Aplicações no cotidiano são inumera com a atual situação de disponibilidade de hardware, armazenamento e capacidade de processamento com por exemplo dos processadores modernos e GPUS, TPUS, NPUs etc.. Além disso, as empresas e seus departamentos, os dispositivos do usuário como celular, e relógios com sensores, drones etc captam uma grande e crescente quantidade de dados, estes dados podem ser "minerados" para obter insights, enteder comportamentos, prever comportamentos, vendas, estoques, auxiliar disgnóstico de defeitos, exames médicos, segurança, pilotos automática de carros, aviões, etc...
exemplos: Machine learning com aprendizado supervisionado - pode ser usado para dado dados rotulados aprender padrões destes dados e diagnosticar doenças com base em imagens e ou dados de pacientes. Machine learning supervisionado para classificar determinados tipos de doençã de plantas , detectar animais em fotos entre outras coisas: regressão linear, regressão logistica,
Machine learning não supervisionado - dados uma massa de dados os algoritmos pode identificar e classificar grupos de dados sem supervisão humana, por exemplo com aproximação de valores de compras classificar cliente em categorias automaticamente, ou classificar sentimentos em resenhas de produtos, ou indicar produtos para comprar baseados em padrões nos dados. k-means, arvores de decisão, knn, sarimam, Random Forest, MLP
Redes Neurais e Aprendizado produndo: as máquinas pode aprender com dados rotulados por exemplo, doenças de plantas com base em imagens, detectar invasão de propriedade, contar objetos, contar pessoas que entram e saem de uma loja, analisar dadosd e saúde de um relógio digital com sensores. Alguns algoritmos: RNN, CNN, LSTM, GRU, Transformers
Reconhecimento de textos e fala (processamento de linguagem natural), Geração de texto, imagens e vídeos, detecção e classificaão de objetos com Deep Learning, transformers e outros.
Importante informar que todos depende de grande quantidade de de dados, seja como exemplos ou como forma de detectar padrões, os dados precisam depende do algoritmo ser tratados pois dependem da compreensão de números e na realidade teremos dados categóricos , intervalos etc... além disso temos dados que podem estar com determinado tipo de enviesamento, por exemplo, dados de compra em um só bairro com certas caracteristicas podem torar previsões incorretas, dado que não generaliza para outras areas, ou termos um base de dados desbalanceada com mais dados de um tipo que de outro levando erros por enviesamento ou baixa acurácia e pouca generalização.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!