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.

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 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.

AutoML (Automatéd Machine Learning) automatiza o processo de desenvolvimento de modelos de ML, incluindo seleção de features, escolha de algoritmo, otimização de hiperparametros é avaliação. Acelera o ciclo de desenvolvimento é democratiza acesso a ML.

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 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.

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.

Demand Forecasting com IA útiliza machine learning para prever demanda futura de produtos é serviços com alta precisão. Analisa dados históricos, sazonalidade, tendências, eventos externos é sinais de mercado para otimizar planejamento de estoque é produção.

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.

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.

Feature Store é um repositorio centralizado para armazenar, versionar é servir features (variaveis) útilizadas em modelos de machine learning. No contexto de MLOps, garante consistência entre ambientes de treinamento é produção, evitando o training-serving skew.

Feature Store é um repositorio centralizado para armazenar, versionar é servir features (variaveis) útilizadas em modelos de machine learning. Garante consistência entre treinamento é produção, evitando duplicacao de esforco na engenharia de features.

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.

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.

Kubernetes para ML é o uso da plataforma de orquestração de containers para gerênciar workloads de machine learning em escala. Automatiza deploy, escalabilidade, balanceamento de carga é recuperacao de falhas para serviços de inferência é pipelines de treinamento.

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.

Low-Code AI sao plataformas que permitem criar soluções de inteligência artificial com mínima programação. Democratizam o acesso a IA através de interfaces visuais de arrastar-e-soltar para treino de modelos, automação é integração.

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.

ML Pipeline é uma sequência automatizada de etapas que compoe o fluxo de trabalho de machine learning, desde a coleta de dados até o deploy do modelo. Inclui preprocessamento, feature engineering, treinamento, avaliação é implantacao de forma reprodutivel.