Aprendizado de Máquina - Lista 2

Prévia do material em texto

Aprendizado de Máquina - Conceitos Básicos
Lista de Exercícios Para Estudo - Modelos Paramétricos e Não Paramétricos
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 diferencia um modelo paramétrico de um não paramétrico?
2. Quais são as vantagens e desvantagens dos modelos paramétricos?
3. Como a simplicidade dos modelos paramétricos afeta sua performance?
4. Em que situações é preferível utilizar modelos não paramétricos?
5. Como a flexibilidade dos modelos não paramétricos contribui para a precisão?
6. Quais são os desafios na aplicação de modelos não paramétricos?
7. Como a quantidade de dados afeta o desempenho dos modelos não paramétricos?
8. Quais são os benefícios de combinar modelos paramétricos e não paramétricos?
9. Como os modelos não paramétricos lidam com overfitting?
10. Em que contextos específicos modelos paramétricos são amplamente aplicados?
Gabarito
1. Modelos paramétricos resumem os dados por meio de um número fixo de
parâmetros, enquanto os não paramétricos não fazem suposições rígidas,
adaptando-se aos dados conforme necessário.
2. Os modelos paramétricos são rápidos e fáceis de interpretar, mas podem ser menos
precisos em problemas complexos. Por outro lado, não paramétricos são mais
flexíveis, mas podem exigir mais dados e processamento.
3. A simplicidade dos modelos paramétricos facilita sua implementação e
interpretação, mas limita sua capacidade de capturar padrões complexos nos dados.
4. Modelos não paramétricos são preferíveis em situações onde os dados apresentam
uma estrutura complexa, como em aprendizado profundo ou detecção de anomalias.
5. A flexibilidade dos modelos não paramétricos permite capturar uma ampla gama
de padrões, aumentando a precisão em tarefas complexas.
6. Aplicar modelos não paramétricos pode ser desafiador devido ao tempo de
treinamento mais longo e à necessidade de maior poder computacional.
7. Modelos não paramétricos geralmente requerem grandes quantidades de dados
para alcançar bom desempenho, pois não se baseiam em suposições rígidas.
8. Combinar modelos paramétricos e não paramétricos pode melhorar a precisão e a
eficiência, aproveitando a simplicidade dos primeiros e a flexibilidade dos últimos.
9. Embora possam sofrer de overfitting, técnicas como regularização e validação
cruzada ajudam os modelos não paramétricos a generalizar melhor.
10. Modelos paramétricos são amplamente utilizados em regressão linear e logística,
onde a simplicidade e a interpretação fácil são prioridades.