# Machine Learning e Deep Learning: Conceitos, Diferenças e Aplicações

A principal diferença é que o **Machine Learning (ML)** é um subconjunto da Inteligência Artificial que aprende padrões a partir de dados, enquanto o **Deep Learning (DL)** é um subconjunto do Machine Learning que utiliza redes neurais profundas para aprender padrões muito mais complexos.

<table id="bkmrk-machine-learningdeep"><colgroup><col></col><col></col></colgroup><tbody><tr><th>Machine Learning

</th><th>Deep Learning

</th></tr><tr><td>Utiliza diversos algoritmos (árvores de decisão, regressão, SVM, Random Forest etc.).

</td><td>Utiliza redes neurais artificiais com muitas camadas (deep neural networks).

</td></tr><tr><td>Geralmente exige que um especialista selecione as características (features) dos dados.

</td><td>Aprende automaticamente as características mais importantes dos dados.

</td></tr><tr><td>Funciona bem com volumes médios de dados.

</td><td>Costuma exigir grandes volumes de dados.

</td></tr><tr><td>Treinamento mais rápido.

</td><td>Treinamento mais demorado e exige maior poder computacional (GPUs).

</td></tr><tr><td>Mais fácil de interpretar.

</td><td>Normalmente funciona como uma "caixa-preta", sendo mais difícil entender como chegou ao resultado.

</td></tr></tbody></table>

### Exemplo 1 – Identificação de spam

**Machine Learning**

Imagine que você queira identificar e-mails de spam.

Você informa ao algoritmo características como:

- quantidade de links;
- palavras como "promoção", "grátis";
- remetente desconhecido;
- excesso de letras maiúsculas.

Com essas informações, o algoritmo aprende quando um e-mail provavelmente é spam.

---

**Deep Learning**

No Deep Learning, você simplesmente fornece milhares ou milhões de e-mails classificados como "spam" e "não spam".

A própria rede neural aprende que:

- certas palavras são suspeitas;
- determinadas combinações de frases indicam spam;
- o padrão do remetente influencia;
- a estrutura da mensagem é relevante.

Ela descobre tudo isso sozinha, sem que alguém precise definir manualmente as características.

---

## Exemplo 2 – Reconhecimento de gatos

### Machine Learning

Você informa ao computador características como:

- possui orelhas pontudas;
- possui bigodes;
- quatro patas;
- cauda longa.

O algoritmo usa essas características para decidir se é um gato.

---

### Deep Learning

Você mostra milhões de fotos.

A rede neural aprende automaticamente:

- formato das orelhas;
- textura dos pelos;
- posição dos olhos;
- formato do focinho;
- sombras;
- ângulo da cabeça.

Ela identifica gatos mesmo em posições diferentes ou parcialmente escondidos.

---

## Exemplo 3 – Diagnóstico médico

### Machine Learning

O médico fornece informações como:

- idade;
- colesterol;
- pressão arterial;
- glicemia;
- IMC.

O algoritmo estima o risco de doença cardíaca.

---

### Deep Learning

Você fornece diretamente milhares de exames de imagem (radiografias, tomografias ou ressonâncias).

A rede neural aprende sozinha a reconhecer tumores, pneumonia ou fraturas, sem que um especialista indique exatamente o que procurar.

---

## Exemplo 4 – Carros autônomos

### Machine Learning

O sistema utiliza informações já processadas:

- velocidade;
- distância do veículo da frente;
- posição nas faixas.

Com base nisso, decide acelerar ou frear.

---

### Deep Learning

Recebe diretamente as imagens das câmeras do veículo.

Aprende a identificar:

- pedestres;
- bicicletas;
- placas de trânsito;
- semáforos;
- animais;
- obstáculos.

Tudo praticamente em tempo real.

---

## Analogia simples

Imagine que você quer ensinar uma criança a reconhecer uma árvore.

### Machine Learning

Você diz:

> "Árvore tem tronco, galhos e folhas."

A criança usa essas características para reconhecer outras árvores.

### Deep Learning

Você apenas mostra milhares de fotos de árvores.

Depois de um tempo, ela aprende sozinha quais características fazem algo ser uma árvore.

---

## Resumindo para concursos

> **Machine Learning:** aprende com dados utilizando algoritmos tradicionais e normalmente depende da definição manual das características (features).

> **Deep Learning:** é um tipo de Machine Learning baseado em redes neurais profundas que aprende automaticamente as características dos dados, sendo especialmente eficiente para imagens, voz, texto e vídeos.