Glossário de machine learning: fundamentos de ML

Nesta página, você encontra os termos do glossário de ML Fundamentals. Para ver todos os termos do glossário, clique aqui.

A

accuracy

#fundamentals

O número de previsões de classificação corretas dividido pelo número total de previsões. Ou seja:

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

Por exemplo, um modelo que fez 40 previsões corretas e 10 incorretas teria uma acurácia de:

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

Classificação binária fornece nomes específicos para as diferentes categorias de previsões corretas e previsões incorretas. Portanto, a fórmula de precisão da classificação binária é a seguinte:

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

onde:

• O TP é o número de verdadeiros positivos (previsões corretas).
• TN é o número de verdadeiros negativos (previsões corretas).
• A FP é o número de falsos positivos (previsões incorretas).
• FN é o número de falsos negativos (previsões incorretas).

Compare e contraste a precisão com precisão e recall.

Clique no ícone para ver mais observações.

Embora seja uma métrica valiosa para algumas situações, a precisão é altamente enganosa para outras. Em geral, a acurácia é uma métrica ruim na avaliação de modelos de classificação que processam conjuntos de dados desequilibrados de classes.

Por exemplo, suponha que a neve cai somente 25 dias por século em uma determinada cidade subtropical. Como os dias sem neve (a classe negativa) excedem em muito o número de dias com neve (a classe positiva), o conjunto de dados de neve dessa cidade apresenta um desequilíbrio de classes. Imagine um modelo de classificação binária que prevê ou não neve todos os dias, mas simplesmente prevê "não há neve" todos os dias. Este modelo é altamente preciso, mas não tem poder preditivo. A tabela a seguir resume os resultados de um século de previsões:

Categoria	Número
VP	0
VN	36500
FP	25
FN	0

Portanto, a acurácia desse modelo é a seguinte:

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36500) / (0 + 36500 + 25 + 0) = 0.9993 = 99.93%

Embora 99,93% de precisão pareça uma porcentagem muito impressionante, o modelo não tem poder preditivo.

Precisão e recall geralmente são métricas mais úteis do que acurácia para avaliar modelos treinados em conjuntos de dados de classes não balanceadas.

---

função de ativação

#fundamentals

Uma função que permite que redes neurais aprendam relações não lineares (complexas) entre atributos e o rótulo.

As funções de ativação mais usadas incluem:

• ReLU
• Sigmoide

Os gráficos das funções de ativação nunca são linhas retas únicas. Por exemplo, o gráfico da função de ativação ReLU consiste em duas linhas retas:

Um gráfico da função de ativação sigmoide é semelhante ao seguinte:

Clique no ícone para ver um exemplo.

Em uma rede neural, as funções de ativação manipulam a soma ponderada de todas as entradas em um neurônio. Para calcular uma soma ponderada, o neurônio adiciona os produtos dos valores e pesos relevantes. Por exemplo, suponha que a entrada relevante para um neurônio consiste no seguinte:

valor de entrada	peso de entrada
2	-1.3
-1	0.6
3	0.4

Portanto, a soma ponderada é:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Suponha que o designer dessa rede neural escolha a função sigmoide para ser a função de ativação. Nesse caso, o neurônio calcula o sigmoide de -2,0, que é aproximadamente 0,12. Portanto, o neurônio passa 0,12 (em vez de -2,0) para a próxima camada na rede neural. A figura a seguir ilustra a parte relevante do processo:

---

inteligência artificial

#fundamentals

Um programa ou model não humano que pode resolver tarefas sofisticadas. Por exemplo, programas ou modelos que traduzem texto ou que identificam doenças usando imagens radiológicas usam inteligência artificial.

Formalmente, o aprendizado de máquina é um subcampo da inteligência artificial. No entanto, nos últimos anos, algumas organizações começaram a usar os termos inteligência artificial e aprendizado de máquina como sinônimos.

AUC (área sob a curva ROC)

#fundamentals

Um número entre 0,0 e 1,0 que representa a capacidade de um modelo de classificação binária separar classes positivas das classes negativas. Quanto mais próxima a AUC estiver de 1.0, melhor será a capacidade do modelo de separar as classes umas das outras.

Por exemplo, a ilustração a seguir mostra um modelo de classificador que separa perfeitamente as classes positivas (ovais verdes) das negativas (retângulos roxos). Este modelo irrealistamente perfeito tem uma AUC de 1,0:

Por outro lado, a ilustração a seguir mostra os resultados de um modelo de classificador que gerou resultados aleatórios. Este modelo tem uma AUC de 0,5:

Sim, o modelo anterior tem uma AUC de 0,5, e não 0,0.

A maioria dos modelos está no meio termo. Por exemplo, o modelo a seguir separa parcialmente os positivos dos negativos e, portanto, tem uma AUC entre 0,5 e 1,0:

A AUC ignora qualquer valor definido para o limite de classificação. Em vez disso, a AUC considera todos os limiares de classificação possíveis.

Clique no ícone para saber mais sobre a relação entre as curvas de AUC e ROC.

A AUC representa a área sob uma curva ROC. Por exemplo, a curva ROC de um modelo que separa perfeitamente positivos dos negativos tem a seguinte aparência:

AUC é a área da região cinza da ilustração anterior. Nesse caso incomum, a área é simplesmente o comprimento da região cinza (1,0) multiplicado pela largura da região cinza (1,0). Portanto, o produto de 1,0 e 1,0 gera uma AUC de exatamente 1,0, que é a maior pontuação de AUC possível.

Por outro lado, a curva ROC para um classificador que não consegue separar classes é mostrada a seguir. A área dessa região cinza é 0,5.

Uma curva ROC mais típica tem a seguinte aparência:

Seria trabalhoso calcular a área sob essa curva manualmente, e é por isso que um programa normalmente calcula a maioria dos valores de AUC.

---

Clique no ícone para ver uma definição mais formal de AUC.

AUC é a probabilidade de um classificador ter mais confiança de que um exemplo positivo aleatório seja de fato positivo do que um exemplo negativo escolhido aleatoriamente seja positivo.

---

B

retropropagação

#fundamentals

O algoritmo que implementa o gradiente descendente em redes neurais.

O treinamento de uma rede neural envolve muitas iterações do ciclo de duas etapas a seguir:

1. Durante o passe para frente, o sistema processa um lote de exemplos para produzir previsões. O sistema compara cada previsão com cada valor de label. A diferença entre a previsão e o valor do rótulo é a perda desse exemplo. O sistema agrega as perdas de todos os exemplos para calcular a perda total do lote atual.
2. Durante o passe para trás (retropropagação), o sistema reduz a perda ajustando os pesos de todos os neurônios em todas as camadas escondidas.

As redes neurais costumam conter muitos neurônios em muitas camadas ocultas. Cada um desses neurônios contribui para a perda geral de maneiras diferentes. A retropropagação determina se é necessário aumentar ou diminuir os pesos aplicados a determinados neurônios.

A taxa de aprendizado é um multiplicador que controla o grau em que cada passe para trás aumenta ou diminui cada peso. Uma taxa de aprendizado alta aumenta ou diminui cada peso mais do que uma taxa de aprendizado pequena.

Em termos de cálculo, a retropropagação implementa a regra da cadeia do cálculo. Ou seja, a retropropagação calcula a derivada parcial do erro em respeito a cada parâmetro. Para mais detalhes, consulte este tutorial no Curso intensivo de machine learning.

Anos atrás, os profissionais de ML precisavam escrever código para implementar a retropropagação. As APIs modernas de ML, como o TensorFlow, agora implementam a retropropagação para você. Ufa.

lote

#fundamentals

O conjunto de exemplos usados em uma iteração de treinamento. O tamanho do lote determina o número de exemplos em um lote.

Consulte época para ver uma explicação de como um lote se relaciona a uma época.

tamanho do lote

#fundamentals

O número de exemplos em um lote. Por exemplo, se o tamanho do lote for 100, o modelo processará 100 exemplos por iteração.

Estas são as estratégias de tamanho de lote mais usadas:

• Gradiente descendente estocástico (SGD), em que o tamanho do lote é 1.
• Lote completo, em que o tamanho é o número de exemplos em todo o conjunto de treinamento. Por exemplo, se o conjunto de treinamento contiver um milhão de exemplos, o tamanho do lote será de um milhão. O uso de lote completo geralmente é uma estratégia ineficiente.
• minilote, em que o tamanho do lote geralmente fica entre 10 e 1.000. O minilote costuma ser a estratégia mais eficiente.

viés (ética/imparcialidade)

#fairness

#fundamentals

1. Estereótipos, preconceito ou favoritismo em relação a algumas coisas, pessoas ou grupos em detrimento de outros. Esses vieses podem afetar a coleta e interpretação de dados, o design de um sistema e como os usuários interagem com um sistema. Formas desse tipo de viés incluem:

• viés de automação
• viés de confirmação
• viés do experimentador
• viés de atribuição de grupo
• viés implícito
• viés em grupo
• viés de homogeneidade externa

2. Erro sistemático causado por um procedimento de amostragem ou de relatório. Formas desse tipo de viés incluem:

• viés de cobertura
• viés de não resposta
• viés de participação
• viés de relatório
• viés de amostragem
• viés de seleção

Não confunda com o termo vieses em modelos de machine learning ou viés de previsão.

viés (matemático) ou termo de viés

#fundamentals

Uma interceptação ou deslocamento de uma origem. O viés é um parâmetro em modelos de machine learning, simbolizado por um destes elementos:

• b
• w₀

Por exemplo, o viés é a b na seguinte fórmula:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

Em uma linha bidimensional simples, viés significa apenas "interseção y". Por exemplo, o viés da linha na ilustração a seguir é 2.

O viés existe porque nem todos os modelos começam na origem (0,0). Por exemplo, suponha que um parque de diversões custe 2 euros para entrar e mais 0,5 euros para cada hora de estadia de um cliente. Portanto, um modelo que mapeia o custo total tem um viés de 2 porque o custo mais baixo é de 2 euros.

O viés não deve ser confundido com viés de ética e imparcialidade ou viés de previsão.

classificação binária

#fundamentals

Um tipo de tarefa de classificação que prevê uma das duas classes mutuamente exclusivas:

• a classe positiva
• a classe negativa

Por exemplo, os dois modelos de machine learning a seguir realizam uma classificação binária:

• Um modelo que determina se as mensagens de e-mail são spam (a classe positiva) ou não é spam (a classe negativa).
• Um modelo que avalia sintomas médicos para determinar se uma pessoa tem uma doença específica (a classe positiva) ou não tem essa doença (a classe negativa).

Contraste com a classificação multiclasse.

Consulte também regressão logística e limite de classificação.

agrupamento por classes

#fundamentals

Converter um único recurso em vários recursos binários chamados buckets ou bins, normalmente com base em um intervalo de valores. Normalmente, o recurso cortado é um recurso contínuo.

Por exemplo, em vez de representar a temperatura como um único recurso de ponto flutuante contínuo, é possível cortar faixas de temperatura em intervalos discretos, como:

• 10 graus Celsius seria o bucket "frio".
• Entre 11 e 24 graus Celsius, seria o intervalo "temperatura".
• >= 25 graus Celsius seria o bucket "quente".

O modelo tratará todos os valores no mesmo bucket de forma idêntica. Por exemplo, os valores 13 e 22 estão no bucket temperado. Portanto, o modelo trata os dois valores de maneira idêntica.

Clique no ícone para ver mais observações.

Se você representar a temperatura como um atributo contínuo, o modelo a tratará como um único atributo. Se você representar a temperatura como três buckets, o modelo tratará cada um deles como um recurso separado. Ou seja, um modelo pode aprender relações separadas de cada bucket com o rótulo. Por exemplo, um modelo de regressão linear pode aprender pesos separados para cada bucket.

Aumentar o número de buckets torna seu modelo mais complicado, aumentando o número de relações que ele precisa aprender. Por exemplo, os buckets frio, temperado e quente são essencialmente três recursos separados para seu modelo treinar. Se você decidir adicionar mais dois buckets, por exemplo, "congelando" e "quente", seu modelo precisará treinar em cinco recursos separados.

Como saber quantos buckets criar ou quais precisam ser os intervalos de cada bucket? As respostas normalmente exigem uma quantidade razoável de experimentos.

---

C

dados categóricos

#fundamentals

Recursos com um conjunto específico de valores possíveis. Por exemplo, considere um recurso categórico chamado traffic-light-state, que só pode ter um destes três valores possíveis:

• red
• yellow
• green

Ao representar traffic-light-state como um recurso categórico, um modelo pode aprender os diferentes impactos de red, green e yellow no comportamento do driver.

Os recursos categóricos às vezes são chamados de recursos discretos.

Contraste com dados numéricos.

classe

#fundamentals

Uma categoria a que um rótulo pode pertencer. Exemplo:

• Em um modelo de classificação binária que detecta spam, as duas classes podem ser spam e não spam.
• Em um modelo de classificação multiclasse que identifica raças de cães, as classes podem ser poodle, beagle, pug e assim por diante.

Um modelo de classificação prevê uma classe. Por outro lado, um modelo de regressão prevê um número em vez de uma classe.

modelo de classificação

#fundamentals

Um model cuja previsão é uma model. Por exemplo, estes são todos os modelos de classificação:

• Um modelo que prevê o idioma de uma frase de entrada (francês? Espanhol? italiano?).
• Um modelo que prevê espécies de árvores (Bboro? Oak? Baobá?").
• Um modelo que prevê a classe positiva ou negativa para uma condição médica específica.

Por outro lado, os modelos de regressão preveem números em vez de classes.

Dois tipos comuns de modelos de classificação são:

• classificação binária
• classificação multiclasse

limiar de classificação

#fundamentals

Em uma classificação binária, um número entre 0 e 1 que converte a saída bruta de um modelo de regressão logística em uma previsão da classe positiva ou da classe negativa. O limite de classificação é um valor escolhido por uma pessoa, e não um valor escolhido pelo treinamento de modelo.

Um modelo de regressão logística gera um valor bruto entre 0 e 1. Então:

• Se esse valor bruto for maior que o limite de classificação, a classe positiva será prevista.
• Se esse valor bruto for inferior ao limite de classificação, a classe negativa será prevista.

Por exemplo, suponha que o limite de classificação seja 0,8. Se o valor bruto for 0,9, o modelo vai prever a classe positiva. Se o valor bruto for 0,7, o modelo preverá a classe negativa.

A escolha do limite de classificação influencia muito o número de falsos positivos e falsos negativos.

Clique no ícone para ver mais observações.

À medida que os modelos ou conjuntos de dados evoluem, os engenheiros às vezes também alteram o limite de classificação. Quando o limite de classificação muda, as previsões positivas de classe podem se tornar classes negativas de repente e vice-versa.

Por exemplo, considere um modelo de previsão de doenças na classificação binária. Suponha que, quando o sistema for executado no primeiro ano:

• O valor bruto de um paciente específico é 0,95.
• O limite de classificação é 0,94.

Portanto, o sistema diagnostica a classe positiva. (O paciente suspira: "Ah, não! Estou doente!")

Um ano depois, é provável que os valores tenham a seguinte aparência:

• O valor bruto do mesmo paciente permanece em 0,95.
• O limite de classificação muda para 0,97.

Portanto, o sistema agora reclassifica esse paciente como a classe negativa. ("Feliz dia! Não estou doente.") Mesmo paciente. Diagnóstico diferente.

---

conjunto de dados com classes desequilibradas

#fundamentals

Um conjunto de dados para um problema de classificação em que o número total de rótulos de cada classe muda significativamente. Por exemplo, considere um conjunto de dados de classificação binária com dois rótulos divididos da seguinte maneira:

• 1.000.000 de rótulos negativos
• 10 rótulos positivos

A proporção de rótulos negativos para positivos é de 100.000 para 1,portanto, esse é um conjunto de dados desequilibrado de classes.

Por outro lado, o conjunto de dados a seguir não apresenta desequilibração de classes porque a proporção entre rótulos negativos e positivos é relativamente próxima de 1:

• 517 rótulos negativos
• 483 rótulos positivos

Conjuntos de dados de várias classes também podem apresentar desequilíbrio entre as classes. Por exemplo, o seguinte conjunto de dados de classificação multiclasse também tem desequilibração de classes porque um rótulo tem muito mais exemplos do que os outros dois:

• 1.000.000 rótulos com classe "green"
• 200 marcadores com a classe "roxo"
• 350 marcadores com classe "laranja"

Consulte também entropia, classe principal e classe secundária.

recorte

#fundamentals

Uma técnica para lidar com outliers realizando uma ou ambas as ações a seguir:

• reduzir valores de feature que sejam maiores que um limite máximo até esse limite máximo.
• Aumentar valores de atributos que sejam inferiores a um limite mínimo até esse limite mínimo.

Por exemplo, suponha que menos de 0,5% dos valores para um determinado atributo estejam fora do intervalo de 40 a 60. Nesse caso, faça o seguinte:

• Corte todos os valores acima de 60 (o limite máximo) para que sejam exatamente 60.
• Corte todos os valores abaixo de 40 (o limite mínimo) para que sejam exatamente 40.

Os outliers podem danificar os modelos, fazendo com que pesos transbordam durante o treinamento. Alguns outliers também podem estragar drasticamente as métricas, como acurácia. O corte é uma técnica comum para limitar o dano.

O recorte de gradiente força os valores de gradiente em um intervalo designado durante o treinamento.

matriz de confusão

#fundamentals

Uma tabela NxN que resume o número de previsões corretas e incorretas feitas por um modelo de classificação. Por exemplo, considere a seguinte matriz de confusão para um modelo de classificação binária:

	Tumor (previsto)	Não tumor (previsto)
Tumor (informações empíricas)	18 (TP)	1 (FN)
Não tumor (informações empíricas)	6 (FP)	452 (TN)

A matriz de confusão anterior mostra o seguinte:

• Das 19 previsões em que a informações empíricas foi o Tumor, o modelo classificou corretamente 18 e 1 incorretamente.
• Das 458 previsões em que as informações empíricas eram não tumor, o modelo classificou corretamente 452 e 6.

A matriz de confusão para um problema de classificação multiclasse pode ajudar a identificar padrões de erros. Por exemplo, considere a seguinte matriz de confusão para um modelo de classificação multiclasse de três classes que categoriza três tipos diferentes de íris (Virgínia, Versicolor e Setosa). Quando a informação empírica era Virginica, a matriz de confusão mostra que o modelo era muito mais propenso a prever Versicolor por engano do que Setosa:

	Setosa (previsto)	Versicolor (previsto)	Virgínia (previsto)
Setosa (informações empíricas)	88	12	0
Versicolor (informações empíricas)	6	141	7
Virginica (informações empíricas)	2	27	109

Como outro exemplo, uma matriz de confusão pode revelar que um modelo treinado para reconhecer dígitos escritos à mão tende a prever erroneamente 9 em vez de 4 ou 1 em vez de 7.

As matrizes de confusão contêm informações suficientes para calcular uma variedade de métricas de desempenho, incluindo precisão e recall.

atributo contínuo

#fundamentals

É um recurso de ponto flutuante com um intervalo infinito de valores possíveis, como temperatura ou peso.

Contraste com o recurso discreto.

convergência

#fundamentals

Um estado atingido quando os valores de perda mudam muito pouco ou não mudam a cada iteração. Por exemplo, a seguinte curva de perda (link em inglês) sugere convergência em cerca de 700 iterações:

Um modelo converge quando outros treinamentos não melhoram o modelo.

No aprendizado profundo, os valores de perda às vezes permanecem constantes ou quase perto disso para muitas iterações antes de, por fim, decrescente. Durante um longo período de valores de perda constante, é possível que você tenha temporariamente uma falsa sensação de convergência.

Consulte também parada antecipada.

D

DataFrame

#fundamentals

Um tipo de dados pandas conhecido para representar conjuntos de dados na memória.

Um DataFrame é análogo a uma tabela ou planilha. Cada coluna de um DataFrame tem um nome (um cabeçalho) e cada linha é identificada por um número exclusivo.

Cada coluna em um DataFrame é estruturada como uma matriz 2D, exceto que cada coluna pode ser atribuída ao próprio tipo de dados.

Consulte também a página de referência oficial do pandas.DataFrame (em inglês).

conjunto de dados ou conjunto de dados

#fundamentals

Um conjunto de dados brutos, geralmente (mas não exclusivamente) organizados em um dos seguintes formatos:

• uma planilha
• um arquivo no formato CSV (valores separados por vírgula)

modelo profundo

#fundamentals

Uma rede neural que contém mais de uma camada escondida.

Um modelo profundo também é chamado de rede neural profunda.

Contraste com o modelo amplo.

atributo denso

#fundamentals

Um recurso em que a maioria ou todos os valores são diferentes de zero, normalmente um Tensor de valores de ponto flutuante. Por exemplo, o Tensor de 10 elementos a seguir é denso porque 9 de seus valores são diferentes de zero:

8

3

7

5

2

4

0

4

9

6

Contraste com o recurso esparso.

depth

#fundamentals

A soma dos seguintes itens em uma rede neural:

• o número de camadas escondidas
• Número de camadas de saída, que normalmente é 1
• o número de camadas de incorporação

Por exemplo, uma rede neural com cinco camadas ocultas e uma camada de saída tem uma profundidade de 6.

A camada de entrada não influencia a profundidade.

atributo discreto

#fundamentals

Um atributo com um conjunto finito de valores possíveis. Por exemplo, quando os valores dos atributos só podem ser animal, vegetable ou mineral, eles são discretos (ou categóricos).

Contraste com o recurso contínuo.

dinâmico

#fundamentals

Algo feito com frequência ou continuamente. Os termos dinâmico e on-line são sinônimos do aprendizado de máquina. Veja a seguir usos comuns de dinâmico e on-line no aprendizado de máquina:

• Um modelo dinâmico (ou on-line) é um modelo que é treinado novamente com frequência ou continuidade.
• O treinamento dinâmico (ou treinamento on-line) é o processo de treinamento frequente ou contínuo.
• A inferência dinâmica (ou inferência on-line) é o processo de gerar previsões sob demanda.

modelo dinâmico

#fundamentals

Um model que é frequentemente (talvez até continuamente) retreinado. Um modelo dinâmico é um "aprendizado para toda a vida" que se adapta constantemente à evolução dos dados. Um modelo dinâmico também é conhecido como modelo on-line.

Contraste com o modelo estático.

E

parada antecipada

#fundamentals

Um método de regularização que envolve o encerramento do treinamento antes do fim da perda do treinamento. Na parada antecipada, você interrompe intencionalmente o treinamento do modelo quando a perda em um conjunto de dados de validação começa a aumentar, ou seja, quando o desempenho de generalização piora.

Clique no ícone para ver mais observações.

A parada antecipada pode parecer contraintuitiva. Afinal, dizer a um modelo para interromper o treinamento enquanto a perda ainda está diminuindo pode parecer dizer a um chef para parar de cozinhar antes que a sobremesa esteja totalmente assada. No entanto, treinar um modelo por muito tempo pode levar a overfitting. Ou seja, se você treinar um modelo por muito tempo, ele poderá se ajustar aos dados de treinamento a ponto de não fazer boas previsões em novos exemplos.

---

camada de embedding

#language

#fundamentals

Uma camada escondida especial que é treinada em um recurso categórico de alta dimensão para aprender gradualmente um vetor de embedding de dimensão mais baixa. Uma camada de incorporação permite que uma rede neural treine com muito mais eficiência do que o treinamento apenas no atributo categórico de alta dimensão.

Por exemplo, a Terra atualmente aceita cerca de 73.000 espécies de árvores. Suponha que espécies de árvores sejam um recurso no seu modelo, de modo que a camada de entrada do modelo inclua um vetor one-hot de 73.000 elementos. Por exemplo, talvez baobab fosse representado assim:

Uma matriz de 73 mil elementos é muito longa. Se você não adicionar uma camada de embedding ao modelo, o treinamento vai consumir muito tempo devido à multiplicação de 72.999 zeros. Talvez você escolha a camada de incorporação com 12 dimensões. Consequentemente, a camada de embedding vai aprender gradualmente um novo vetor de embedding para cada espécie de árvore.

Em determinadas situações, o hash é uma alternativa razoável a uma camada de embedding.

época

#fundamentals

Um passe de treinamento completo em todo o conjunto de treinamento, de modo que cada exemplo foi processado uma vez.

Um período representa N/tamanho do lote iterações de treinamento, em que N é o número total de exemplos.

Por exemplo, suponha que:

• O conjunto de dados é composto de 1.000 exemplos.
• O tamanho do lote é 50 exemplos.

Portanto, uma única época requer 20 iterações:

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

exemplo

#fundamentals

Os valores de uma linha de features e possivelmente um rótulo. Os exemplos no aprendizado supervisionado se enquadram em duas categorias gerais:

• Um exemplo rotulado consiste em um ou mais recursos e um rótulo. Os exemplos rotulados são usados durante o treinamento.
• Um exemplo sem rótulo consiste em um ou mais recursos, mas nenhum rótulo. Exemplos não rotulados são usados durante a inferência.

Por exemplo, suponha que você esteja treinando um modelo para determinar a influência das condições climáticas nas notas dos alunos. Veja três exemplos rotulados:

Recursos			Rótulo
Temperatura	Umidade	Pressão	Pontuação de teste
15	47	998	Bom
19	34	1020	Excelente
18	92	1012	Ruim

Aqui estão três exemplos sem rótulos:

Temperatura	Umidade	Pressão
12	62	1014
21	47	1017
19	41	1021

A linha de um conjunto de dados normalmente é a fonte bruta de um exemplo. Ou seja, um exemplo normalmente consiste em um subconjunto das colunas no conjunto de dados. Além disso, os recursos em um exemplo também podem incluir recursos sintéticos, como cruzamentos de atributos.

F)

falso negativo (FN)

#fundamentals

Um exemplo em que o modelo prevê erroneamente a classe negativa. Por exemplo, o modelo prevê que uma determinada mensagem de e-mail não é spam (a classe negativa), mas que ela é realmente spam.

falso positivo (FP)

#fundamentals

Um exemplo em que o modelo prevê erroneamente a classe positiva. Por exemplo, o modelo prevê que uma determinada mensagem de e-mail é spam (a classe positiva), mas essa mensagem realmente não é spam.

taxa de falsos positivos (FPR)

#fundamentals

A proporção de exemplos negativos reais para os quais o modelo previu erroneamente a classe positiva. A fórmula a seguir calcula a taxa de falso positivo:

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

A taxa de falsos positivos é o eixo x em uma curva ROC.

recurso

#fundamentals

Uma variável de entrada para um modelo de machine learning. Um exemplo consiste em um ou mais recursos. Por exemplo, suponha que você esteja treinando um modelo para determinar a influência das condições climáticas nas notas dos alunos. A tabela a seguir mostra três exemplos, cada um com três recursos e um rótulo:

Recursos			Rótulo
Temperatura	Umidade	Pressão	Pontuação de teste
15	47	998	92
19	34	1020	84
18	92	1012	87

Contraste com label.

cruzamento de atributos

#fundamentals

Um recurso sintético formado por recursos categóricos ou armazenados em buckets.

Por exemplo, considere um modelo de "previsão de humor" que representa a temperatura em um dos quatro buckets a seguir:

• freezing
• chilly
• temperate
• warm

E representa a velocidade do vento em um destes três buckets:

• still
• light
• windy

Sem cruzamentos de atributos, o modelo linear é treinado de forma independente em cada um dos sete buckets anteriores. Assim, o modelo é treinado, por exemplo, em freezing independentemente do treinamento em, por exemplo, windy.

Como alternativa, você pode criar um cruzamento de atributos de temperatura e velocidade do vento. Esse recurso sintético teria estes 12 valores possíveis:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

Graças aos cruzamentos de atributos, o modelo pode aprender diferenças de humor entre freezing-windy e freezing-still.

Se você criar um atributo sintético com base em dois atributos que tenham muitos buckets diferentes, o cruzamento de atributos resultante terá um grande número de combinações possíveis. Por exemplo, se um recurso tiver 1.000 buckets e o outro tiver 2.000 buckets, o cruzamento de atributos resultante terá 2.000.000 buckets.

Formalmente, um cruzamento é um produto cartesiano.

Os cruzamentos de atributos são usados principalmente com modelos lineares e raramente com redes neurais.

engenharia de atributos

#fundamentals

#TensorFlow

Um processo que envolve as seguintes etapas:

1. Determinar quais recursos podem ser úteis no treinamento de um modelo.
2. converter dados brutos do conjunto de dados em versões eficientes desses atributos;

Por exemplo, você pode determinar que temperature pode ser um recurso útil. Em seguida, teste o agrupamento por classes para otimizar o que o modelo pode aprender com diferentes intervalos temperature.

A engenharia de atributos às vezes é chamada de extração de atributos.

Clique no ícone para conferir mais observações sobre o TensorFlow.

No TensorFlow, a engenharia de atributos geralmente significa converter as entradas do arquivo de registro bruto em buffers de protocolo tf.Example. Consulte também tf.Transform.

---

conjunto de atributos

#fundamentals

O grupo de recursos em que o modelo de machine learning é treinado. Por exemplo, código postal, tamanho e condição do imóvel podem compor um conjunto de atributos simples para um modelo que prevê preços de imóveis.

vetor de recurso

#fundamentals

A matriz de valores de feature, composta por um exemplo. O vetor de recurso é inserido durante o treinamento e a inferência. Por exemplo, o vetor de recurso de um modelo com dois atributos discretos pode ser:

[0.92, 0.56]

Cada exemplo fornece valores diferentes para o vetor de atributo, de modo que o vetor do atributo do próximo exemplo pode ser algo como:

[0.73, 0.49]

A engenharia de atributos determina como representar os recursos no vetor de atributos. Por exemplo, um recurso categórico binário com cinco valores possíveis pode ser representado com codificação one-hot. Nesse caso, a parte do vetor de atributo de um exemplo específico consistia em quatro zeros e um único 1.0 na terceira posição, da seguinte maneira:

[0.0, 0.0, 1.0, 0.0, 0.0]

Como outro exemplo, suponha que seu modelo seja composto por três recursos:

• Um recurso categórico binário com cinco valores possíveis representados com codificação one-hot. Por exemplo: [0.0, 1.0, 0.0, 0.0, 0.0]
• Outro recurso categórico binário com três valores possíveis representados com codificação one-hot, por exemplo: [0.0, 0.0, 1.0]
• Um elemento de ponto flutuante; por exemplo: 8.3.

Nesse caso, o vetor de recurso de cada exemplo seria representado por nove valores. Dados os valores de exemplo na lista anterior, o vetor de atributo seria:

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

ciclo de feedback

#fundamentals

Em machine learning, uma situação em que as previsões de um modelo influenciam os dados de treinamento do mesmo ou de outro modelo. Por exemplo, um modelo que recomenda filmes influenciará os filmes que as pessoas veem, o que, então, influenciará os modelos de recomendação de filmes subsequentes.

G

generalização

#fundamentals

Capacidade de um modelo de fazer previsões corretas sobre dados novos anteriormente não vistos. Um modelo que pode generalizar é o oposto de um modelo que está com overfitting.

Clique no ícone para ver mais observações.

Você vai treinar um modelo com os exemplos no conjunto de treinamento. Dessa forma, ele aprende as peculiaridades dos dados no conjunto de treinamento. Essencialmente, a generalização pergunta se o modelo pode fazer boas previsões em exemplos que não estão no conjunto de treinamento.

Para incentivar a generalização, a regularização (em inglês) ajuda um modelo a treinar um modelo menos exatamente com as peculiaridades dos dados no conjunto de treinamento.

---

curva de generalização

#fundamentals

Um gráfico de perda de treinamento e perda de validação como uma função do número de iterações.

Uma curva de generalização pode ajudar a detectar um possível overfitting. Por exemplo, a curva de generalização a seguir sugere overfitting porque a perda de validação, em última análise, se torna significativamente maior do que a perda de treinamento.

gradiente descendente

#fundamentals

Uma técnica matemática para minimizar a perda. O gradiente descendente ajusta os pesos e os vieses de maneira iterativa, encontrando gradualmente a melhor combinação para minimizar a perda.

O gradiente descendente é mais antigo (muito mais antigo) do que o aprendizado de máquina.

informações empíricas

#fundamentals

Realidade.

O que realmente aconteceu.

Por exemplo, considere um modelo de classificação binária que prevê se um estudante no primeiro ano da universidade se formará em seis anos. A verdade empírica desse modelo é se o estudante realmente se formou em seis anos.

Clique no ícone para ver mais observações.

Avaliamos a qualidade do modelo com base em informações empíricas. No entanto, as informações empíricas nem sempre são totalmente verdadeiras. Por exemplo, considere os seguintes exemplos de possíveis imperfeições nas informações empíricas:

• No exemplo de graduação, temos certeza de que os registros de graduação de cada aluno estão sempre corretos? Os registros da universidade são mantidos?
• Suponha que o rótulo seja um valor de ponto flutuante medido por instrumentos (por exemplo, barômetros). Como podemos ter certeza de que cada instrumento foi calibrado de forma idêntica ou que cada leitura foi realizada nas mesmas circunstâncias?
• Se o rótulo for uma questão de opinião humana, como podemos ter certeza de que cada avaliador humano está avaliando eventos da mesma maneira? Para melhorar a consistência, avaliadores humanos especialistas às vezes intervem.

---

H

camada oculta

#fundamentals

Uma camada em uma rede neural entre a camada de entrada (os atributos) e a camada de saída (a previsão). Cada camada oculta consiste em um ou mais neurônios. Por exemplo, a rede neural a seguir contém duas camadas ocultas, a primeira com três neurônios e a segunda com dois:

Uma rede neural profunda contém mais de uma camada escondida. Por exemplo, a ilustração anterior é uma rede neural profunda porque o modelo contém duas camadas ocultas.

hiperparâmetro

#fundamentals

As variáveis que você ou um serviço de ajuste de hiperparâmetroajustam durante execuções sucessivas de treinamento de um modelo. Por exemplo, a taxa de aprendizado é um hiperparâmetro. É possível definir a taxa de aprendizado como 0,01 antes de uma sessão de treinamento. Se você determinar que 0,01 é muito alto, defina a taxa de aprendizado como 0,003 para a próxima sessão de treinamento.

Por outro lado, os parâmetros são os diversos pesos e vieses que o modelo aprende durante o treinamento.

I

distribuídos de forma independente e idêntica (i.i.)

#fundamentals

Dados extraídos de uma distribuição que não muda e em que cada valor renderizado não depende de valores já desenhados. Um i.i.d. é o gás ideal do aprendizado de máquina, uma construção matemática útil, mas quase nunca encontrada no mundo real. Por exemplo, a distribuição de visitantes de uma página da Web pode ser i, ou seja, durante um breve período. Ou seja, a distribuição não muda durante esse período, e a visita de uma pessoa geralmente é independente da visita de outra. No entanto, se você expandir esse período, poderão aparecer diferenças sazonais nos visitantes da página da Web.

Consulte também nonstationarity.

inferência

#fundamentals

Em machine learning, o processo de fazer previsões aplicando um modelo treinado a exemplos não rotulados.

A inferência tem um significado diferente em estatística. Consulte o artigo da Wikipédia sobre inferência estatística para mais detalhes.

camada de entrada

#fundamentals

A camada de uma rede neural que contém o vetor de atributos. Ou seja, a camada de entrada fornece exemplos de treinamento ou inferência. Por exemplo, a camada de entrada na rede neural a seguir consiste em dois recursos:

interpretabilidade

#fundamentals

Capacidade de explicar ou apresentar o raciocínio de um modelo de ML em termos compreensíveis a um humano.

A maioria dos modelos de regressão linear, por exemplo, é altamente interpretável. Você só precisa conferir os pesos treinados para cada atributo. As florestas de decisão também são altamente interpretáveis. Alguns modelos, no entanto, exigem uma visualização sofisticada para se tornarem interpretáveis.

Use a Ferramenta de interpretação de aprendizado (LIT, na sigla em inglês) para interpretar modelos de ML.

iteração

#fundamentals

Uma única atualização dos parâmetros do modelo (pesos e vieses) do modelo durante o treinamento. O tamanho do lote determina quantos exemplos o modelo processa em uma única iteração. Por exemplo, se o tamanho do lote for 20, o modelo processará 20 exemplos antes de ajustar os parâmetros.

Ao treinar uma rede neural, uma única iteração envolve as duas etapas a seguir:

1. Uma passagem para avaliar a perda em um único lote.
2. Uma transmissão para trás (retropropagação) para ajustar os parâmetros do modelo com base na perda e na taxa de aprendizado.

L

Regularização L₀

#fundamentals

Um tipo de regularização que penaliza o número total de pesos diferentes de zero em um modelo. Por exemplo, um modelo com 11 pesos diferentes de zero seria penalizado mais do que um modelo semelhante com 10 pesos diferentes de zero.

A regularização L₀ às vezes é chamada de regularização de norma L0-norm (link em inglês).

Clique no ícone para ver mais observações.

Geralmente, a regularização L₀ é impraticável em modelos grandes porque a regularização L₀ transforma o treinamento em um problema de otimização convexo.

---

Perda L₁

#fundamentals

Uma função de perda que calcula o valor absoluto da diferença entre os valores reais de rótulo e os valores que um modelo prevê. Por exemplo, este é o cálculo da perda de L₁ para um lote de cinco exemplos:

Valor real do exemplo	Valor previsto do modelo	Valor absoluto do delta
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = perda L1

A perda L₁ é menos sensível a outliers do que a perda de L₂ (link em inglês).

O Erro médio absoluto é a perda média de L₁ por exemplo.

Clique no ícone para ver a matemática formal.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

em que:

• $n$ é o número de exemplos.
• $y$ é o valor real do rótulo.
• $\hat{y}$ é o valor que o modelo prevê para $y$.

---

Regularização L₁

#fundamentals

Um tipo de regularização que penaliza os pesos na proporção à soma do valor absoluto dos pesos. A regularização L₁ ajuda a direcionar os pesos de recursos irrelevantes ou pouco relevantes para exatamente 0. Um recurso com peso 0 é efetivamente removido do modelo.

Contraste com a regularização L₂.

Perda L₂

#fundamentals

Uma função de perda que calcula o quadrado da diferença entre os valores reais de rótulo e os valores que um modelo prevê. Por exemplo, este é o cálculo da perda de L₂ para um lote de cinco exemplos:

Valor real do exemplo	Valor previsto do modelo	Quadrado do delta
7	6	1
5	4	1
8	11	9
4	6	4
9	8	1
		16 = perda de L2

Devido ao quadrado, a perda de L₂ amplifica a influência dos outliers. Ou seja, a perda de L₂ reage mais a previsões ruins do que a perda de L₁. Por exemplo, a perda de L₁ do lote anterior seria 8 em vez de 16. Observe que um único outlier é responsável por 9 dos 16.

Modelos de regressão geralmente usam a perda L₂ como a função de perda.

O Erro quadrático médio é a perda média de L₂ por exemplo. Perda ao quadrado é outro nome para perda de L₂.

Clique no ícone para ver a matemática formal.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

em que:

• $n$ é o número de exemplos.
• $y$ é o valor real do rótulo.
• $\hat{y}$ é o valor que o modelo prevê para $y$.

---

Regularização de L₂

#fundamentals

Um tipo de regularização que penaliza os pesos na proporção à soma dos quadrados das ponderações. A regularização L₂ ajuda a gerar pesos outliers (aqueles com valores positivos ou baixos baixos) mais próximos de 0, mas não exatamente de 0. Recursos com valores muito próximos de 0 permanecem no modelo, mas não influenciam muito a previsão do modelo.

A regularização L₂ sempre melhora a generalização em modelos lineares.

Contraste com a regularização L₁.

Identificador

#fundamentals

No aprendizado de máquina supervisionado, a parte de "resposta" ou "resultado" de um exemplo.

Cada exemplo rotulado consiste em um ou mais recursos e um rótulo. Por exemplo, em um conjunto de dados de detecção de spam, o rótulo provavelmente seria "spam" ou "não é spam". Em um conjunto de dados de precipitação, o rótulo pode ser a quantidade de chuva que caiu durante um determinado período.

exemplo rotulado

#fundamentals

Um exemplo que contém um ou mais recursos e um rótulo. A tabela a seguir mostra três exemplos rotulados de um modelo de avaliação de imóveis, cada um com três recursos e um rótulo:

Número de quartos	Número de banheiros	Idade da casa	Preço da casa (rótulo)
3	2	15	US$ 345.000
2	1	72	US$ 179.000
4	2	34	US$ 392.000

No aprendizado de máquina supervisionado, os modelos são treinados com base em exemplos rotulados e fazem previsões em exemplos sem rótulos.

Contraste os exemplos rotulados com os sem rótulos.

Lambda

#fundamentals

Sinônimo de taxa de regularização.

Lambda é um termo sobrecarregado. Aqui, vamos nos concentrar na definição do termo em regularização.

layer

#fundamentals

Um conjunto de neurônios em uma rede neural. Três tipos comuns de camadas são os seguintes:

• A camada de entrada, que fornece valores para todos os recursos.
• Uma ou mais camadas ocultas, que encontram relações não lineares entre os atributos e o rótulo.
• A camada de saída, que fornece a previsão.

Por exemplo, a ilustração a seguir mostra uma rede neural com uma camada de entrada, duas camadas ocultas e uma camada de saída:

No TensorFlow, as camadas também são funções Python que usam Tensors e opções de configuração como entrada e produzem outros tensores como saída.

taxa de aprendizado

#fundamentals

Um número de ponto flutuante que informa ao algoritmo de gradiente descendente a intensidade do ajuste de pesos e vieses em cada iteração. Por exemplo, uma taxa de aprendizado de 0,3 ajustaria pesos e vieses três vezes mais poderosamente do que uma taxa de aprendizado de 0,1.

A taxa de aprendizado é um hiperparâmetro chave. Se você definir a taxa de aprendizado muito baixa, o treinamento levará muito tempo. Se você definir uma taxa de aprendizado muito alta, o gradiente descendente geralmente terá problemas para alcançar a convergência.

Clique no ícone para ver uma explicação mais matemática.

Durante cada iteração, o algoritmo gradiente descendente multiplica a taxa de aprendizado pelo gradiente. O produto resultante é chamado de etapa do gradiente.

---

linear

#fundamentals

Relação entre duas ou mais variáveis que podem ser representadas unicamente por adição e multiplicação.

O gráfico de uma relação linear é uma linha.

Contraste com nonlinear.

modelo linear

#fundamentals

Um model que atribui um model por model para fazer model. Os modelos lineares também incorporam um viés. Por outro lado, a relação entre atributos e previsões em modelos profundos geralmente é não linear.

Os modelos lineares geralmente são mais fáceis de treinar e mais interpretáveis do que os modelos profundos. No entanto, modelos profundos podem aprender relações complexas entre recursos.

Regressão linear e regressão logística são dois tipos de modelos lineares.

Clique no ícone para ver o cálculo.

Um modelo linear segue esta fórmula:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

em que:

• y' é a previsão bruta. Em determinados tipos de modelos lineares, essa previsão bruta será ainda mais modificada. Por exemplo, consulte regressão logística.
• b é o viés.
• w é um peso, portanto, w₁ é o peso do primeiro atributo, w₂ é o peso do segundo e assim por diante.
• x é um recurso. Portanto, x₁ é o valor do primeiro recurso, x₂ é o valor do segundo e assim por diante.

Por exemplo, suponha que um modelo linear para três recursos aprenda os seguintes vieses e pesos:

• b = 7
• w₁ = -2,5
• w₂ = -1,2
• w₃ = 1,4

Portanto, considerando três atributos (x₁, x₂ e x₃), o modelo linear usa a seguinte equação para gerar cada previsão:

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

Suponha que um exemplo específico contenha os seguintes valores:

• x₁ = 4
• x₂ = -10
• x₃ = 5

Para fazer uma previsão deste exemplo, inclua esses valores na fórmula:

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

Os modelos lineares incluem não apenas modelos que usam apenas uma equação linear para fazer previsões, mas também um conjunto mais amplo de modelos que usam uma equação linear como apenas um componente da fórmula que faz previsões. Por exemplo, a regressão logística pós-processa a previsão bruta (y') para produzir um valor de previsão final entre 0 e 1, exclusivamente.

---

regressão linear

#fundamentals

Um tipo de modelo de machine learning em que estas duas condições são verdadeiras:

• O modelo é um modelo linear.
• A previsão é um valor de ponto flutuante. Essa é a parte de regressão da regressão linear.

Comparar a regressão linear com a regressão logística Além disso, a regressão de contraste com a classificação.

regressão logística

#fundamentals

É um tipo de modelo de regressão que prevê uma probabilidade. Os modelos de regressão logística têm as seguintes características:

• O rótulo é categórico. O termo regressão logística geralmente se refere à regressão logística binária, ou seja, a um modelo que calcula probabilidades de rótulos com dois valores possíveis. Uma variante menos comum, a regressão logística multinomial, calcula as probabilidades dos rótulos com mais de dois valores possíveis.
• A função de perda durante o treinamento é Log Perda. Várias unidades de perda de registro podem ser colocadas em paralelo para rótulos com mais de dois valores possíveis.
• O modelo tem uma arquitetura linear, não uma rede neural profunda. No entanto, o restante desta definição também se aplica a modelos profundos que preveem probabilidades de rótulos categóricos.

Por exemplo, considere um modelo de regressão logística que calcula a probabilidade de um e-mail de entrada ser spam ou não spam. Durante a inferência, suponha que o modelo preveja 0,72. Portanto, o modelo está estimando:

• A chance de o e-mail ser spam é de 72%.
• A chance de o e-mail não ser spam é de 28%.

Um modelo de regressão logística usa a seguinte arquitetura de duas etapas:

1. O modelo gera uma previsão bruta (y') ao aplicar uma função linear dos atributos de entrada.
2. O modelo usa essa previsão bruta como entrada para uma função sigmoide, que a converte em um valor entre 0 e 1, excluindo 0 e 1.

Como qualquer modelo de regressão, um modelo de regressão logística prevê um número. No entanto, esse número normalmente se torna parte de um modelo de classificação binária da seguinte maneira:

• Se o número previsto for maior que o limite de classificação, o modelo de classificação binária preverá a classe positiva.
• Se o número previsto for menor que o limite de classificação, o modelo de classificação binária preverá a classe negativa.

Log Perda

#fundamentals

A função de perda usada na regressão logística binária.

Clique no ícone para ver o cálculo.

A fórmula a seguir calcula a perda de registro:

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

em que:

• \((x,y)\in D\) é o conjunto de dados que contém muitos exemplos rotulados, que são pares de \((x,y)\) .
• \(y\) é o rótulo em um exemplo rotulado. Como esta é uma regressão logística, todo valor de \(y\) precisa ser 0 ou 1.
• \(y'\) é o valor previsto (algo entre 0 e 1, exclusivo), dado o conjunto de atributos em \(x\).

---

log-odds

#fundamentals

O logaritmo da probabilidade de algum evento

Clique no ícone para ver o cálculo.

Se o evento for uma probabilidade binária, odds se refere à proporção entre a probabilidade de sucesso (p) e a probabilidade de falha (1-p). Por exemplo, suponha que um determinado evento tenha 90% de probabilidade de sucesso e 10% de probabilidade de falha. Nesse caso, as chances são calculadas da seguinte maneira:

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

As log-odds são simplesmente o logaritmo de probabilidades. Por convenção, "logaritmo" refere-se ao logaritmo natural, mas o logaritmo pode ser qualquer base maior que 1. Seguindo a convenção, as probabilidades de registro do nosso exemplo são, portanto:

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

A função log-odds é o inverso da função sigmoide.

---

perda

#fundamentals

Durante o treinamento de um modelo supervisionado, uma medida do quanto a previsão de um modelo está a partir do rótulo.

Uma função de perda calcula a perda.

curva de perda

#fundamentals

Um gráfico de perda como uma função do número de iterações de treinamento. O gráfico a seguir mostra uma curva de perda típica:

As curvas de perda podem ajudar a determinar quando o modelo está convergente ou overfitting.

As curvas de perda podem traçar todos os tipos de perda a seguir:

• perda do treinamento
• perda de validação
• perda do teste

Consulte também curva de generalização.

função de perda

#fundamentals

Durante o treinamento ou o teste, uma função matemática que calcula a perda em um lote de exemplos. Uma função de perda retorna uma perda menor para modelos que fazem boas previsões do que para modelos que fazem previsões ruins.

Normalmente, o objetivo do treinamento é minimizar a perda retornada por uma função de perda.

Existem muitos tipos diferentes de funções de perda. Escolha a função de perda apropriada para o tipo de modelo que você está criando. Exemplo:

• Perda de L₂ (ou Erro quadrático médio) é a função de perda da regressão linear.
• Log Perda é a função de perda para regressão logística.

M

machine learning

#fundamentals

Um programa ou sistema que treina um modelo usando dados de entrada. O modelo treinado pode fazer previsões úteis com base em dados novos (nunca acessados) coletados da mesma distribuição usada para treinar o modelo.

O aprendizado de máquina também se refere ao campo de estudo relacionado a esses programas ou sistemas.

classe majoritária

#fundamentals

O rótulo mais comum em um conjunto de dados desequilibrado de classes. Por exemplo, considerando um conjunto de dados que contém 99% de rótulos negativos e 1% de rótulos positivos, os rótulos negativos são a classe majoritária.

Contraste com a classe secundária.

minilote

#fundamentals

Um pequeno subconjunto selecionado de forma aleatória de um lote processado em uma iteração. O tamanho do lote de um minilote geralmente está entre 10 e 1.000 exemplos.

Por exemplo, suponha que todo o conjunto de treinamento (o lote completo) seja composto de 1.000 exemplos. Suponha também que você defina o tamanho do lote de cada minilote como 20. Portanto, cada iteração determina a perda aleatória em 20 dos 1.000 exemplos e, em seguida, ajusta os pesos e os vieses adequadamente.

É muito mais eficiente calcular a perda em um minilote do que a perda em todos os exemplos no lote completo.

classe minoritária

#fundamentals

O rótulo menos comum em um conjunto de dados desequilibrado de classes. Por exemplo, considerando um conjunto de dados que contém 99% de rótulos negativos e 1% de rótulos positivos, os rótulos positivos são a classe minoritária.

Contraste com a classe principal.

Clique no ícone para ver mais observações.

Um conjunto de treinamento com um milhão de exemplos parece impressionante. No entanto, se a classe minoritária for mal representada, até mesmo um conjunto de treinamento muito grande poderá ser insuficiente. Concentre-se menos no número total de exemplos no conjunto de dados e mais no número de exemplos na classe minoritária.

Se o conjunto de dados não contiver exemplos suficientes de classes minoritárias, use redução de amostragem (a definição no segundo marcador) para complementar a classe minoritária.

---

model

#fundamentals

Em geral, qualquer construção matemática que processa dados de entrada e retorna saída. Em outras palavras, um modelo é o conjunto de parâmetros e estrutura necessários para que um sistema faça previsões. No aprendizado de máquina supervisionado, um modelo usa um exemplo como entrada e infere uma previsão como saída. Dentro do machine learning supervisionado, os modelos são um pouco diferentes. Exemplo:

• Um modelo de regressão linear consiste em um conjunto de pesos e um vieses.
• Um modelo de rede neural consiste em:
  • Um conjunto de camadas escondidas, cada uma contendo um ou mais neurônios.
  • Os pesos e viés associados a cada neurônio.
• Um modelo de árvore de decisão consiste em:
  • O formato da árvore, ou seja, o padrão em que as condições e as folhas estão conectadas.
  • As condições e as folhas.

É possível salvar, restaurar ou fazer cópias de um modelo.

O aprendizado de máquina não supervisionado também gera modelos, normalmente uma função que pode mapear um exemplo de entrada para o cluster mais apropriado.

Clique no ícone para comparar as funções algébricas e de programação com os modelos de ML.

Uma função algébrica como a seguinte é um modelo:

  f(x, y) = 3x -5xy + y2 + 17

A função anterior mapeia os valores de entrada (x e y) para a saída.

Da mesma forma, uma função de programação como a seguinte também é um modelo:

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

O autor da chamada transmite argumentos para a função Python anterior, e a função Python gera saída usando a instrução return.

Uma rede neural profunda (em inglês) tem uma estrutura matemática muito diferente de uma função algébrica ou de programação, mas uma rede neural profunda ainda recebe entrada (um exemplo) e retorna saída (uma previsão).

Um programador humano codifica uma função de programação manualmente. Por outro lado, um modelo de machine learning aprende gradualmente os parâmetros ideais durante o treinamento automatizado.

---

classificação multiclasse

#fundamentals

No aprendizado supervisionado, um problema de classificação em que o conjunto de dados contém mais de duas classes de rótulos. Por exemplo, os rótulos no conjunto de dados Iris precisam ser uma das três classes a seguir:

• Iris setosa
• Iris virginica
• Íris versicolor

Um modelo treinado com o conjunto de dados Iris que prevê o tipo de íris em novos exemplos está realizando uma classificação multiclasse.

Por outro lado, os problemas de classificação que distinguem exatamente duas classes são os modelos de classificação binária. Por exemplo, um modelo de e-mail que prevê spam ou não é spam é um modelo de classificação binária.

Nos problemas de clustering, a classificação multiclasse se refere a mais de dois clusters.

N

classe negativa

#fundamentals

Na classificação binária, uma classe é denominada positiva e a outra, negativa. A classe positiva é a coisa ou o evento que o modelo está testando e a classe negativa é a outra possibilidade. Exemplo:

• A classe negativa em um exame médico pode ser "não tumor".
• A classe negativa em um classificador de e-mails pode ser "não é spam".

Contraste com a classe positiva.

do feedforward

#fundamentals

Um model que contém pelo menos uma model. Uma rede neural profunda é um tipo de rede neural que contém mais de uma camada escondida. Por exemplo, o diagrama a seguir mostra uma rede neural profunda que contém duas camadas ocultas.

Cada neurônio em uma rede neural se conecta a todos os nós na camada seguinte. Por exemplo, no diagrama anterior, observe que cada um dos três neurônios na primeira camada escondida se conecta separadamente aos dois neurônios na segunda camada escondida.

As redes neurais implementadas em computadores às vezes são chamadas de redes neurais artificiais para diferenciá-las das redes neurais encontradas no cérebro e em outros sistemas nervosos.

Algumas redes neurais podem imitar relações não lineares extremamente complexas entre diferentes atributos e o rótulo.

Consulte também rede neural convolucional e rede neural recorrente.

neurônio

#fundamentals

Em machine learning, uma unidade distinta dentro de uma camada escondida de uma rede neural. Cada neurônio executa a seguinte ação em duas etapas:

1. Calcula a soma ponderada dos valores de entrada multiplicados pelos pesos correspondentes.
2. Transmite a soma ponderada como entrada para uma função de ativação.

Um neurônio na primeira camada escondida aceita entradas dos valores de recursos na camada de entrada. Um neurônio em qualquer camada escondida além da primeira aceita entradas dos neurônios na camada escondida anterior. Por exemplo, um neurônio na segunda camada escondida aceita entradas dos neurônios da primeira camada escondida.

A ilustração a seguir destaca dois neurônios e as entradas deles.

Um neurônio em uma rede neural imita o comportamento dos neurônios no cérebro e em outras partes dos sistemas nervosos.

nó (rede neural)

#fundamentals

Um neurônio em uma camada escondida.

não linear

#fundamentals

Uma relação entre duas ou mais variáveis que não podem ser representadas exclusivamente por adição e multiplicação. Uma relação linear pode ser representada como uma linha, e uma relação não linear não pode ser representada como uma linha. Por exemplo, considere dois modelos que relacionam um único recurso a um único rótulo. O modelo à esquerda é linear e o modelo à direita é não linear:

não estacionário

#fundamentals

Um recurso cujos valores mudam em uma ou mais dimensões, normalmente o tempo. Considere estes exemplos de não estacionário:

• O número de trajes de banho vendidos em uma loja específica varia de acordo com a estação.
• A quantidade de uma fruta específica colhida em uma determinada região é zero para grande parte do ano, mas grande por um breve período.
• Devido às mudanças climáticas, as temperaturas médias anuais estão mudando.

Contraste com estacionaridade.

normalização

#fundamentals

De modo geral, o processo de converter o intervalo real de valores de uma variável em um intervalo padrão de valores, como:

• -1 a +1
• 0 a 1
• a distribuição normal

Por exemplo, suponha que o intervalo real de valores de um determinado recurso seja de 800 a 2.400. Como parte da engenharia de atributos, é possível normalizar os valores reais para um intervalo padrão, como -1 para +1.

A normalização é uma tarefa comum na engenharia de atributos. Os modelos geralmente são treinados mais rapidamente e produzem previsões melhores quando todos os atributos numéricos no vetor de atributos têm aproximadamente o mesmo intervalo.

dados numéricos

#fundamentals

Recursos representados como números inteiros ou números com valor real. Por exemplo, um modelo de avaliação de casas provavelmente representa o tamanho de uma casa (em pés quadrados ou metros quadrados) como dados numéricos. Representar um recurso como dados numéricos indica que os valores dele têm uma relação matemática com o rótulo. Ou seja, o número de metros quadrados em uma casa provavelmente tem alguma relação matemática com o valor dela.

Nem todos os dados inteiros precisam ser representados como dados numéricos. Por exemplo, em algumas partes do mundo, os códigos postais são números inteiros. No entanto, esses códigos não podem ser representados como dados numéricos nos modelos. Isso ocorre porque um código postal de 20000 não é duas vezes (ou metade) tão potente quanto um código postal de 10000. Além disso, embora códigos postais diferentes façam correlação com diferentes valores de imóveis, não podemos presumir que os valores de imóveis no código postal 20000 são duas vezes mais valiosos do que os valores no código postal 10000. Os códigos postais precisam ser representados como dados categóricos.

Os recursos numéricos às vezes são chamados de recursos contínuos.

O

offline

#fundamentals

Sinônimo de static.

inferência off-line

#fundamentals

O processo de um modelo que gera um lote de previsões e, em seguida, armazena essas previsões em cache (salva). Assim, os apps podem acessar a previsão pretendida pelo cache em vez de executar novamente o modelo.

Por exemplo, considere um modelo que gera previsões meteorológicas locais (previsões) uma vez a cada quatro horas. Após a execução de cada modelo, o sistema armazena em cache todas as previsões meteorológicas locais. Os apps de clima recuperam as previsões do cache.

A inferência off-line também é chamada de inferência estática.

Contraste com a inferência on-line.

codificação one-hot

#fundamentals

Representação de dados categóricos como um vetor em que:

• Um elemento está definido como 1.
• Todos os outros elementos são definidos como 0.

A codificação one-hot geralmente é usada para representar strings ou identificadores que têm um conjunto finito de valores possíveis. Por exemplo, suponha que um determinado atributo categórico chamado Scandinavia tenha cinco valores possíveis:

• "Dinamarca"
• "Suécia"
• "Noruega"
• "Finlândia"
• "Islândia"

A codificação one-hot pode representar cada um dos cinco valores da seguinte maneira:

país	Vetor
"Dinamarca"	1	0	0	0	0
"Suécia"	0	1	0	0	0
"Noruega"	0	0	1	0	0
"Finlândia"	0	0	0	1	0
"Islândia"	0	0	0	0	1

Graças à codificação one-hot, um modelo pode aprender conexões diferentes com base em cada um dos cinco países.

Representar um atributo como dados numéricos é uma alternativa à codificação one-hot. Infelizmente, representar os países escandinavos numericamente não é uma boa escolha. Por exemplo, veja a seguinte representação numérica:

• "Dinamarca" é 0
• "Suécia" é 1
• "Noruega" é 2
• "Finlândia" é 3
• "Islândia" é 4

Com a codificação numérica, um modelo interpretaria os números brutos matematicamente e tentaria treinar com esses números. No entanto, a Islândia não é duas vezes mais (ou metade) da Noruega, então o modelo chegaria a algumas conclusões estranhas.

um-contra-todos

#fundamentals

Dado um problema de classificação com N classes, uma solução que consiste em N classificadores binários separados, um classificador binário para cada resultado possível. Por exemplo, considerando um modelo que classifica exemplos como animal, vegetal ou mineral, uma solução de um x tudo forneceria os três classificadores binários abaixo:

• animal x não animal
• vegetais x não vegetais
• mineral x não mineral

online

#fundamentals

Sinônimo de dynamic.

inferência on-line

#fundamentals

Gerar previsões sob demanda. Por exemplo, suponha que um app passe uma entrada para um modelo e emita uma solicitação de previsão. Um sistema que usa inferência on-line responde à solicitação executando o modelo e retornando a previsão ao app.

Contraste com a inferência off-line.

camada de saída

#fundamentals

A camada "final" de uma rede neural. A camada de saída contém a previsão.

A ilustração a seguir mostra uma pequena rede neural profunda com uma camada de entrada, duas camadas ocultas e uma camada de saída:

overfitting

#fundamentals

Criar um model que corresponda aos model de modo que o modelo não consiga fazer previsões corretas sobre os novos dados.

A regularização pode reduzir o overfitting. Treinar em um conjunto de treinamento grande e diversificado também pode reduzir o overfitting.

Clique no ícone para ver mais observações.

O overfitting é como seguir estritamente os conselhos do seu professor favorito. Você provavelmente vai sair bem na aula desse professor, mas pode ficar "excesso" nas ideias dele e não ter sucesso em outras aulas. Seguir os conselhos de diversos professores permitirá que você se adapte melhor a novas situações.

---

P

pandas

#fundamentals

Uma API de análise de dados orientada por colunas criada com base em numpy. Muitos frameworks de machine learning, incluindo o TensorFlow, são compatíveis com estruturas de dados pandas como entradas. Consulte a documentação do pandas para mais detalhes.

parâmetro

#fundamentals

Os pesos e os vieses que um modelo aprende durante o treinamento. Por exemplo, em um modelo de regressão linear, os parâmetros consistem no viés (b) e todos os pesos (w₁, w₂ e assim por diante) na seguinte fórmula:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

Por outro lado, hiperparâmetro são os valores que você (ou um serviço de transformação de hiperparâmetros) fornece ao modelo. Por exemplo, a taxa de aprendizado é um hiperparâmetro.

classe positiva

#fundamentals

A classe que você está testando.

Por exemplo, a classe positiva em um modelo de câncer pode ser "tumor". A classe positiva em um classificador de e-mails pode ser "spam".

Contraste com a classe negativa.

Clique no ícone para ver mais observações.

O termo classe positiva pode ser confuso porque o resultado "positivo" de muitos testes costuma ser indesejável. Por exemplo, a classe positiva em muitos exames médicos corresponde a tumores ou doenças. Em geral, você quer que um médico diga: "Parabéns! Os resultados do seu teste foram negativos." Independentemente disso, a classe positiva é o evento que o teste está buscando encontrar.

É certo que você está testando simultaneamente as classes positiva e negativa.

---

pós-processamento

#fairness

#fundamentals

Ajustar a saída de um modelo depois da execução dele. O pós-processamento pode ser usado para impor restrições de imparcialidade sem modificar os modelos.

Por exemplo, é possível aplicar o pós-processamento a um classificador binário definindo um limite de classificação. Assim, a igualdade de oportunidade é mantida para algum atributo, verificando se a taxa positiva de verdade é a mesma para todos os valores desse atributo.

previsão

#fundamentals

A saída de um modelo. Exemplo:

• A previsão de um modelo de classificação binária é a classe positiva ou a classe negativa.
• A previsão de um modelo de classificação multiclasse é de uma classe.
• A previsão de um modelo de regressão linear é um número.

identificadores de proxy

#fundamentals

Dados usados para aproximar os identificadores que não estão disponíveis diretamente em um conjunto de dados.

Por exemplo, suponha que você precise treinar um modelo para prever o nível de estresse dos funcionários. Seu conjunto de dados contém muitos recursos preditivos, mas não um rótulo chamado nível de estresse. Não se assuste, você escolhe "acidentes no local de trabalho" como um identificador indicador do nível de estresse. Afinal, funcionários sob alto estresse sofrem mais acidentes do que funcionários calmos. Ou eles sim? Talvez os acidentes de trabalho realmente aumentem e diminuam por vários motivos.

Como segundo exemplo, suponha que você queira que está chovendo? como um rótulo booleano para seu conjunto de dados, mas ele não contém dados de chuva. Se fotos estiverem disponíveis, você poderá criar fotos de pessoas com guarda-chuvas como um identificador substituto para está chovendo? Esse é um bom identificador de proxy? Possivelmente, mas as pessoas em algumas culturas são mais propensas a levar guarda-chuvas para proteção contra o sol do que a chuva.

Os rótulos de proxy geralmente são imperfeitos. Quando possível, escolha identificadores reais em vez de proxy. Por isso, quando não houver um identificador real, escolha o rótulo de proxy com muito cuidado, escolhendo o candidato a rótulo de proxy menos horrível.

R

rotulador

#fundamentals

Uma pessoa que fornece rótulos para exemplos. "Anotador" é outro nome para rotulador.

Unidade Linear Retificada (ReLU)

#fundamentals

Uma função de ativação com o seguinte comportamento:

• Se a entrada for negativa ou zero, a saída será 0.
• Se a entrada for positiva, a saída será igual à entrada.

Exemplo:

• Se a entrada for -3, a saída vai ser 0.
• Se a entrada for +3, a saída será 3,0.

Este é um gráfico de ReLU:

A ReLU é uma função de ativação muito conhecida. Apesar do comportamento simples, a ReLU ainda permite que uma rede neural aprenda relações não lineares entre atributos e o rótulo.

modelo de regressão

#fundamentals

informalmente, um modelo que gera uma previsão numérica. Por outro lado, um modelo de classificação gera uma previsão de classe. Por exemplo, estes são todos os modelos de regressão:

• Um modelo que prevê o valor de uma determinada casa, como 423.000 euros.
• Um modelo que prevê a expectativa de vida de uma determinada árvore, como 23,2 anos.
• Um modelo que prevê a quantidade de chuva que vai cair em uma determinada cidade nas próximas seis horas, como 0,18 polegadas.

Dois tipos comuns de modelos de regressão são:

• Regressão linear, que encontra a linha que melhor ajusta os valores de rótulo aos recursos.
• Regressão logística, que gera uma probabilidade entre 0,0 e 1,0 que um sistema normalmente mapeia para uma previsão de classe.

Nem todo modelo que gera previsões numéricas é um modelo de regressão. Em alguns casos, uma previsão numérica é apenas um modelo de classificação que tem nomes de classes numéricas. Por exemplo, um modelo que prevê um código postal numérico é um modelo de classificação, não de regressão.

regularização

#fundamentals

Qualquer mecanismo que reduza o overfitting Os tipos conhecidos de regularização incluem:

• Regularização L₁
• Regularização L₂
• regularização de dropout
• parada antecipada: esse não é um método de regularização formal, mas pode limitar efetivamente o overfitting.

A regularização também pode ser definida como a penalidade na complexidade de um modelo.

Clique no ícone para ver mais observações.

A regularização não é intuitiva. Aumentar a regularização geralmente aumenta a perda no treinamento, o que é confuso porque o objetivo não é minimizar essa perda?

Na verdade, não. O objetivo não é minimizar a perda no treinamento. O objetivo é fazer excelentes previsões com exemplos do mundo real. Embora o aumento da regularização aumente a perda no treinamento, geralmente isso ajuda os modelos a fazer previsões melhores com exemplos do mundo real.

---

taxa de regularização

#fundamentals

Um número que especifica a importância relativa da regularização durante o treinamento. Aumentar a taxa de regularização reduz o overfitting, mas pode reduzir o poder preditivo do modelo. Por outro lado, reduzir ou omitir a taxa de regularização aumenta o overfitting.

Clique no ícone para ver o cálculo.

A taxa de regularização geralmente é representada como a letra grega lambda. A equação de perda simplificada abaixo mostra a influência de lambda:

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

em que regularização é qualquer mecanismo de regularização, incluindo:

• Regularização L₁
• Regularização L₂

---

ReLU

#fundamentals

Abreviação de Unidade linear retificada.

geração de recuperação aumentada

#fundamentals

Uma arquitetura de software comumente usada em aplicativos de modelo de linguagem grande (LLM). Motivações comuns para usar a geração aumentada de recuperação incluem:

• Aumentar a precisão factual das respostas geradas pelo modelo
• Dar ao modelo acesso ao conhecimento sobre o qual não foi treinado
• Mudar o conhecimento usado pelo modelo
• Como permitir que o modelo cite fontes

Por exemplo, suponha que um app de química use a API PaLM para gerar resumos relacionados às consultas do usuário. Quando o back-end do app recebe uma consulta, ele primeiro procura ("recupera") dados relevantes para a consulta do usuário, anexa ("aumenta") os dados químicos relevantes à consulta do usuário e instrui o LLM a criar um resumo com base nos dados anexados.

Curva ROC (característica de operação do receptor)

#fundamentals

Um gráfico de taxa de verdadeiro positivo x taxa de falsos positivos para diferentes limites de classificação na classificação binária.

O formato de uma curva ROC sugere a capacidade de um modelo de classificação binária de separar classes positivas de classes negativas. Suponha, por exemplo, que um modelo de classificação binária separa perfeitamente todas as classes negativas de todas as classes positivas:

A curva ROC do modelo anterior tem a seguinte aparência:

Em contraste, a ilustração a seguir mostra os valores brutos de regressão logística para um modelo terrível que não consegue separar classes negativas de classes positivas:

A curva ROC para este modelo tem a seguinte aparência:

Enquanto isso, no mundo real, a maioria dos modelos de classificação binária separa as classes positivas e negativas até certo ponto, mas não de maneira perfeita. Assim, uma curva ROC típica fica entre os dois extremos:

Teoricamente, o ponto em uma curva ROC mais próximo (0,0, 1,0) identifica o limiar de classificação ideal. No entanto, vários outros problemas reais influenciam a seleção do limiar de classificação ideal. Por exemplo, os falsos negativos podem causar muito mais problemas do que os falsos positivos.

Uma métrica numérica chamada AUC (em inglês) resume a curva ROC em um único valor de ponto flutuante.

Raiz do erro quadrático médio (RMSE)

#fundamentals

A raiz quadrada do erro quadrático médio.

S

função sigmoide

#fundamentals

Uma função matemática que "compõe" um valor de entrada em um intervalo restrito, normalmente de 0 a 1 ou de -1 a +1. Ou seja, você pode passar qualquer número (dois, um milhão, bilhão negativo, qualquer que seja) para um sigmoide e a saída ainda estará no intervalo restrito. Um gráfico da função de ativação sigmoide é semelhante ao seguinte:

A função sigmoide tem vários usos no machine learning, incluindo:

• Converter a saída bruta de um modelo de regressão logística ou de regressão multinomial em uma probabilidade.
• Agir como uma função de ativação em algumas redes neurais.

Clique no ícone para ver o cálculo.

A função sigmoide sobre um número de entrada x tem a seguinte fórmula:

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

Em machine learning, x geralmente é uma soma ponderada.

---

softmax

#fundamentals

Uma função que determina as probabilidades para cada classe possível em um modelo de classificação multiclasse. As probabilidades somam exatamente 1,0. Por exemplo, a tabela abaixo mostra como o softmax distribui várias probabilidades:

A imagem é um...	Probabilidade
cachorro	.85
cat	.13
cavalo	0,02

O softmax também é chamado de softmax completo.

Contraste com a amostragem de candidatos.

Clique no ícone para ver o cálculo.

A equação softmax é a seguinte:

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

em que:

• $\sigma_i$ é o vetor de saída. Cada elemento do vetor de saída especifica a probabilidade desse elemento. A soma de todos os elementos no vetor de saída é 1,0. O vetor de saída contém o mesmo número de elementos que o vetor de entrada, $z$.
• $z$ é o vetor de entrada. Cada elemento do vetor de entrada tem um valor de ponto flutuante.
• $K$ é o número de elementos no vetor de entrada (e o vetor de saída).

Por exemplo, suponha que o vetor de entrada seja:

[1.2, 2.5, 1.8]

Portanto, a função softmax calcula o denominador da seguinte maneira:

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

Portanto, a probabilidade softmax de cada elemento é:

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$ $$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$ $$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

Assim, o vetor de saída será:

$$\sigma = [0.154, 0.565, 0.281]$$

A soma dos três elementos em $\sigma$ é 1,0. Ufa.

---

atributo esparso

#language

#fundamentals

Um elemento com valores predominantemente zero ou vazios. Por exemplo, um recurso que contém um único valor 1 e um milhão de valores 0 é esparso. Por outro lado, um recurso denso tem valores predominantemente não zero ou vazios.

Em machine learning, um número surpreendente de atributos é esparso. Geralmente, os atributos categóricos são esparsos. Por exemplo, das 300 espécies de árvores possíveis em uma floresta, um único exemplo pode identificar apenas uma árvore de bordo. Ou, dos milhões de vídeos possíveis em uma biblioteca, um único exemplo poderia identificar apenas "Casablanca".

Em um modelo, você normalmente representa recursos esparsos com codificação one-hot. Se a codificação one-hot for grande, coloque uma camada de incorporação sobre a codificação one-hot para maior eficiência.

representação esparsa

#language

#fundamentals

Armazenar apenas as posições de elementos diferentes de zero em um atributo esparso.

Por exemplo, suponha que um recurso categórico chamado species identifique as 36 espécies de árvores em uma floresta específica. Considere também que cada exemplo identifica apenas uma espécie.

Você pode usar um vetor one-hot para representar as espécies de árvores em cada exemplo. Um vetor one-hot contém uma única 1 (para representar a espécie de árvore específica neste exemplo) e 35 0s (para representar as 35 espécies de árvores não nesse exemplo). Portanto, a representação one-hot de maple pode ser parecida com esta:

Como alternativa, a representação esparsa simplesmente identificaria a posição de uma determinada espécie. Se maple estiver na posição 24, a representação esparsa de maple será simplesmente:

24

Observe que a representação esparsa é muito mais compacta do que a representação one-hot.

Observação: não transmita uma representação esparsa como uma entrada de atributo direto para um modelo. Em vez disso, converta a representação esparsa em uma representação one-hot antes do treinamento.

Clique no ícone para conferir um exemplo um pouco mais complexo.

Suponha que cada exemplo no seu modelo represente as palavras, mas não a ordem delas, em uma frase em inglês. O inglês consiste em cerca de 170.000 palavras. Portanto, o inglês é um atributo categórico com cerca de 170.000 elementos. A maioria das sentenças em inglês usa uma fração extremamente pequena dessas 170.000 palavras, de modo que o conjunto de palavras em um único exemplo é quase certamente dados esparsos.

Considere a seguinte frase:

My dog is a great dog

Você pode usar uma variante do vetor one-hot para representar as palavras desta frase. Nessa variante, várias células no vetor podem conter um valor diferente de zero. Além disso, nessa variante, uma célula pode conter um número inteiro diferente de um. Embora as palavras "meu", "é", "um" e "ótimo" apareçam apenas uma vez na frase, a palavra "cachorro" aparece duas vezes. O uso dessa variante de vetores one-hot para representar as palavras dessa frase resulta no seguinte vetor de 170.000 elementos:

Uma representação esparsa da mesma frase seria:

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

Clique no ícone se estiver confuso.

O termo "representação esparsa" confunde muitas pessoas porque a representação esparsa não é um vetor esparso por si só. Em vez disso, a representação esparsa é, na verdade, uma representação densa de um vetor esparso (link em inglês). A representação de índice de sinônimos é um pouco mais clara do que "representação esparsa".

---

vetor esparso

#fundamentals

Vetor cujos valores são, na maioria, zero. Consulte também atributos esparsos e esparsidade.

perda quadrática

#fundamentals

Sinônimo de L₂ Loss.

static

#fundamentals

Algo feito uma vez, em vez de continuamente. Os termos estático e off-line são sinônimos. Veja a seguir usos comuns de estático e off-line no machine learning:

• O modelo estático (ou modelo off-line) é treinado uma vez e usado por um tempo.
• O treinamento estático (ou treinamento off-line) é o processo de treinamento de um modelo estático.
• A inferência estática (ou inferência off-line) é um processo em que um modelo gera um lote de previsões por vez.

Contraste com dinâmico.

inferência estática

#fundamentals

Sinônimo de inferência off-line.

estacionaridade

#fundamentals

Um recurso cujos valores não mudam em uma ou mais dimensões, normalmente o tempo. Por exemplo, um recurso com valores que parecem iguais em 2021 e 2023 exibe estalaridade.

No mundo real, pouquíssimos recursos exibem estacionaridade. Até mesmo recursos sinônimos de estabilidade (como o nível do mar) mudam com o tempo.

Contraste com nonstationarity.

gradiente descendente estocástico (SGD)

#fundamentals

Um algoritmo de gradiente descendente em que o tamanho do lote é um. Em outras palavras, o SGD treina em um único exemplo escolhido de maneira uniforme e aleatória de um conjunto de treinamento.

machine learning supervisionado

#fundamentals

Treinamento de um model usando model e os model correspondentes. O machine learning supervisionado é semelhante ao aprendizado de um assunto estudando um conjunto de perguntas e as respostas correspondentes. Depois de dominar o mapeamento entre perguntas e respostas, o estudante pode responder a perguntas novas (nunca vistas) sobre o mesmo tema.

Compare com o aprendizado de máquina não supervisionado.

atributo sintético

#fundamentals

Um recurso que não está presente entre os recursos de entrada, mas montado com base em um ou mais deles. Os métodos para criar recursos sintéticos incluem:

• Agrupamento por classes de um atributo contínuo em agrupamentos por intervalos.
• Criar um cruzamento de atributos.
• Multiplicar (ou dividir) um valor de recurso por outros valores ou por si próprio. Por exemplo, se a e b forem recursos de entrada, estes são exemplos de recursos sintéticos:
  • ab
  • a²
• Aplicando uma função transcendental a um valor de atributo. Por exemplo, se c for um recurso de entrada, veja a seguir exemplos de recursos sintéticos:
  • sin(c)
  • ln(c)

Os recursos criados pela normalização ou pelo escalonamento apenas não são considerados recursos sintéticos.

T

perda de teste

#fundamentals

Uma métrica que representa a perda de um modelo em relação ao conjunto de teste. Ao criar um model, você geralmente tenta minimizar a perda de testes. Isso ocorre porque uma baixa perda no teste é um sinal de qualidade mais forte do que uma baixa perda de treinamento ou baixa perda de validação.

Uma grande lacuna entre a perda de testes e a perda de treinamento ou a perda de validação às vezes sugere que é necessário aumentar a taxa de regularização.

Treinamento

#fundamentals

O processo de determinação dos parâmetros (pesos e vieses) ideais que compõem um modelo. Durante o treinamento, um sistema lê exemplos e ajusta os parâmetros gradualmente. O treinamento usa cada exemplo em qualquer lugar, de algumas a bilhões de vezes.

perda de treinamento

#fundamentals

Uma métrica que representa a perda de um modelo durante uma iteração de treinamento específica. Por exemplo, suponha que a função de perda seja Erro quadrático médio. Talvez a perda de treinamento (o erro médio quadrado) na 10a iteração seja 2,2 e a perda de treinamento na 100a iteração seja 1,9.

Uma curva de perda traça a perda do treinamento em comparação com o número de iterações. Uma curva de perda oferece as seguintes dicas sobre o treinamento:

• Uma curva decrescente indica que o modelo está melhorando.
• Uma inclinação para cima indica que o modelo está piorando.
• Uma inclinação plana indica que o modelo atingiu a convergência.

Por exemplo, a seguinte curva de perda um pouco idealizada mostra:

• Uma curva decrescente acentuada durante as iterações iniciais, o que implica uma melhoria rápida do modelo.
• Uma inclinação gradual (mas ainda decrescente) até perto do final do treinamento, o que implica melhoria contínua do modelo em um ritmo um pouco mais lento do que durante as iterações iniciais.
• Uma inclinação plana em direção ao final do treinamento, o que sugere convergência.

Embora a perda do treinamento seja importante, consulte também a generalização.

desvio de treinamento/exibição

#fundamentals

A diferença entre o desempenho de um modelo durante o treinamento e o desempenho do mesmo modelo durante a exibição.

conjunto de treinamento

#fundamentals

O subconjunto do conjunto de dados usado para treinar um modelo.

Tradicionalmente, os exemplos no conjunto de dados são divididos nestes três subconjuntos distintos:

• um conjunto de treinamento
• Um conjunto de validação
• Um conjunto de teste

O ideal é que cada exemplo no conjunto de dados pertença a apenas um dos subconjuntos anteriores. Por exemplo, um único exemplo não pode pertencer aos conjuntos de treinamento e de validação.

verdadeiro negativo (VN)

#fundamentals

Um exemplo em que o modelo prevê corretamente a classe negativa. Por exemplo, o modelo infere que uma mensagem de e-mail específica não é spam e que ela realmente não é spam.

verdadeiro positivo (VP)

#fundamentals

Exemplo em que o modelo prevê corretamente a classe positiva. Por exemplo, o modelo infere que uma mensagem de e-mail específica é spam e que essa mensagem realmente é spam.

taxa de verdadeiro positivo (TPR)

#fundamentals

Sinônimo de recall. Ou seja:

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

A taxa positiva verdadeira é o eixo y em uma curva ROC (link em inglês).

U

ajuste abaixo do esperado

#fundamentals

Produzir um model com baixa capacidade de previsão, porque o modelo não capturou totalmente a complexidade dos dados de treinamento. Muitos problemas podem causar underfitting, incluindo:

• Treinamento no conjunto errado de recursos.
• Treinamento para poucas épocas ou com uma taxa de aprendizado muito baixa.
• Treinamento com uma taxa de regularização muito alta.
• Fornecer poucas camadas escondidas em uma rede neural profunda.

exemplo sem rótulo

#fundamentals

Um exemplo com features, mas nenhum label. A tabela a seguir mostra três exemplos sem rótulo de um modelo de avaliação de casas, cada um com três atributos, mas sem valor de casa:

Número de quartos	Número de banheiros	Idade da casa
3	2	15
2	1	72
4	2	34

No aprendizado de máquina supervisionado, os modelos são treinados com base em exemplos rotulados e fazem previsões em exemplos sem rótulos.

Nos aprendizados semissupervisionados e não supervisionado, exemplos não rotulados são usados durante o treinamento.

Contraste o exemplo sem rótulo com o exemplo rotulado.

machine learning não supervisionado

#clustering

#fundamentals

Treinar um model para encontrar padrões em um conjunto de dados, normalmente um conjunto de dados não rotulado.

O uso mais comum do machine learning não supervisionado é cluster (link em inglês) em grupos de exemplos semelhantes. Por exemplo, um algoritmo de aprendizado de máquina não supervisionado pode agrupar músicas com base em várias propriedades delas. Os clusters resultantes podem se tornar uma entrada para outros algoritmos de aprendizado de máquina (por exemplo, para um serviço de recomendação de músicas). O clustering pode ajudar quando os rótulos úteis estiverem escassos ou ausentes. Por exemplo, em domínios como antiabuso e fraude, os clusters podem ajudar os humanos a entender melhor os dados.

Contraste com o aprendizado de máquina supervisionado.

Clique no ícone para ver mais observações.

Outro exemplo de machine learning não supervisionado é a análise de componente principal (PCA, na sigla em inglês). Por exemplo, aplicar o PCA em um conjunto de dados que contém o conteúdo de milhões de carrinhos de compras pode revelar que carrinhos de compras que contêm limões frequentemente também contêm antiácidos.

---

V

da política.

#fundamentals

A avaliação inicial da qualidade de um modelo. A validação verifica a qualidade das previsões de um modelo em relação ao conjunto de validação.

Como o conjunto de validação é diferente do conjunto de treinamento, a validação ajuda a proteger contra overfitting.

Avalie o modelo em relação ao conjunto de validação como a primeira rodada de teste e compare-o com o conjunto de teste como a segunda rodada.

perda de validação

#fundamentals

Uma métrica que representa a perda de um modelo no conjunto de validação durante uma iteração específica de treinamento.

Consulte também curva de generalização.

conjunto de validação

#fundamentals

O subconjunto do conjunto de dados que realiza a avaliação inicial em relação a um modelo treinado. Normalmente, é possível avaliar o modelo treinado em relação ao conjunto de validação várias vezes antes de avaliá-lo em relação ao conjunto de teste.

Tradicionalmente, você divide os exemplos no conjunto de dados nos três subconjuntos distintos a seguir:

• Um conjunto de treinamento
• um conjunto de validação
• Um conjunto de teste

O ideal é que cada exemplo no conjunto de dados pertença a apenas um dos subconjuntos anteriores. Por exemplo, um único exemplo não pode pertencer aos conjuntos de treinamento e de validação.

W

weight

#fundamentals

Um valor que um modelo multiplica por outro. Treinamento é o processo de determinar os pesos ideais de um modelo. A inferência é o processo de usar esses pesos aprendidos para fazer previsões.

Clique no ícone para ver um exemplo de pesos em um modelo linear.

Imagine um modelo linear com dois atributos. Suponha que o treinamento determine os seguintes pesos (e viés):

• O viés, b, tem um valor de 2,2
• O peso, w₁ associado a um recurso, é 1,5.
• O peso, w₂ associado ao outro recurso, é 0,4.

Agora imagine um exemplo com os seguintes valores de recursos:

• O valor de um atributo, x₁, é 6.
• O valor do outro recurso, x₂, é 10.

Esse modelo linear usa a seguinte fórmula para gerar uma previsão, y':

$$y' = b + w_1x_1 + w_2x_2$$

Portanto, a previsão é:

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

Se um peso for 0, o recurso correspondente não vai contribuir para o modelo. Por exemplo, se w₁ for 0, o valor de x₁ será irrelevante.

---

soma de pesos

#fundamentals

A soma de todos os valores de entrada relevantes multiplicados pelos pesos correspondentes. Por exemplo, suponha que as entradas relevantes sejam as seguintes:

valor de entrada	peso de entrada
2	-1.3
-1	0.6
3	0.4

Portanto, a soma ponderada é:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Uma soma ponderada é o argumento de entrada para uma função de ativação.

Z

Normalização da pontuação Z

#fundamentals

Uma técnica de escalonamento que substitui um valor bruto de atributo por um valor de ponto flutuante que representa o número de desvios padrão da média desse atributo. Por exemplo, considere um atributo com média 800 e desvio padrão 100. A tabela a seguir mostra como a normalização da pontuação Z mapeia o valor bruto para o valor Z:

Valor bruto	Pontuação Z
800	0
950	+1,5
575	-2.25

O modelo de machine learning é treinado com base na pontuação Z para esse atributo, em vez de nos valores brutos.