APRENDIZAGEM SUPERVISIONADA
Aprender comparando previsões com respostas corretas.
Cada amostra de treinamento contém entradas e um alvo. O modelo produz uma previsão, mede a diferença e ajusta seus parâmetros para melhorar.
Acompanhar o processo ↓01 · CICLO DE TREINAMENTO
Prever, medir o erro, ajustar e repetir.
Dados(x, y)
→Modelof(x)
→Previsãoŷ
→PerdaL(y, ŷ)
02 · DOIS TIPOS DE PROBLEMA
O formato do alvo determina a tarefa.
Classificação
O alvo representa uma categoria discreta. A saída pode ser uma classe ou probabilidades para várias classes.
imagem → gato / cachorro
mensagem → spam / não spam
mensagem → spam / não spam
Regressão
O alvo é um valor contínuo. O modelo estima uma quantidade numérica.
imóvel → preço estimado
histórico → demanda prevista
histórico → demanda prevista
03 · EXEMPLOS ROTULADOS
O alvo acompanha cada entrada durante o treinamento.
| Entradas x | Alvo y | Tarefa |
|---|---|---|
| Palavras de um e-mail | spam | Classificação |
| Pixels de uma radiografia | classe do exame | Classificação |
| Área, quartos e localização | preço do imóvel | Regressão |
| Histórico de consumo | demanda futura | Regressão |
04 · ALGORITMOS SUPERVISIONADOS
Diferentes caminhos para aprender com entradas e alvos.
Todos recebem exemplos rotulados, mas não aprendem da mesma maneira. A escolha depende do tipo de saída, da forma dos dados e do equilíbrio desejado entre precisão, velocidade e explicabilidade.
01REGRESSÃO
Regressão Linear
Como funciona: encontra a reta ou o hiperplano que melhor representa a relação entre as entradas e uma saída contínua.
ŷ = b + w₁x₁ + … + wₙxₙ
Usos comuns: previsão de vendas, estimativa de preços, consumo de combustível e análise de tendências.
Abrir regressão linear →02CLASSIFICAÇÃO
Regressão Logística
Como funciona: calcula uma probabilidade com a função Sigmoid. Um limiar, frequentemente 0,5, converte essa probabilidade em uma classe.
P(y = 1|x) = σ(b + Σwᵢxᵢ)
Usos comuns: apoio a diagnósticos simples, análise de crédito e previsão de churn.
03CLASSIFICAÇÃO E REGRESSÃO
Árvores de Decisão
Como funciona: divide os dados por perguntas do tipo “se/então”. Cada ramo representa uma condição e cada folha fornece uma classe ou um valor.
idade > 30?sim ↙ ↘ nãodecisões
Usos comuns: sistemas de apoio à decisão e situações em que explicar as regras é essencial.
04CLASSIFICAÇÃO E REGRESSÃO
Florestas Aleatórias
Como funciona: treina várias árvores com amostras e características aleatórias. Junta as respostas por votação, na classificação, ou média, na regressão.
árvore₁ + árvore₂ + … → votação ou média
Usos comuns: dados tabulares complexos, detecção de fraudes e avaliação de risco.
05CLASSIFICAÇÃO E REGRESSÃO
Gradient Boosting
Como funciona: cria árvores sequencialmente. Cada nova árvore tenta corrigir os erros que o conjunto anterior ainda comete.
modelo novo = modelo anterior + correção
Implementações: XGBoost, LightGBM e CatBoost. Usos: dados tabulares, finanças, recomendação e competições.
06CLASSIFICAÇÃO E REGRESSÃO
k-Vizinhos Mais Próximos · k-NN
Como funciona: mede a distância entre um exemplo novo e os dados conhecidos. Usa a classe predominante ou a média dos k vizinhos mais próximos.
?
Usos comuns: reconhecimento de padrões simples e recomendação baseada em similaridade.
07CLASSIFICAÇÃO E REGRESSÃO
Máquinas de Vetores de Suporte · SVM
Como funciona: procura um hiperplano que separe as classes com a maior margem possível. Kernels permitem representar fronteiras não lineares.
● ● ●▲ ▲ ▲
Usos comuns: classificação de textos, bioinformática e reconhecimento de caracteres.
Estudar SVM e abrir o laboratório →08CLASSIFICAÇÃO
Naïve Bayes
Como funciona: aplica o Teorema de Bayes e assume independência condicional entre as características. A hipótese é simplificadora, mas funciona bem em diversos problemas.
P(classe|x) ∝ P(classe) × ∏P(xᵢ|classe)
Usos comuns: filtros de spam, análise de sentimento e categorização de documentos.
Uma orientação inicial — não uma regra absoluta
Saída numérica simplesRegressão LinearProbabilidade bináriaRegressão LogísticaRegras explicáveisÁrvore de DecisãoDados tabularesRandom Forest ou BoostingSimilaridade localk-NNMargem entre classesSVMTexto e probabilidadesNaïve Bayes
O algoritmo final deve ser escolhido comparando métricas em dados de validação. Nenhum método é sempre o melhor para todos os datasets.
05 · AVALIAÇÃO
O treinamento não pode ser a única prova.
Métricas de classificação
Acurácia, precisão, recall, F1, matriz de confusão e área sob curvas avaliam aspectos diferentes dos acertos.
Métricas de regressão
MAE, MSE, RMSE e R² medem as diferenças numéricas por perspectivas distintas.
PRÓXIMO BLOCO
Redes neurais são modelos supervisionados quando aprendem com alvos.
Veja como neurônios artificiais combinam entradas, pesos, bias e funções de ativação.
Introdução às Redes Neurais →