Nota visual 08 - Aprendizagem com Exemplos

Mapa de síntese

Mapa conceitual

flowchart LR
  A[Problema] --> B[Dados e representação]
  B --> C[Método]
  C --> D[Avaliação]
  D --> E[Decisão]
  classDef base fill:#e9eafb,stroke:#2435a0,color:#17215e;
  class A,B,C,D,E base;

Conceitos em sequência

  1. De regras para exemplos: D={(x_i,y_i)}; hipótese h(x) aproxima relação f(x); desempenho relevante é em exemplos não vistos.
  2. Classificação e regressão: Classificação prevê classes; regressão prevê valores numéricos contínuos; o alvo define a tarefa.
  3. Generalização: Underfitting e overfitting; treinamento e teste devem ser separados antes de avaliar.
  4. Árvores de decisão: Nós são testes, ramos são resultados, folhas são predições; caminho raiz-folha equivale a regra.
  5. Escolha de divisões: Entropia mede incerteza, Gini mede impureza e ganho de informação compara divisões.
  6. Implementação: DecisionTreeClassifier, fit, predict, max_depth e representação da árvore.

Revisão de 30 segundos

O algoritmo é apenas uma parte do processo. A representação dos dados, as hipóteses do classificador e a avaliação condicionam a validade das conclusões.

Erros conceituais frequentes

  • Usar o teste para escolher parâmetros ou transformações.
  • Tratar acurácia como critério universal de qualidade.
  • Confundir descrição de um algoritmo com garantia de desempenho.

Revisão de 1 minuto

Explique o objetivo do método, as informações necessárias, uma limitação e como avaliá-lo em dados não observados.

Checklist

  • [ ] Consigo explicar os conceitos centrais sem consultar os slides.
  • [ ] Distingo treinamento, validação e teste.
  • [ ] Sei apontar a escolha metodológica específica desta aula.
  • [ ] Consigo relacionar esta aula às anteriores.

Estudo guiado