Carregando
0x110Lição 18 de 18

Por onde continuar

Revise o vocabulário essencial, crie um classificador completo e escolha sua próxima trilha.

15 min Questionário com 6 perguntas 1 exercício de código
Ao final desta lição, você saberá
  • Usar com confiança o vocabulário essencial de IA
  • Combinar treinamento, previsão e avaliação em um programa
  • Escolher o próximo passo de acordo com seus objetivos

Você saiu da pergunta “o que é IA?” e passou por vetores, modelos, redes neurais, busca e jogos, recompensas e IA generativa, visão, linguagem e ética. Veja o vocabulário que aprendeu — deixe-o por perto.

TermoSignificado
CaracterísticaUma entrada mensurável que o modelo usa para fazer uma previsão.
RótuloA resposta correta associada a um exemplo de treinamento.
VetorUma lista ordenada de números que representa algo.
Produto escalarMultiplique os elementos correspondentes de dois vetores e some os resultados.
RegressãoPrevisão de um número.
ClassificaçãoPrevisão de uma categoria.
k vizinhos mais próximosPrevisão feita pela votação dos k exemplos de treinamento mais próximos.
Função de perdaUm número que mede o erro das previsões.
SobreajusteMemorizar os dados de treinamento em vez de aprender um padrão geral.
Descida do gradienteAjustar os parâmetros repetidamente na direção de uma perda menor.
Taxa de aprendizadoO tamanho de cada passo da descida do gradiente.
ÉpocaUma passagem completa pelos dados de treinamento.
Rede neuralCamadas de neurônios artificiais conectados.
Função de ativaçãoFunção não linear aplicada à soma ponderada de um neurônio.
Viés (parâmetro)Constante aprendida que é somada à soma ponderada.
RetropropagaçãoCálculo dos gradientes de todos os pesos, voltando da saída.
Aprendizado profundoAprendizado de máquina com redes neurais de muitas camadas.
ConvoluçãoDeslizar um pequeno filtro sobre uma grade e calcular uma soma ponderada em cada posição.
TokenUnidade de texto (muitas vezes uma subpalavra) processada por um modelo de linguagem.
EmbeddingVetor aprendido que posiciona itens parecidos próximos uns dos outros.
AlucinaçãoAfirmação fluente e confiante, mas falsa, produzida por um modelo generativo.
Aprendizado por reforçoAprendizado por tentativa e erro a partir de recompensas.
Busca A*Encontra o caminho de menor custo explorando o custo percorrido mais uma estimativa do custo restante.
MinimaxEscolhe a jogada cujo resultado pode ser garantido contra um oponente perfeito.
Regra de BayesAtualiza uma crença inicial com novas evidências.
Valor QEstimativa da recompensa futura de um agente ao executar uma ação em um estado.
Modelo de difusãoGerador que cria imagens aprendendo a remover ruído passo a passo.
Precisão / revocaçãoEntre os alertas emitidos, quantos estavam corretos / entre os casos reais, quantos foram encontrados.

Experimente

Até 15 XP

Desafio rápido de vocabulário

A qual etapa da construção de um modelo pertence cada termo?

0 de 8 classificadosPontuação 0/0
  • “Características e rótulos”

  • “Função de ativação”

  • “Taxa de aprendizado”

  • “Conjunto de teste separado”

  • “Embeddings”

  • “Épocas e lotes”

  • “Taxas de erro por grupo”

  • “Separação entre treino e teste”

Tudo junto

Este é um fluxo completo e pequeno de aprendizado de máquina: separar os dados, treinar (calcular o ponto médio de cada classe, chamado centróide), prever (usar o centróide mais próximo) e avaliar com dados separados. É parecido com k-NN e k-means. No exercício, você vai escrevê-lo.

pipeline.py
1import math
2
3data = [((1.0, 1.2), "pequeno"), ((1.4, 0.9), "pequeno"), ((0.8, 1.1), "pequeno"), ((1.2, 1.5), "pequeno"),
4        ((4.1, 3.8), "grande"), ((3.7, 4.2), "grande"), ((4.4, 4.0), "grande"), ((3.2, 2.6), "grande")]
5train, test = data[:3] + data[4:7], [data[3], data[7]]
6
7centroids = {}
8for label in ("pequeno", "grande"):
9    points = [point for point, point_label in train if point_label == label]
10    centroids[label] = tuple(sum(values) / len(values) for values in zip(*points))
11
12def predict(point):
13    return min(centroids, key=lambda label: math.dist(point, centroids[label]))
14
15correct = sum(predict(point) == label for point, label in test)
16print(f"acurácia de teste: {correct}/{len(test)}")
Saída
acurácia de teste: 2/2

Continue aprendendo

Escolha uma trilha de acordo com o que mais despertou seu interesse:

E alguns excelentes recursos gratuitos fora deste site:

Principais conclusões

  • Todo projeto de aprendizado de máquina segue um fluxo parecido: dados → modelo → treinamento → avaliação.

  • As ideias centrais — vetores, produtos escalares, perda e descida do gradiente — aparecem em várias áreas da IA.

  • Continue com uma trilha mais aprofundada e crie algo pequeno para fixar o aprendizado.

Quiz da aula

6 perguntas · aprovação com 5 acertos · até 50 XP

Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.

Pratique: escreva código em Python

Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.

Exercício 1

Crie um classificador completo

+25 XP

Cada linha da entrada tem o formato x y rótulo. As últimas 25% das linhas (arredonde para baixo a quantidade de linhas de treino com int(count * 0.75)) formam o conjunto de teste; as demais são para treinamento.

  1. Treine: para cada rótulo, calcule o centróide (média de x e média de y) dos pontos de treinamento. Imprima-os em ordem alfabética como RÓTULO: (X, Y), com 2 casas decimais.
  2. Preveja o rótulo de cada ponto de teste usando o centróide mais próximo e imprima x y -> PREVISTO (real REAL) (formate x e y com :g).
  3. Imprima acurácia: P% (percentual inteiro).

Quando funcionar, observe o erro no teste das frutas: o peso em gramas (100–170) domina a pontuação da cor (2–8) na distância. É o problema de escala visto na lição de k-NN.

  • Frutas
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Dúvidas sobre esta lição

Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.

Carregando publicações…