Glossário de IA

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

Hiperparametros sao configurações definidas antes do treinamento de um modelo de ML é que não sao aprendidas dos dados. Incluem taxa de aprendizado, número de camadas, batch size é força de regularização.

KNN (K-Nearest Neighbors) é um algoritmo de ML que classifica novos dados com base nos K vizinhos mais proximos. E simples, intuitivo é não-parametrico, útilizado em classificação é regressao.

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

Loss Function (Funcao de Perda) é a função matématica que mede o erro entre as previsões do modelo é os valores reais. Guia o processo de treinamento indicando o quanto o modelo precisa melhorar.

Machine Learning (Aprendizado de Maquina) é uma subárea da inteligência artificial que permite a sistemas computacionais aprenderem padrões a partir de dados, sem serem explicitamente programados. Utiliza algoritmos estatísticos para melhorar automáticamente o desempenho em tarefas específicas.

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

Naive Bayes é um classificador probabilistico baseado no Teorema de Bayes, que assume independência entre as features. E rápido, simples é eficaz para classificação de texto, filtragem de spam é análise de sentimento.

NLP (Natural Language Processing) é a área da IA que permite a maquinas compreender, interpretar é gerar linguagem humana. Engloba tarefas como análise de sentimento, traducao automática, chatbots é extracao de informações de textos.

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

One-Shot Learning é a capacidade de um modelo aprender a reconhecer novos padrões a partir de um único exemplo. E essêncial em reconhecimento facial, verificação de assinaturas é autenticacao biométrica.

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

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

PCA (Analise de Componentes Principais) é a técnica mais popular de redução de dimensionalidade. Transforma features correlacionadas em componentes ortogonais que capturam a máxima variancia dos dados.

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

Precisao (Precision) é a métrica que mede a proporcao de previsões positivas que estao corretas. E crucial quando o custo de falsos positivos é alto, como em deteccao de spam ou diagnósticos medicos.

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

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

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

Regressao é uma tarefa de aprendizado supervisionado que preve valores numéricos continuos a partir de dados de entrada. E usada para prever preços, temperaturas, vendas é outras métricas quantitativas.

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

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

Self-Supervised Learning é 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 é GPT.

Stacking é uma técnica de ensemble que usa as previsões de multiplos modelos base como features de entrada para um meta-modelo que aprende a combinar as previsões da melhor forma possível.

SVM (Support Vector Machine) é um algoritmo de ML que encontra o hiperplano otimo para separar classes de dados. E eficaz em espaços de alta dimensionalidade é suporta classificação linear é não-linear.

Transfer Learning é a técnica de reaproveitar um modelo pre-treinado em uma tarefa para resolver outra tarefa relacionada. Economiza tempo é dados, sendo essêncial quando o dataset disponível é pequeno.

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

Visao Computacional é a área da IA que permite a maquinas interpretar é compreender imagens é vídeos. Utiliza algoritmos de Deep Learning para tarefas como deteccao de objetos, reconhecimento facial é segmentação de imagens.

XGBoost (Extreme Gradient Boosting) é uma implementação otimizada de Gradient Boosting, conhecida por alta performance, velocidade é eficiência. E um dos algoritmos mais premiados em competicoes de ciência de dados.

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