Carregando
0x00Lição 1 de 11

Entenda os problemas de aprendizado de máquina

Formule um problema como classificação, regressão ou agrupamento, e nomeie os exemplos, as features e o alvo.

18 min Questionário com 6 perguntas 2 exercícios de código
Ao final desta lição, você saberá
  • Diferenciar aprendizado supervisionado de não supervisionado
  • Distinguir classificação de regressão
  • Decidir quando o aprendizado de máquina é mesmo a ferramenta certa

Programas comuns seguem regras escritas por uma pessoa. Programas de aprendizado de máquina (ML, de machine learning) aprendem as suas regras a partir de exemplos. Mostre a um modelo milhares de casas com os seus preços, e ele aprende uma função que vai das características da casa até o preço; depois, ele consegue avaliar uma casa que nunca viu.

  • Aprendizado supervisionado - todo exemplo de treino tem uma resposta conhecida, o alvo (ou rótulo). Prever uma categoria é classificação (spam ou não, qual doença); prever um número é regressão (preço, tempo de entrega).
  • Aprendizado não supervisionado - sem alvos. O modelo encontra estrutura: o agrupamento (clustering) reúne exemplos parecidos; a redução de dimensionalidade comprime muitas features em poucas.

Cada exemplo é descrito por features (atributos) - as entradas, como número de cômodos e área. Formalmente, um modelo supervisionado aprende uma função y^=f(x)\hat{y} = f(x) que leva as features xx a uma previsão y^\hat{y} próxima do alvo verdadeiro yy.

Experimente

Até 15 XP

Que tipo de problema é este?

Classifique cada tarefa.

0 de 6 classificadosPontuação 0/0
  • “Marcar transações de cartão como fraudulentas ou legítimas”

  • “Estimar quantos minutos uma entrega vai levar”

  • “Agrupar clientes por comportamento de compra, sem segmentos predefinidos”

  • “Calcular o imposto sobre vendas a partir de uma tabela fixa”

  • “Prever a demanda de energia elétrica do mês que vem, em megawatts”

  • “Reconhecer qual dos 10 dígitos aparece numa imagem manuscrita”

examples.py
1houses = [
2    {"rooms": 3, "area_m2": 82, "price": 275000},
3    {"rooms": 2, "area_m2": 55, "price": 190000},
4]
5features = [[house["rooms"], house["area_m2"]] for house in houses]
6targets = [house["price"] for house in houses]
7print(features, targets)
Saída
[[3, 82], [2, 55]] [275000, 190000]

Principais conclusões

  • O aprendizado supervisionado aprende y^=f(x)\hat{y} = f(x) a partir de exemplos com alvos conhecidos.

  • A classificação prevê categorias; a regressão prevê números; o agrupamento encontra grupos sem rótulos.

  • Defina a tarefa real, o alvo e o que é um resultado útil antes de escolher um algoritmo.

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

Separe as features do alvo

+25 XP

Leia um CSV em que a última coluna é o alvo. Imprima features: NAMES (separados por vírgula), target: NAME, examples: N e task: classification se nenhum valor do alvo for numérico; caso contrário, task: regression.

  • Preços de casas
  • Spam
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.

Exercício 2

Supere a linha de base

+25 XP

A linha 1 lista os rótulos de treino; a linha 2, os rótulos de teste (separados por espaços). Uma linha de base (baseline) que sempre prevê o rótulo de treino mais comum (em caso de empate, o primeiro em ordem alfabética) é a primeira coisa que qualquer modelo precisa superar. Imprima baseline: LABEL e baseline accuracy: P% nos rótulos de teste (porcentagem inteira).

  • Classes desbalanceadas
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…