Entenda os problemas de aprendizado de máquina
Formule um problema como classificação, regressão ou agrupamento, e nomeie os exemplos, as features e o alvo.
- 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 que leva as features a uma previsão próxima do alvo verdadeiro .
Experimente
Até 15 XPQue tipo de problema é este?
Classifique cada tarefa.
“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”
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)[[3, 82], [2, 55]] [275000, 190000]
Principais conclusões
O aprendizado supervisionado aprende 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.
Separe as features do alvo
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
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.
Supere a linha de base
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
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…