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.

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 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.

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 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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.