Inteligência Artificial

Cartões · 50

Supervised Learning

Paradigma de aprendizado onde o modelo treina com dados rotulados, ajustando parâmetros para mapear entradas em saídas corretas por meio de funções de perda.

Unsupervised Learning

Abordagem que analisa dados não rotulados para identificar padrões, agrupamentos ou representações latentes sem supervisão externa explícita.

Reinforcement Learning

Técnica na qual um agente aprende a tomar sequências de decisões interagindo com o ambiente, guiado por funções de recompensa e penalidades.

Linear Regression

Modelo estatístico que estima a relação linear entre variáveis de entrada e uma variável contínua de saída via minimização dos mínimos quadrados.

Logistic Regression

Algoritmo de classificação binária que usa a função sigmoide para mapear combinações lineares de features em probabilidades entre 0 e 1.

Cost Function

Métrica matemática que quantifica o erro entre as previsões do modelo e os valores reais, servindo de base para a otimização dos pesos.

Gradient Descent

Algoritmo de otimização iterativo que atualiza os pesos na direção oposta ao gradiente da função de custo para encontrar seu ponto mínimo.

Stochastic Gradient Descent (SGD)

Variação do gradiente descendente que atualiza parâmetros usando um único exemplo ou minilote por vez, acelerando a convergência em grandes volumes.

Overfitting

Problema em que o modelo decora ruídos e detalhes do conjunto de treino, perdendo a capacidade de generalizar bem para dados inéditos.

Underfitting

Situação em que o modelo é excessivamente simples para capturar a estrutura subjacente dos dados, apresentando alto erro no treino e no teste.

Regularization (L1 / L2)

Técnicas que adicionam penalidades aos coeficientes na função de custo (Lasso induz esparsidade; Ridge reduz magnitude) para evitar overfitting.

Decision Trees

Modelos preditivos que particionam o espaço de dados recursivamente usando testes de divisão baseados em critérios como Ganho de Informação ou Gini.

Random Forest

Método de ensemble que combina múltiplas árvores de decisão treinadas em subconjuntos aleatórios via bootstrapping e média/votação (bagging).

Gradient Boosting

Técnica de ensemble iterativa onde novos modelos fracos são treinados sequencialmente para corrigir os resíduos de erro dos modelos anteriores.

Support Vector Machines (SVM)

Algoritmo que encontra o hiperplano ótimo de separação maximizando a margem entre classes, utilizando o truque do kernel para dados não lineares.

K-Nearest Neighbors (KNN)

Algoritmo baseado em instâncias que classifica um novo ponto atribuindo-lhe a classe majoritária entre os K vizinhos mais próximos no espaço vetorial.

K-Means Clustering

Algoritmo não supervisionado que particiona dados em K clusters iterativamente, associando pontos ao centroide mais próximo e recalculando médias.

Principal Component Analysis (PCA)

Técnica linear de redução de dimensionalidade que projeta os dados nas direções de máxima variância ortogonais entre si.

Artificial Neural Network (ANN)

Rede de nós interconectados em camadas que processam sinais com combinações ponderadas e funções não lineares para aprender representações complexas.

Perceptron

Unidade básica de uma rede neural que calcula a soma ponderada de suas entradas e aplica uma função de ativação linear ou de limiar.

Activation Function

Função não linear aplicada à saída de neurônios (ex.: ReLU, Sigmoide, GeLU) que permite à rede neural aprender mapeamentos complexos e não lineares.

Backpropagation

Algoritmo central de treinamento que calcula o gradiente do erro em relação a cada peso aplicando a regra da cadeia da camada de saída até a entrada.

Convolutional Neural Network (CNN)

Arquitetura que emprega convoluções matemáticas para extrair invariância espacial e padrões hierárquicos em dados em grade, como imagens.

Pooling Layer

Operação em CNNs (como Max Pooling) que reduz progressivamente a dimensão espacial dos mapas de features, economizando parâmetros e evitando overfitting.

Recurrent Neural Network (RNN)

Rede neural projetada para processar dados sequenciais através de conexões de retroalimentação que mantêm um estado oculto temporal.

Long Short-Term Memory (LSTM)

Arquitetura recorrente equipada com portões (input, forget, output) para regular o fluxo de informação e mitigar o problema do gradiente evanescente.

Vanishing Gradient Problem

Fenômeno em redes profundas onde gradientes calculados na retropropagação diminuem exponencialmente, impedindo a atualização de camadas iniciais.

Dropout

Técnica de regularização que desativa aleatoriamente uma fração dos neurônios durante cada iteração do treino para impedir coadaptação de pesos.

Batch Normalization

Método que normaliza as ativações de uma camada intermediária por minilote, estabilizando a distribuição e acelerando o treinamento.

Transfer Learning

Abordagem em que um modelo pré-treinado em um conjunto de dados massivo é ajustado (fine-tuned) para resolver uma tarefa específica com menos dados.

Transformer

Arquitetura baseada puramente em mecanismos de atenção que dispensa recorrência temporal, permitindo paralelização massiva no processamento de texto.

Self-Attention Mechanism

Operação matemática que calcula a relevância mútua entre todos os tokens de uma sequência usando matrizes de Query, Key e Value ponderadas via softmax.

Positional Encoding

Vetores somados aos embeddings no Transformer para injetar a informação sobre a posição e ordem dos tokens na sequência original.

Word Embeddings

Representações vetoriais densas e contínuas de palavras onde a proximidade geométrica reflete proximidade sintática e semântica (ex.: Word2Vec).

Tokenization

Processo de fragmentação de um texto em unidades menores (palavras, subpalavras ou caracteres) para conversão numérica antes do processamento.

Autoregressive Models

Modelos generativos (como GPT) que preveem o próximo token de uma sequência condicionado exclusivamente aos tokens anteriores gerados.

Generative Adversarial Network (GAN)

Estrutura composta por duas redes em competição simultânea: um Gerador que cria dados sintéticos e um Discriminador que tenta distinguir o real do falso.

Variational Autoencoder (VAE)

Modelo generativo probabilístico que codifica dados em distribuições latentes normais e reconstrói amostras a partir desse espaço parametrizado.

Diffusion Models

Modelos generativos que aprendem a sintetizar dados adicionando ruído gaussiano incrementalmente e depois treinando uma rede para desfazê-lo.

Markov Decision Process (MDP)

Estrutura matemática formal para modelar tomada de decisão sob incerteza, definida por estados, ações, transições, recompensas e fator de desconto.

Q-Learning

Algoritmo de RL sem modelo e off-policy que busca estimar os valores Q ótimos de ação-estado utilizando atualizações da equação de Bellman.

Policy Gradient

Método de aprendizado por reforço que otimiza diretamente os parâmetros de uma política estocástica usando cálculo de gradientes sobre as recompensas.

Cross-Validation

Método de validação (como K-Fold) que divide os dados em múltiplos blocos para avaliar a estabilidade e a generalização do modelo sem vazamento de teste.

ROC-AUC

Métrica de desempenho para classificação que mede a área sob a curva traçada entre a taxa de verdadeiros positivos e a taxa de falsos positivos.

Confusion Matrix

Tabela de contingência usada para visualizar erros e acertos de um classificador, separando verdadeiros e falsos positivos e negativos.

Precision and Recall

Precisão mede a exatidão das previsões positivas feitas; Revocação mede a proporção de casos positivos reais que o modelo conseguiu identificar.

F1-Score

Média harmônica entre precisão e revocação, usada principalmente para avaliar desempenho em conjuntos de dados com classes desbalanceadas.

Reinforcement Learning from Human Feedback (RLHF)

Método de alinhamento de modelos de linguagem que utiliza um modelo de recompensa treinado com preferências humanas para guiar a política via RL.

Retrieval-Augmented Generation (RAG)

Técnica que combina LLMs com busca vetorial externa em bases de conhecimento para gerar respostas fundamentadas e reduzir alucinações.

Temperature (LLM Sampling)

Hiperparâmetro que ajusta a distribuição de probabilidade dos logits de saída; valores baixos geram respostas determinísticas e altos aumentam a aleatoriedade.