O que é aprendizado supervisionado
É o paradigma em que o modelo aprende a partir de exemplos rotulados: cada entrada \(x\) vem acompanhada da saída correta \(y\). O objetivo é induzir uma função \(f: X \to Y\) que generalize bem para dados novos. O rótulo funciona como o 'professor' que corrige o erro durante o treino. Sem rótulo, o aprendizado é não supervisionado.
Treinar um filtro com e-mails já marcados como 'spam' ou 'não spam' para classificar mensagens futuras.
Classificação versus regressão
As duas tarefas supervisionadas se distinguem pelo tipo da saída. Na classificação, \(y\) é uma categoria discreta (binária ou multiclasse). Na regressão, \(y\) é um valor numérico contínuo. A banca costuma descrever o problema e perguntar qual tarefa ele representa.
Prever se um cliente vai cancelar o contrato é classificação; prever o valor da fatura do próximo mês é regressão.
Principais algoritmos
Regressão linear: regressão. Regressão logística: apesar do nome, é classificação, pois estima a probabilidade de classe. Árvores de decisão e Random Forest: classificação e regressão, com regras interpretáveis. k-NN: decide pela maioria dos \(k\) vizinhos mais próximos, sem fase de treino propriamente dita. SVM: busca o hiperplano de margem máxima, com kernels para casos não lineares. Naive Bayes: probabilístico, supõe independência entre atributos. Redes neurais: aproximam funções complexas.
Usar SVM com kernel RBF para separar duas classes que não são linearmente separáveis.
Na plataforma, cada ideia vem com uma pergunta de checagem, flashcards para revisar e questões da banca.