Machine learning: o que é, como funciona e quais são os tipos de aprendizado

O filtro de spam do seu e-mail não foi programado com uma lista de todas as mensagens indesejadas do mundo. Ele aprendeu, a partir de milhões de exemplos, quais características costumam indicar spam. Esse é o princípio do machine learning, ou aprendizado de máquina.

Este guia explica o que é machine learning, como um modelo aprende, quais são os tipos de aprendizado e onde estão os erros mais comuns. Ele faz parte do nosso mapa de inteligência artificial e serve de base para entender temas como redes neurais e IA generativa.

O que é machine learning

Machine learning é o ramo da inteligência artificial em que sistemas melhoram o desempenho em uma tarefa a partir de dados, sem que cada regra seja escrita à mão por uma pessoa.

Uma definição clássica, do pesquisador Tom Mitchell, diz que um programa aprende com a experiência quando seu desempenho em uma tarefa, medido por uma métrica, melhora conforme ele acumula mais experiência. Em português simples: mais exemplos bem usados, melhor resultado.

Programação tradicional x machine learning

A diferença de abordagem é a base de tudo.

• Programação tradicional: a pessoa escreve as regras e o programa aplica as regras aos dados para produzir respostas.
• Machine learning: a pessoa fornece dados e as respostas esperadas, e o algoritmo descobre as regras, que ficam guardadas no modelo.

Para validar um CPF, a regra é conhecida e fechada: programação tradicional resolve. Para decidir se uma foto mostra um gato, as regras são complexas demais para escrever: machine learning é mais adequado.

Como um modelo aprende

Mesmo sem entrar em matemática, o processo tem uma lógica clara.

1. Dados

Tudo começa com dados: tabelas, textos, imagens, sons ou registros de sensores. Cada exemplo é descrito por características (features), como a área de um imóvel, o número de quartos e o bairro.

2. Modelo

O modelo é uma função com parâmetros ajustáveis. No começo, os parâmetros são aleatórios ou neutros, e as previsões são ruins.

3. Erro

O sistema compara a previsão do modelo com a resposta real e calcula o erro, usando uma função de perda. Quanto maior o erro, pior a previsão.

4. Ajuste

Um algoritmo de otimização, como o gradiente descendente, altera os parâmetros para reduzir o erro. Esse ciclo de prever, medir o erro e ajustar se repete muitas vezes.

5. Avaliação

Depois do treino, o modelo é avaliado em dados que ele nunca viu. Isso mostra se ele aprendeu um padrão geral ou apenas decorou os exemplos.

Por isso os dados costumam ser divididos em três partes: treino (para ajustar), validação (para escolher configurações) e teste (para a avaliação final, usada uma única vez).

Treino x inferência

O ciclo de vida de um modelo tem duas fases:

• Treino: fase cara e demorada, em que o modelo aprende com os dados.
• Inferência: fase de uso, em que o modelo já treinado recebe uma entrada nova e produz uma saída.

Quando você usa um tradutor automático, você está fazendo inferência. O treino aconteceu antes, em outro lugar.

Os principais tipos de aprendizado

Aprendizado supervisionado

O modelo aprende com exemplos rotulados, isto é, dados que já vêm com a resposta correta. Há dois grandes tipos de tarefa:

• Classificação: prever uma categoria. Exemplos: spam ou não spam, fraude ou transação normal.
• Regressão: prever um valor numérico. Exemplos: preço de um imóvel, demanda de um produto.

É o tipo mais comum em aplicações de negócio. Sua limitação é depender de dados rotulados, que costumam ser caros de produzir.

Aprendizado não supervisionado

O modelo recebe dados sem rótulos e procura estruturas por conta própria. Usos típicos:

• Agrupamento (clustering): separar clientes em grupos com comportamentos parecidos.
• Redução de dimensionalidade: resumir muitos atributos em poucos, facilitando a visualização.
• Detecção de anomalias: encontrar exemplos que fogem do padrão.

Aprendizado por reforço

Um agente interage com um ambiente, toma ações e recebe recompensas ou penalidades. Ele aprende uma estratégia que maximize a recompensa ao longo do tempo. É usado em jogos, robótica e controle de sistemas.

Aprendizado autossupervisionado

O próprio dado fornece o rótulo. Um exemplo é esconder uma palavra de uma frase e pedir ao modelo que a preveja. É a estratégia por trás do treino de grandes modelos de linguagem, tema de como funcionam os LLMs.

Algoritmos comuns

Machine learning não é sinônimo de redes neurais. Há muitas famílias de algoritmos, e as mais simples costumam bastar:

• Regressão linear e logística: simples, rápidas e fáceis de interpretar.
• Árvores de decisão e florestas aleatórias: dividem os dados por regras do tipo "se... então".
• Gradient boosting: combina muitos modelos pequenos e é muito usado em dados tabulares.
• K-means: agrupa exemplos semelhantes.
• Redes neurais: modelos com camadas de neurônios artificiais, base do deep learning, indicadas para imagens, som e texto.

Em dados organizados em tabelas, métodos mais simples frequentemente competem bem com redes neurais e são mais fáceis de explicar.

Um exemplo em Python

Um exemplo mínimo com a biblioteca scikit-learn, que classifica flores em três espécies a partir de medidas:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

X, y = load_iris(return_X_y=True)
X_treino, X_teste, y_treino, y_teste = train_test_split(
    X, y, test_size=0.3, random_state=42
)

modelo = DecisionTreeClassifier(max_depth=3)
modelo.fit(X_treino, y_treino)

print("Acurácia:", modelo.score(X_teste, y_teste))

O que o código faz:

1. Carrega um conjunto de dados clássico, com medidas de flores e suas espécies.
2. Separa 70% para treino e 30% para teste.
3. Cria uma árvore de decisão com profundidade limitada.
4. Treina o modelo com fit.
5. Mede a acurácia nos dados de teste.

O valor exato da acurácia depende da divisão dos dados. O ponto importante é medir o desempenho em dados que o modelo não viu durante o treino.

Erros clássicos: overfitting e underfitting

• Overfitting (sobreajuste): o modelo decora os exemplos de treino, inclusive o ruído, e falha em dados novos. Sinal típico: ótimo desempenho no treino e ruim no teste.
• Underfitting (subajuste): o modelo é simples demais para capturar o padrão e vai mal até no treino.

Formas comuns de lidar com o overfitting são ter mais dados, simplificar o modelo, usar regularização e validar com dados separados.

Como medir se o modelo é bom

A métrica certa depende do problema. Considere um modelo que detecta fraudes, em que só 1% das transações são fraudes. Um modelo que sempre diz "não é fraude" teria 99% de acurácia e seria inútil.

Por isso usam-se outras métricas:

• Precisão: dos casos que o modelo apontou como fraude, quantos eram fraude.
• Recall (sensibilidade): de todas as fraudes reais, quantas o modelo encontrou.

Há um equilíbrio entre as duas, e a escolha depende do custo de cada tipo de erro.

Limites e cuidados

• Qualidade dos dados: dados ruins produzem modelos ruins.
• Vieses: se os dados refletem preconceitos, o modelo tende a reproduzi-los.
• Mudança ao longo do tempo: o mundo muda, e o desempenho do modelo pode cair. Isso é chamado de deriva de dados.
• Explicabilidade: em modelos complexos, é difícil explicar uma decisão específica.
• Privacidade: dados pessoais exigem cuidados legais, como os da LGPD.

Esses temas estão no centro do debate sobre normas para IA, resumido em riscos e regulação da IA.

Perguntas frequentes

Qual é a diferença entre IA e machine learning?

IA é o campo amplo de sistemas que realizam tarefas que exigem inteligência. Machine learning é uma abordagem dentro da IA, baseada em aprender com dados. Nem toda IA usa machine learning, mas hoje a maior parte usa.

Preciso de muita matemática para aprender machine learning?

Para usar bibliotecas prontas e entender os conceitos, o básico de estatística e programação ajuda bastante. Para pesquisa e para criar novos métodos, é preciso aprofundar em álgebra linear, cálculo e probabilidade.

Machine learning exige GPUs?

Modelos pequenos e dados tabulares funcionam bem em computadores comuns. GPUs são importantes para redes neurais grandes, principalmente em imagens e linguagem.

Deep learning é a mesma coisa que machine learning?

Deep learning é um tipo de machine learning, baseado em redes neurais com muitas camadas. Todo deep learning é machine learning, mas o contrário não é verdade.

Conclusão

Machine learning é a técnica que permite a um sistema aprender padrões a partir de dados em vez de seguir regras escritas manualmente. O ciclo básico é reunir dados, treinar um modelo, avaliar em dados novos e usá-lo para inferência.

Entender os tipos de aprendizado, a diferença entre treino e teste e os riscos de overfitting e de viés é o que separa um modelo útil de um modelo enganoso. Para dar o próximo passo, veja como isso evolui para a IA generativa. Este guia foi revisado em setembro de 2026.

Fontes

• Mitchell, T. Machine Learning (McGraw-Hill, 1997).
• Google Developers. Machine Learning Crash Course.
• scikit-learn. Guia do usuário.
• IBM. O que é machine learning.
• NIST. AI Risk Management Framework.