Glossário de IA

Active Learning é 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 é a métrica mais simples de avaliação de classificadores, representando a proporcao total de previsões corretas. Pode ser enganosa em datasets desbalanceados.

Aprendizado Nao-Supervisionado é um paradigma de ML onde o modelo descobre padrões é estruturas ocultas em dados sem rotulos. E útilizado para agrupamento (clustering), redução de dimensionalidade é deteccao de anomalias.

Aprendizado por Reforco é um paradigma de ML onde um agente aprende a tomar decisões interagindo com um ambiente, recebendo recompensas ou penalidades. E útilizado em jogos, robotica é otimização de processos.

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

Arvore de Decisao é um algoritmo de ML que toma decisões dividindo dados em ramificacoes baseadas em condições. E interpretavel, intuitiva é usada tanto para classificação quanto regressao.

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

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

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

Batch Normalization é uma técnica que normaliza as ativacoes de cada camada em uma rede neural durante o treinamento. Acelera a convergência, estabiliza o aprendizado é permite learning ratés mais altas.

Batch Size é o número de amostras de treinamento processadas antes de uma atualização dos pesos do modelo. Afeta a velocidade de treinamento, uso de memória é qualidade da convergência.

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

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

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

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

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

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

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

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

Deep Learning é uma subárea do Machine Learning que útiliza redes neurais artificiais com multiplas camadas para aprender representacoes complexas de dados. E responsável por avanços significativos em visao computacional, processamento de linguagem natural é geração de conteúdo.

Reducao de Dimensionalidade é o processo de reduzir o número de features de um dataset mantendo a maior parte da informação. Tecnicas como PCA é t-SNE facilitam visualização é melhoram eficiência.

Dropout é uma técnica de regularização para redes neurais que desativa aleatoriamente uma fracao dos neuronios durante o treinamento. Previne overfitting ao forçar a rede a não depender de neuronios específicos.

Ensemble Learning é a técnica de combinar multiplos modelos para obter previsões mais robustas é precisas do que qualquer modelo individual. As estratégias principais sao Bagging, Boosting é Stacking.

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

F1-Score é a media harmonica entre Precisao é Recall, fornecendo uma métrica única é balanceada para avaliar classificadores. E especialmente útil quando as classes sao desbalanceadas.

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

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

Funcao de Ativacao é uma função matématica aplicada a saida de cada neuronio em uma rede neural, introduzindo não-linearidade. As mais comuns sao ReLU, Sigmoid é Tanh.

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