Scribd
Carregar
2 visualizações1 página

02 Machine Learning

Machine Learning é uma subárea da Inteligência Artificial que permite que sistemas aprendam com dados, utilizando três paradigmas principais: supervisionado, não supervisionado e por reforço. Algoritmos clássicos incluem Regressão Linear e Máquinas de Vetores de Suporte, enquanto o Deep Learning tem avançado em tarefas complexas. O documento também apresenta um exemplo de implementação de regressão linear em Python.

Enviado por

Adriano Rodrigues Nazário
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
2 visualizações1 página

02 Machine Learning

Machine Learning é uma subárea da Inteligência Artificial que permite que sistemas aprendam com dados, utilizando três paradigmas principais: supervisionado, não supervisionado e por reforço. Algoritmos clássicos incluem Regressão Linear e Máquinas de Vetores de Suporte, enquanto o Deep Learning tem avançado em tarefas complexas. O documento também apresenta um exemplo de implementação de regressão linear em Python.

Enviado por

Adriano Rodrigues Nazário
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd

Machine Learning: Aprendizado de Máquina

Machine Learning (ML) é uma subárea da Inteligência Artificial que permite que sistemas aprendam
e melhorem automaticamente com a experiência, sem serem explicitamente programados para
cada tarefa. O aprendizado ocorre a partir de dados: o modelo identifica padrões e ajusta seus
parâmetros internos para fazer previsões cada vez mais precisas. Existem três paradigmas
principais de aprendizado: supervisionado (dados rotulados), não supervisionado (dados sem
rótulos) e por reforço (aprendizado por tentativa e erro com recompensas). Cada abordagem é
adequada para diferentes tipos de problemas. Algoritmos clássicos incluem Regressão Linear,
Árvores de Decisão, Máquinas de Vetores de Suporte (SVM) e K-Nearest Neighbors. Com o
avanço das redes neurais profundas (Deep Learning), o ML passou a dominar tarefas complexas
como visão computacional e processamento de linguagem natural. Abaixo, um exemplo de
regressão linear simples implementada em Python com NumPy:

import numpy as np

# Dados de treino: horas estudadas x nota obtida


X = [Link]([1, 2, 3, 4, 5, 6, 7, 8])
y = [Link]([50, 55, 60, 65, 70, 75, 80, 85])

# Calcula coeficientes da regressão linear (y = a*x + b)


a = [Link](X, y)[0][1] / [Link](X)
b = [Link](y) - a * [Link](X)

# Previsão para 9 horas de estudo


horas = 9
nota_prevista = a * horas + b
print(f"Nota prevista: {nota_prevista:.1f}") # ~90.0

Regressão linear é o ponto de partida essencial para entender modelos preditivos em ML.

Você também pode gostar