Aprendizado de Máquina - Lista 1

Prévia do material em texto

Aprendizado de Máquina - Conceitos Básicos
Lista de Exercícios Para Estudo - Tipos de Aprendizado
Essa lista de exercícios foi feita por aluno com o objetivo de revisar o entendimento dos principais
tópicos baseado nos materiais do professor da disciplina de Aprendizado de Máquina.
Exercícios
1. O que caracteriza o aprendizado supervisionado e quais são seus principais usos?
2. Como o aprendizado não supervisionado pode revelar padrões ocultos nos dados?
3. Em que casos o aprendizado por reforço é mais aplicado?
4. Quais são as diferenças práticas entre aprendizado supervisionado e não
supervisionado?
5. Como o aprendizado por reforço ajuda na tomada de decisões em ambientes
dinâmicos?
6. Como a clusterização, uma técnica de aprendizado não supervisionado, é utilizada?
7. Quais são os desafios mais comuns na implementação de aprendizado
supervisionado?
8. Como o aprendizado por reforço utiliza recompensas e punições para otimizar
ações?
9. Em que áreas o aprendizado supervisionado tem maior impacto atualmente?
10. Como a escolha do tipo de aprendizado afeta a complexidade do modelo?
Gabarito
1. O aprendizado supervisionado utiliza dados rotulados para treinar um modelo,
sendo amplamente empregado em tarefas como classificação e regressão, por
exemplo, em reconhecimento de imagens e previsão de preços.
2. No aprendizado não supervisionado, o objetivo é encontrar padrões e relações
escondidas nos dados, como agrupamento de clientes com interesses similares, sem
depender de rótulos previamente conhecidos.
3. O aprendizado por reforço é especialmente útil em cenários como jogos, robótica e
sistemas de recomendação, onde um agente precisa aprender por meio de tentativa e
erro.
4. Enquanto o aprendizado supervisionado depende de rótulos para prever resultados
precisos, o não supervisionado se concentra em explorar a estrutura dos dados e
descobrir padrões desconhecidos.
5. Em ambientes dinâmicos, o aprendizado por reforço adapta as ações do agente com
base nas recompensas recebidas, ajustando continuamente sua estratégia para
maximizar resultados a longo prazo.
6. A clusterização agrupa dados com base em similaridades, sendo usada em
marketing para segmentação de clientes ou em biologia para classificação de espécies
com características semelhantes.
7. Implementar aprendizado supervisionado pode ser desafiador devido à necessidade
de grandes quantidades de dados rotulados e ao risco de overfitting, que pode
prejudicar a generalização do modelo.
8. No aprendizado por reforço, o agente aprende a otimizar suas ações ao receber
recompensas por escolhas corretas e penalidades por decisões erradas, ajustando seu
comportamento ao longo do tempo.
9. O aprendizado supervisionado tem um impacto significativo em áreas como saúde,
com sistemas que auxiliam no diagnóstico de doenças, e finanças, com modelos que
preveem tendências de mercado.
10. A escolha do tipo de aprendizado influencia a complexidade do modelo, exigindo
mais ou menos dados rotulados e diferentes níveis de processamento computacional.