Ir para o conteúdo

O panorama de ML

Antes de mergulhar nos algoritmos, precisamos de um mapa: que tipos de aprendizado existem, como é um projeto de ML real de ponta a ponta e o que significa um modelo generalizar.

Paradigmas de aprendizado

Os problemas de machine learning são classificados pelo tipo de feedback disponível ao aprendiz.

flowchart TD
    ML[Machine Learning]
    ML --> SUP[Aprendizado supervisionado<br><small>exemplos rotulados</small>]
    ML --> UNS[Aprendizado não supervisionado<br><small>sem rótulos</small>]
    ML --> REI[Aprendizado por reforço<br><small>recompensas da interação</small>]
    SUP --> REG[Regressão<br><small>prever um número</small>]
    SUP --> CLA[Classificação<br><small>prever uma categoria</small>]
    UNS --> CLU[Agrupamento]
    UNS --> DIM[Redução de dimensionalidade]
    UNS --> TOP[Modelagem de tópicos]

Aprendizado supervisionado

O conjunto de dados contém entradas \(x\) e as saídas desejadas \(y\) (rótulos). O objetivo é aprender uma função \(f\) tal que \(f(x) \approx y\) em dados novos.

  • Regressão — \(y\) é contínuo: prever preços de imóveis, demanda de energia, o tempo de internação de um paciente. (Parte III)
  • Classificação — \(y\) é categórico: spam/não spam, tumor benigno/maligno, qual dígito está na imagem. (Partes IV–V)

Aprendizado não supervisionado

Apenas as entradas \(x\) — sem rótulos. O objetivo é descobrir estrutura:

  • Agrupamento — agrupar observações semelhantes (segmentos de clientes). (Agrupamento)
  • Redução de dimensionalidade — comprimir muitos atributos em poucos informativos (PCA, t-SNE, UMAP);
  • Modelagem de tópicos — descobrir temas em uma coleção de documentos (BERTopic).

Aprendizado por reforço

Um agente interage com um ambiente, recebe recompensas e aprende uma política que maximiza a recompensa de longo prazo — o paradigma por trás de sistemas que jogam (AlphaGo) e do controle robótico. Está fora do escopo deste curso, mas você deve reconhecê-lo no mapa.

No meio-termo

Projetos reais frequentemente misturam paradigmas: aprendizado semissupervisionado (poucos rótulos, muitos exemplos não rotulados), aprendizado autossupervisionado (rótulos fabricados a partir dos próprios dados — como os modelos de fundação são pré-treinados) e supervisão fraca (rótulos ruidosos e programáticos).

O fluxo de trabalho de ML

Um modelo é uma pequena parte de um processo maior e iterativo. Este curso é organizado em torno deste ciclo:

flowchart LR
    A[1. Formular o problema] --> B[2. Obter & explorar dados<br><small>EDA — Parte I</small>]
    B --> C[3. Preparar os dados<br><small>pré-processamento, pipelines</small>]
    C --> D[4. Treinar modelos]
    D --> E[5. Avaliar com honestidade<br><small>validação — Parte III</small>]
    E -->|iterar| C
    E --> F[6. Implantar & monitorar<br><small>MLOps — Parte VI</small>]
    F -->|os dados mudam| B

Duas verdades práticas sobre este diagrama:

  1. A maior parte do trabalho está nos passos 2–3. É comum profissionais relatarem que passam a maior parte do tempo entendendo e preparando dados, não ajustando modelos.
  2. O ciclo nunca termina. Modelos implantados se degradam conforme o mundo muda (drift); monitorar e retreinar fazem parte do trabalho, não são uma reflexão tardia.

Generalização: o problema central

Um modelo que memoriza perfeitamente seus dados de treino ainda pode ser inútil. O que importa é o desempenho em dados que ele nunca viu.

  • Subajuste (underfitting): o modelo é simples demais para capturar o padrão — desempenho ruim mesmo nos dados de treino.
  • Sobreajuste (overfitting): o modelo captura ruído como se fosse sinal — excelente nos dados de treino, ruim em dados novos.
\[ \text{Objetivo: minimizar } \underbrace{\mathbb{E}_{(x,y)\sim \mathcal{D}}\big[L\big(f(x),\,y\big)\big]}_{\text{perda esperada em dados novos}} \quad \text{observando apenas uma amostra finita.} \]

Tudo na Parte III — divisões treino/teste, validação cruzada, regularização, o trade-off viés–variância — existe para gerenciar essa tensão. Por ora, guarde uma regra:

A regra de ouro

Nunca avalie um modelo com dados em que ele foi treinado. Os dados de teste devem simular o futuro: nunca vistos, intocados, usados uma única vez.

Sem almoço grátis

O teorema No Free Lunch (Wolpert, 1996) diz que, na média sobre todos os problemas possíveis, nenhum algoritmo de aprendizado é melhor que qualquer outro. Na prática, isso significa: não existe modelo universalmente melhor — você precisa experimentar várias famílias e validar. É por isso que este curso ensina um portfólio (modelos lineares, vizinhos, kernels, árvores, ensembles, redes) em vez de uma única bala de prata.

Ética e responsabilidade

Modelos treinados em dados históricos herdam vieses históricos. Antes de colocar um modelo em produção, pergunte:

  • Justiça — o modelo tem desempenho igual entre grupos demográficos? Um modelo de crédito treinado em decisões enviesadas as reproduz em escala.
  • Privacidade — os dados foram coletados com consentimento? As pessoas podem ser reidentificadas?
  • Transparência — as decisões podem ser explicadas aos afetados? (A Parte VI cobre explicabilidade.)
  • Ciclos de retroalimentação — implantar o modelo altera os dados com que ele será retreinado? (O policiamento preditivo é o exemplo canônico de alerta.)

Warning

"O modelo disse isso" nunca é uma justificativa aceitável para uma decisão que afeta pessoas. Você — o profissional — é responsável pelas consequências.

Quiz