MACHINE LEARNING · APRENDIZAGEM
O tipo de informação disponível muda a forma de aprender.
Um modelo pode aprender com respostas corretas, descobrir estruturas sem rótulos ou melhorar suas ações por meio de recompensas.
Comparar os paradigmas ↓01 · TRÊS PARADIGMAS
O que o algoritmo recebe durante o aprendizado?
Aprendizado supervisionado
Cada entrada vem acompanhada da resposta esperada. O modelo compara sua previsão com esse alvo e ajusta os parâmetros.
- Classificação: spam ou não spam.
- Regressão: previsão de preço.
- Redes neurais, árvores e regressões.
entrada x + alvo y → previsão ŷ
Aprendizado não supervisionado
O conjunto possui entradas, mas não informa a resposta correta. O algoritmo procura semelhanças, grupos ou representações úteis.
- Agrupamento de clientes.
- Redução de dimensionalidade.
- Detecção exploratória de padrões.
entradas x → estrutura descoberta
Aprendizado por reforço
Um agente escolhe ações em um ambiente. Recompensas e penalidades indicam quais sequências de decisões são vantajosas.
- Jogos e simulações.
- Controle de robôs.
- Planejamento e decisões sequenciais.
estado → ação → recompensa
02 · MODELOS EM CADA TIPO DE APRENDIZAGEM
O sinal disponível determina quais algoritmos podem aprender.
Os nomes abaixo são exemplos frequentes. Uma arquitetura, especialmente uma rede neural, pode participar de paradigmas diferentes conforme a maneira como é treinada.
| Tipo de aprendizagem | Modelos e algoritmos | O que eles aprendem | Exemplo prático |
|---|---|---|---|
| Supervisionada recebe entradas X e alvos y | Regressão Linear e Logística; Árvore de Decisão; Random Forest; Gradient Boosting; SVM/SVR; k-NN; LVQ; Perceptron, ADALINE, MADALINE e MLP. | Uma função que transforma características em uma classe ou valor conhecido durante o treino. | Usar área, quartos e bairro para prever o preço de um imóvel. |
| Não supervisionada recebe X, mas não recebe rótulos | k-means; agrupamento hierárquico; DBSCAN; PCA; Mapas Auto-organizáveis (SOM); Autoencoders e métodos de detecção de anomalias. | Grupos, direções importantes, representações compactas ou exemplos incomuns presentes nos próprios dados. | Descobrir perfis de clientes sem informar previamente quais grupos existem. |
| Por reforço recebe estados, ações e recompensas | Q-Learning; SARSA; Deep Q-Network (DQN); REINFORCE; Actor-Critic; A2C/A3C; PPO e métodos baseados em modelo. | Uma política que escolhe ações para maximizar a recompensa acumulada, e muitas vezes uma função de valor que estima consequências futuras. | Aprender quando acelerar, frear ou virar para completar um percurso sem colisões. |
SUPERVISIONADA · CLASSIFICAÇÃO
Regressão Logística, SVM, árvore ou rede neural
Um histórico de transações contém características como valor, horário e localização, além do rótulo fraude ou legítima. O modelo aprende comparando sua previsão com essa resposta.
[valor, horário, local] + rótulo → classe previstaNÃO SUPERVISIONADA · AGRUPAMENTO
k-means, DBSCAN ou agrupamento hierárquico
Um cadastro possui renda, frequência de compra e gasto médio, mas não informa perfis. O algoritmo procura clientes semelhantes e forma grupos para análise.
[renda, frequência, gasto] → grupos descobertosREFORÇO · DECISÃO SEQUENCIAL
Q-Learning, DQN ou PPO
Um agente observa o estado, escolhe uma ação e recebe recompensa. Ele precisa considerar não apenas o ganho imediato, mas também as consequências futuras.
estado → ação → recompensa → novo estado03 · COMPARAÇÃO
A pergunta do problema ajuda a escolher o paradigma.
| Questão | Supervisionado | Não supervisionado | Reforço |
|---|---|---|---|
| Qual informação orienta? | Resposta correta y | Estrutura dos próprios dados | Recompensa recebida |
| Resultado típico | Classe ou valor | Grupos ou representações | Política de ações |
| Exemplo | Diagnosticar uma categoria | Segmentar clientes | Navegar em um ambiente |
| Erro imediato? | Sim, comparando y e ŷ | Não há alvo individual | Pode ser atrasado |
04 · REGRESSÃO
Estime valores com retas ou curvas.
As duas leituras mostram como mínimos quadrados, gradiente descendente, árvores e redes neurais resolvem problemas de regressão por caminhos diferentes.
Regressão linear
Entenda a reta, seus resíduos e três formas de encontrar pesos e bias: OLS, gradiente descendente e um neurônio com saída linear.
Abrir regressão linearRegressão não linear
Veja como características polinomiais, árvores e camadas neurais representam curvas, regiões e mudanças de inclinação.
Abrir regressão não linear05 · CLASSIFICAÇÃO
Uma amostra pode receber uma classe, várias classes ou um nível ordenado.
Conheça classificação binária, multiclasse, multirrótulo, ordinal e detecção de uma classe, além dos limiares e métricas usados para avaliar as decisões.
APROFUNDE
Comece pelo aprendizado supervisionado.
É nele que aparecem os alvos, as previsões, as funções de perda e as redes neurais estudadas neste material.
Abrir aprendizagem supervisionada →