Glossário de IA

Active Learning e uma abordagem onde o modelo seleciona ativamente quais dados devem ser rotulados por um humano, priorizando os exemplos mais informativos. Reduz drasticamente o custo de rotulacao.

Acuracia e a metrica mais simples de avaliacao de classificadores, representando a proporcao total de previsoes corretas. Pode ser enganosa em datasets desbalanceados.

Aprendizado Nao-Supervisionado e um paradigma de ML onde o modelo descobre padroes e estruturas ocultas em dados sem rotulos. E utilizado para agrupamento (clustering), reducao de dimensionalidade e deteccao de anomalias.

Aprendizado por Reforco e um paradigma de ML onde um agente aprende a tomar decisoes interagindo com um ambiente, recebendo recompensas ou penalidades. E utilizado em jogos, robotica e otimizacao de processos.

Aprendizado Supervisionado e um paradigma de Machine Learning em que o modelo e treinado com dados rotulados, ou seja, com exemplos que ja possuem a resposta correta. E utilizado em tarefas de classificacao e regressao.

Arvore de Decisao e um algoritmo de ML que toma decisoes dividindo dados em ramificacoes baseadas em condicoes. E interpretavel, intuitiva e usada tanto para classificacao quanto regressao.

AUC (Area Under the Curve) e a area sob a curva ROC, resumindo o desempenho global de um classificador em um unico valor entre 0 e 1. Quanto mais proximo de 1, melhor a capacidade discriminativa do modelo.

Backpropagation e o algoritmo usado para treinar redes neurais, propagando o erro da saida para as camadas anteriores e ajustando os pesos via gradiente descendente. E essencial para o funcionamento do Deep Learning.

Bagging (Bootstrap Aggregating) e uma tecnica de ensemble que treina multiplos modelos em subconjuntos aleatorios dos dados e combina suas previsoes. Reduz a variancia e melhora a estabilidade do modelo.

Batch Normalization e uma tecnica que normaliza as ativacoes de cada camada em uma rede neural durante o treinamento. Acelera a convergencia, estabiliza o aprendizado e permite learning rates mais altas.

Batch Size e o numero de amostras de treinamento processadas antes de uma atualizacao dos pesos do modelo. Afeta a velocidade de treinamento, uso de memoria e qualidade da convergencia.

Bias-Variance Tradeoff e o dilema fundamental de ML entre erro sistematico (bias) e sensibilidade a variacoes nos dados (variancia). O objetivo e encontrar o equilibrio que minimiza o erro total.

Boosting e uma tecnica de ensemble que treina modelos sequencialmente, onde cada modelo foca em corrigir os erros do anterior. Reduz o bias e produz modelos altamente precisos como XGBoost e AdaBoost.

Classificacao e uma tarefa de aprendizado supervisionado que consiste em atribuir uma categoria ou rotulo a um dado de entrada. Exemplos incluem deteccao de spam, diagnostico medico e reconhecimento de imagens.

Clustering e uma tecnica de aprendizado nao-supervisionado que agrupa dados similares em clusters sem rotulos pre-definidos. Algoritmos populares incluem K-Means, DBSCAN e agrupamento hierarquico.

Contrastive Learning e uma tecnica de aprendizado que ensina modelos a aproximar representacoes de exemplos similares e distanciar representacoes de exemplos diferentes. E base de modelos como CLIP e SimCLR.

Cross-Validation e uma tecnica de avaliacao de modelos que divide os dados em K partes, treinando e testando K vezes para obter uma estimativa robusta do desempenho. O mais comum e o K-Fold com K=5 ou K=10.

Curriculum Learning e uma estrategia de treinamento que apresenta dados ao modelo em ordem crescente de dificuldade, imitando o processo de aprendizado humano. Melhora convergencia e desempenho final.

Data Augmentation e a tecnica de aumentar artificialmente o volume de dados de treinamento aplicando transformacoes como rotacao, espelhamento, corte e alteracao de brilho em imagens, ou sinonimos e parafrase em texto.

Deep Learning e uma subarea do Machine Learning que utiliza redes neurais artificiais com multiplas camadas para aprender representacoes complexas de dados. E responsavel por avancos significativos em visao computacional, processamento de linguagem natural e geracao de conteudo.

Reducao de Dimensionalidade e o processo de reduzir o numero de features de um dataset mantendo a maior parte da informacao. Tecnicas como PCA e t-SNE facilitam visualizacao e melhoram eficiencia.

Dropout e uma tecnica de regularizacao para redes neurais que desativa aleatoriamente uma fracao dos neuronios durante o treinamento. Previne overfitting ao forcar a rede a nao depender de neuronios especificos.

Ensemble Learning e a tecnica de combinar multiplos modelos para obter previsoes mais robustas e precisas do que qualquer modelo individual. As estrategias principais sao Bagging, Boosting e Stacking.

Epoch e uma passagem completa de todo o conjunto de dados de treinamento pelo modelo. O numero de epochs e um hiperparametro que controla quantas vezes o modelo aprende com os mesmos dados.

F1-Score e a media harmonica entre Precisao e Recall, fornecendo uma metrica unica e balanceada para avaliar classificadores. E especialmente util quando as classes sao desbalanceadas.

Feature Engineering e o processo de criar, transformar e selecionar variaveis (features) a partir de dados brutos para melhorar o desempenho de modelos de ML. E uma das etapas mais impactantes no pipeline de dados.

Feature Selection e o processo de selecionar as variaveis mais relevantes para um modelo de ML, removendo features redundantes ou irrelevantes. Melhora desempenho, reduz overfitting e acelera o treinamento.

Few-Shot Learning e a capacidade de um modelo aprender novas tarefas com apenas alguns exemplos de treinamento. E fundamental para cenarios onde dados rotulados sao escassos ou caros de obter.

Funcao de Ativacao e uma funcao matematica aplicada a saida de cada neuronio em uma rede neural, introduzindo nao-linearidade. As mais comuns sao ReLU, Sigmoid e Tanh.

Gradient Boosting e uma tecnica de ensemble que constroi modelos sequencialmente, onde cada novo modelo corrige os erros do anterior. Produz previsoes altamente precisas e e a base de algoritmos como XGBoost e LightGBM.