Organize um problema de aprendizado como exemplos com entradas, alvos e previsões. Você vai reconhecer o papel de dados, rótulos, atributos e modelos sem depender de matemática pesada.

Decida se um problema pede uma classe, um número ou uma nova saída criada pelo modelo. Você vai comparar exemplos simples de classificação, regressão e geração, como detectar spam, prever preço e gerar texto.

Apply the previous explanations in a guided problem.

Leia previsões de classe como acertos, erros e tipos de confusão. Você vai usar ideias como acurácia e matriz de confusão para entender quando um classificador parece bom, mas ainda erra casos importantes.

Compare um número previsto com o valor real e interprete o tamanho do erro. Você vai raciocinar com resíduos, erro absoluto médio e erro quadrático como formas diferentes de punir previsões ruins.

Apply the previous explanations in a guided problem.

Check your understanding with a short quiz.

Avalie saídas geradas quando não existe uma única resposta correta. Você vai distinguir qualidade, coerência, fidelidade ao pedido e erros como alucinações em texto, imagem ou áudio gerados.

Trace o ciclo em que o modelo prevê, calcula uma perda e ajusta seus parâmetros para errar menos. Você vai diferenciar a perda usada no treino das métricas usadas para comunicar desempenho.

Apply the previous explanations in a guided problem.

Separe dados de treino, validação e teste para medir melhora real, não só memorização. Você vai reconhecer overfitting, underfitting e o papel de uma linha de base simples para comparar resultados.

Identifique problemas nos dados que fazem as previsões parecerem melhores ou piores do que são. Você vai reconhecer rótulos ruidosos, classes desbalanceadas, vazamento de dados e mudanças entre treino e uso real.

Apply the previous explanations in a guided problem.

Check your understanding with a short quiz.

Review this chapter with practice based on your mistakes.