Por onde continuar
Revise o vocabulário essencial, crie um classificador completo e escolha sua próxima trilha.
- 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.
| Termo | Significado |
|---|---|
| Característica | Uma entrada mensurável que o modelo usa para fazer uma previsão. |
| Rótulo | A resposta correta associada a um exemplo de treinamento. |
| Vetor | Uma lista ordenada de números que representa algo. |
| Produto escalar | Multiplique os elementos correspondentes de dois vetores e some os resultados. |
| Regressão | Previsão de um número. |
| Classificação | Previsão de uma categoria. |
| k vizinhos mais próximos | Previsão feita pela votação dos k exemplos de treinamento mais próximos. |
| Função de perda | Um número que mede o erro das previsões. |
| Sobreajuste | Memorizar os dados de treinamento em vez de aprender um padrão geral. |
| Descida do gradiente | Ajustar os parâmetros repetidamente na direção de uma perda menor. |
| Taxa de aprendizado | O tamanho de cada passo da descida do gradiente. |
| Época | Uma passagem completa pelos dados de treinamento. |
| Rede neural | Camadas de neurônios artificiais conectados. |
| Função de ativação | Função não linear aplicada à soma ponderada de um neurônio. |
| Viés (parâmetro) | Constante aprendida que é somada à soma ponderada. |
| Retropropagação | Cálculo dos gradientes de todos os pesos, voltando da saída. |
| Aprendizado profundo | Aprendizado de máquina com redes neurais de muitas camadas. |
| Convolução | Deslizar um pequeno filtro sobre uma grade e calcular uma soma ponderada em cada posição. |
| Token | Unidade de texto (muitas vezes uma subpalavra) processada por um modelo de linguagem. |
| Embedding | Vetor aprendido que posiciona itens parecidos próximos uns dos outros. |
| Alucinação | Afirmação fluente e confiante, mas falsa, produzida por um modelo generativo. |
| Aprendizado por reforço | Aprendizado 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. |
| Minimax | Escolhe a jogada cujo resultado pode ser garantido contra um oponente perfeito. |
| Regra de Bayes | Atualiza uma crença inicial com novas evidências. |
| Valor Q | Estimativa da recompensa futura de um agente ao executar uma ação em um estado. |
| Modelo de difusão | Gerador que cria imagens aprendendo a remover ruído passo a passo. |
| Precisão / revocação | Entre os alertas emitidos, quantos estavam corretos / entre os casos reais, quantos foram encontrados. |
Experimente
Até 15 XPDesafio rápido de vocabulário
A qual etapa da construção de um modelo pertence cada termo?
“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.
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)}")acurácia de teste: 2/2
Continue aprendendo
Escolha uma trilha de acordo com o que mais despertou seu interesse:
- Aprendizado de máquina — regressão logística, árvores de decisão, validação cruzada e um projeto final de classificação com NumPy.
- Ciência de dados — explore, limpe e visualize dados reais com pandas.
- Visão computacional — filtros, segmentação, detecção e CNNs em detalhes.
- Processamento de linguagem natural — de tokenizadores a vetores de palavras e transformers.
- Grandes modelos de linguagem, Engenharia de prompts e RAG — crie aplicações com os modelos por trás dos chatbots atuais.
E alguns excelentes recursos gratuitos fora deste site:
- Elements of AI — introdução amigável, sem código, da Universidade de Helsinque.
- Machine Learning Crash Course do Google — fundamentos mais aprofundados, com exercícios interativos.
- Introdução à IA com Python do CS50 de Harvard — curso universitário baseado em projetos.
- Série de redes neurais do 3Blue1Brown — explicações visuais sobre redes e retropropagação.
- fast.ai — curso prático de aprendizado profundo com foco em código.
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.
Crie um classificador completo
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.
- 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. - 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). - 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
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…