Quando surge uma compreensão básica dos conceitos de aprendizado de máquina, queremos sistematizar tudo: que tipos de problemas existem, quais modelos usar para cada um e como tudo isso se relaciona.
🔹 No início, vale a pena entender os principais tipos de problemas:
- Classificação - quando precisamos determinar uma categoria (por exemplo, spam / não spam).
- Regressão - quando prevemos um valor numérico (por exemplo, o preço de um apartamento).
- Clusterização - quando há muitos dados, mas sem rótulos, e precisamos agrupar os dados de alguma forma.
🔹 Em seguida, é lógico passar para os modelos-chave: lineares, árvores, ensembles. Aqui é importante não apenas "conhecer os nomes", mas entender em quais casos cada um funciona melhor, como é treinado, que dados aceita como entrada, e quais são seus pontos fortes e fracos.
📈 Quando essa etapa é concluída, podemos avançar tranquilamente para as redes neurais.
Aí começa a parte mais interessante: como a rede é construída, como é treinada, quais arquiteturas existem e por que os transformers se tornaram tão populares.
💡 Na verdade, as redes neurais não são "algo separado", mas sim uma continuação lógica dos algoritmos básicos de aprendizado de máquina.
Essa transição gradual - dos clássicos às arquiteturas modernas - ajuda a não se perder e a abordar conscientemente o próximo tópico: LLMs (Grandes Modelos de Linguagem).
Voltar ao índice
👩💻 Data Flow
Comentários
0Ainda não há comentários.
Entre para participar da conversa.