento de domínio específico na ciência de dados.
Arquitetura de modelo
Em um recente curso ministrado na Universidade de Washington, os alunos participaram de uma atividade que envolvia a identificação de rochas, utilizando técnicas de visualização de dados. Isso exemplificou a necessidade de modelos que considerem a familiaridade com o domínio dos dados. Os estudantes foram desafiados a trabalhar com um conjunto variado de amostras de rochas, visando um entendimento mais profundo de sua constituição.
“Estamos nos acostumando a trabalhar com domínios desconhecidos, ou algo assim?”
(“Um… então podemos ficar confortáveis trabalhando com domínios desconhecidos, ou algo assim?”)— Estudante, Universidade de Washington
Treinamento e otimização
Os grupos começaram escolhendo duas rochas, e seus esforços para identificar as amostras mostraram a importância de benchmarking. Inicialmente, a identificação se restringiu a categorias amplas como ígneas, sedimentares ou metamórficas. Entretanto, após pesquisas, os estudantes refinaram suas identificações, usando a internet para definir seus achados como scoria, slate e gneiss.
Resultados e métricas
O exercício não apenas promoveu a discussão sobre visualizações de dados, como também abordou como tabelas de dados podem ser efetivas dependendo da situação. Um grupo utilizou uma tabela para comparar informações relevantes sobre suas rochas, destacando que as tabelas são visualizações úteis quando a quantidade de dados é limitada e a precisão é essencial.
“Precisamente! O conhecimento prévio pode fazer toda a diferença.”
(“Precisamente! A falta de conhecimento prévio fez toda a diferença.”)— Instrutor, Universidade de Washington
Esses achados sugerem que práticas como estas podem capacitar futuros engenheiros de dados a integrar inteligência artificial em domínios variados. Por fim, é crucial que os cientistas de dados busquem novas experiências com dados, pois cada disciplina apresenta suas próprias particularidades.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
