A regularização L2, também conhecida como "ridge regression", é uma técnica utilizada para prevenir o overfitting em modelos de aprendizado de máquina. Ela adiciona uma penalização ao tamanho dos coeficientes do modelo, ajudando a manter os parâmetros menores e mais controlados, especialmente quando o modelo tem muitos parâmetros. Analisando as opções: a) Quando o modelo tem muitos parâmetros e corre o risco de overfitting. - Esta é a situação clássica em que a regularização L2 é utilizada, pois ajuda a evitar que o modelo se ajuste demais aos dados de treinamento. b) Para melhorar o desempenho do modelo em dados não rotulados. - A regularização L2 não é especificamente voltada para dados não rotulados. c) Quando o modelo é pequeno e o treinamento é rápido. - Modelos pequenos geralmente não têm problemas de overfitting, então a regularização L2 não é necessária. d) Quando a tarefa envolve aprendizado não supervisionado. - A regularização L2 é mais comum em contextos de aprendizado supervisionado. e) Para aumentar a capacidade de processamento de uma rede neural. - A regularização L2 não tem relação direta com a capacidade de processamento. Portanto, a alternativa correta é: a) Quando o modelo tem muitos parâmetros e corre o risco de overfitting.