Search courses, chapters, or pages...
Identifique, em exemplos simples, o que entra no modelo e qual resposta ele deveria aprender. Use casos como e-mails, preços de casas e frases para separar dados de entrada, rótulos e alvo.
Use what you learned in the previous lesson to solve real-world problems.
Compare uma regra escrita à mão com um modelo que melhora ao observar exemplos. Reconheça que o aprendizado vem de ajustar “botões internos”, não de listar todas as regras possíveis.
Check what you understood with a short quiz.
Trace o caminho de uma entrada até uma saída: dado entra, o modelo calcula algo e devolve uma previsão. Separe a previsão do acerto, porque o modelo sempre responde antes de sabermos se respondeu bem.
Decida quando um problema pede uma categoria, como spam ou não spam, gato ou cachorro, aprovado ou reprovado. Leia a saída como uma escolha entre classes, mesmo quando o modelo também produz pontuações para cada opção.
Reconheça problemas em que a resposta é um valor contínuo, como preço, temperatura ou tempo de entrega. Meça o erro pensando na distância entre o número previsto e o número correto.
Analise tarefas em que o modelo cria texto, imagem, áudio ou código a partir de um contexto. Perceba por que geração pode ter várias respostas aceitáveis, em vez de uma única resposta correta.
Transforme a diferença entre previsão e resposta esperada em um número que o sistema consegue tentar reduzir. Use a ideia de perda para comparar erros em classificação, regressão e geração sem entrar em fórmulas pesadas.
Siga o ciclo central do treinamento: prever, medir a perda, ajustar o modelo e repetir. Entenda que cada rodada tenta tornar previsões futuras um pouco menos erradas.
Veja por que modelos grandes aprendem com pequenos grupos de exemplos por vez, chamados lotes. Diferencie uma atualização em lote de uma época, que é uma passagem pelo conjunto de treino.
Escolha uma forma de avaliar que faça sentido para a tarefa: acurácia para categorias, erro médio para números ou julgamento de qualidade para geração. Distinga a métrica usada para comunicar desempenho da perda usada para treinar.
Compare o modelo com uma solução simples, como sempre prever a classe mais comum ou a média histórica. Use essa linha de base para saber se o aprendizado realmente trouxe ganho.
Reconheça quando um modelo parece ótimo nos exemplos de treino, mas falha em dados novos. Diferencie aprender um padrão útil de apenas decorar detalhes do conjunto visto.
Separe dados de treino, validação e teste pelo papel de cada parte. Use treino para ajustar, validação para escolher caminhos e teste para estimar desempenho em exemplos ainda não usados.
Investigue erros que vêm dos próprios dados, como rótulos errados, classes desbalanceadas, exemplos repetidos ou vazamento de informação. Raciocine por que um modelo treinado em dados ruins pode melhorar a perda e ainda tomar decisões ruins.
Review this chapter with practice based on your mistakes.
