Glossário de IA

Gradiente Descendente e o algoritmo de otimizacao fundamental usado para treinar modelos de ML. Ajusta iterativamente os pesos do modelo na direcao oposta ao gradiente da funcao de perda para minimizar o erro.

Hiperparametros sao configuracoes definidas antes do treinamento de um modelo de ML e que nao sao aprendidas dos dados. Incluem taxa de aprendizado, numero de camadas, batch size e forca de regularizacao.

KNN (K-Nearest Neighbors) e um algoritmo de ML que classifica novos dados com base nos K vizinhos mais proximos. E simples, intuitivo e nao-parametrico, utilizado em classificacao e regressao.

Learning Rate e a taxa que controla a magnitude das atualizacoes dos pesos durante o treinamento. Valores muito altos causam instabilidade e valores muito baixos tornam o treinamento lento.

Loss Function (Funcao de Perda) e a funcao matematica que mede o erro entre as previsoes do modelo e os valores reais. Guia o processo de treinamento indicando o quanto o modelo precisa melhorar.

Machine Learning (Aprendizado de Maquina) e uma subarea da inteligencia artificial que permite a sistemas computacionais aprenderem padroes a partir de dados, sem serem explicitamente programados. Utiliza algoritmos estatisticos para melhorar automaticamente o desempenho em tarefas especificas.

Matriz de Confusao e uma tabela que mostra o desempenho de um classificador, comparando previsoes com valores reais. Exibe verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos.

Naive Bayes e um classificador probabilistico baseado no Teorema de Bayes, que assume independencia entre as features. E rapido, simples e eficaz para classificacao de texto, filtragem de spam e analise de sentimento.

NLP (Natural Language Processing) e a area da IA que permite a maquinas compreender, interpretar e gerar linguagem humana. Engloba tarefas como analise de sentimento, traducao automatica, chatbots e extracao de informacoes de textos.

Normalizacao e a tecnica de escalonar dados para um intervalo padrao (geralmente 0-1 ou media zero e desvio unitario). Melhora a convergencia do treinamento e garante que features em escalas diferentes tenham peso igual.

One-Shot Learning e a capacidade de um modelo aprender a reconhecer novos padroes a partir de um unico exemplo. E essencial em reconhecimento facial, verificacao de assinaturas e autenticacao biometrica.

Adam (Adaptive Moment Estimation) e um otimizador popular que combina as vantagens do Momentum e do RMSProp. Adapta a taxa de aprendizado para cada parametro individualmente, sendo eficiente e facil de configurar.

Overfitting ocorre quando um modelo de ML se ajusta demais aos dados de treinamento, memorizando ruidos e padroes irrelevantes, resultando em baixa capacidade de generalizacao para dados novos.

PCA (Analise de Componentes Principais) e a tecnica mais popular de reducao de dimensionalidade. Transforma features correlacionadas em componentes ortogonais que capturam a maxima variancia dos dados.

Perceptron e o modelo mais basico de neuronio artificial, capaz de realizar classificacao binaria linear. Proposto por Rosenblatt em 1958, e o bloco fundamental que originou as redes neurais modernas.

Precisao (Precision) e a metrica que mede a proporcao de previsoes positivas que estao corretas. E crucial quando o custo de falsos positivos e alto, como em deteccao de spam ou diagnosticos medicos.

Random Forest e um algoritmo ensemble que combina multiplas arvores de decisao para melhorar a precisao e reduzir overfitting. Cada arvore e treinada com uma amostra aleatoria dos dados e features.

Recall (Sensibilidade) e a metrica que mede a proporcao de positivos reais que foram corretamente identificados pelo modelo. E crucial quando o custo de falsos negativos e alto, como em deteccao de doencas.

Rede Neural Artificial e um modelo computacional inspirado no funcionamento do cerebro humano, composto por neuronios artificiais organizados em camadas. E a base do Deep Learning e permite resolver problemas complexos de classificacao, regressao e geracao.

Regressao e uma tarefa de aprendizado supervisionado que preve valores numericos continuos a partir de dados de entrada. E usada para prever precos, temperaturas, vendas e outras metricas quantitativas.

Regularizacao e um conjunto de tecnicas que penalizam a complexidade de modelos de ML para evitar overfitting. As formas mais comuns sao L1 (Lasso), L2 (Ridge) e Elastic Net.

A Curva ROC (Receiver Operating Characteristic) e um grafico que mostra o desempenho de um classificador binario em diferentes limiares de decisao, plotando a taxa de verdadeiros positivos contra falsos positivos.

Self-Supervised Learning e uma abordagem onde o modelo cria seus proprios rotulos a partir da estrutura dos dados, sem anotacao humana. E a base do pre-treinamento de modelos como BERT e GPT.

Stacking e uma tecnica de ensemble que usa as previsoes de multiplos modelos base como features de entrada para um meta-modelo que aprende a combinar as previsoes da melhor forma possivel.

SVM (Support Vector Machine) e um algoritmo de ML que encontra o hiperplano otimo para separar classes de dados. E eficaz em espacos de alta dimensionalidade e suporta classificacao linear e nao-linear.

Transfer Learning e a tecnica de reaproveitar um modelo pre-treinado em uma tarefa para resolver outra tarefa relacionada. Economiza tempo e dados, sendo essencial quando o dataset disponivel e pequeno.

Underfitting ocorre quando um modelo de ML e simples demais para capturar os padroes dos dados, resultando em desempenho ruim tanto no treinamento quanto na previsao de dados novos.

Visao Computacional e a area da IA que permite a maquinas interpretar e compreender imagens e videos. Utiliza algoritmos de Deep Learning para tarefas como deteccao de objetos, reconhecimento facial e segmentacao de imagens.

XGBoost (Extreme Gradient Boosting) e uma implementacao otimizada de Gradient Boosting, conhecida por alta performance, velocidade e eficiencia. E um dos algoritmos mais premiados em competicoes de ciencia de dados.

Zero-Shot Learning e a capacidade de um modelo realizar tarefas sem nenhum exemplo especifico de treinamento. O modelo generaliza seu conhecimento para categorias ou problemas nunca vistos antes.