跳到主要内容
Learn Motion
探索课程产品能力价格

下载 Learn Motion

用手机扫描二维码,下载 App。

App Store

扫码从 App Store 下载 Learn Motion打开商店页面

Google Play

扫码从 Google Play 下载 Learn Motion打开商店页面
登录
Learn Motion

Como a Inteligência Artificial Realmente Aprende

1O que significa 'aprender' para uma máquina2Erro, ajuste e o ciclo de aprendizado3Como o modelo encontra a direção do ajuste4Generalizar: aprender além dos exemplos vistos5Os principais paradigmas de aprendizado6Redes neurais e aprendizado profundo7Avaliar, diagnosticar e melhorar o aprendizado
Os principais paradigmas de aprendizado

Escolher o paradigma a partir do problema

2 / 2
O exemplo do serviço de recomendação mostra por que a escolha raramente é exclusiva. Na primeira etapa, ninguém sabe quais grupos de usuários existem: o modelo não supervisionado descobre isso sozinho. Na segunda, já existe um rótulo observável, o clique, então o problema vira supervisionado. Na terceira, a decisão de qual item mostrar altera o que o usuário vê depois, e só a recompensa acumulada diz se a sequência foi boa. O ponto é que cada etapa usa o sinal que está disponível ali, e não uma preferência por um paradigma.
0:00 / 0:00

A pergunta que decide o paradigma é: existe uma saída correta registrada para cada exemplo? Se sim, supervisionado. Se não, mas a estrutura dos dados interessa, não supervisionado. Se o resultado depende de uma sequência de ações, reforço.

Critérios de escolha

Supervisionado

  • Cada exemplo tem rótulo conhecido
  • Objetivo: prever a saída para entradas novas
  • Sinal de ajuste: diferença entre previsão e rótulo
  • Exemplos: classificar spam, estimar preço

Não supervisionado

  • Nenhum exemplo tem rótulo
  • Objetivo: descobrir estrutura nos dados
  • Sinal de ajuste: proximidade, densidade, variância
  • Exemplos: agrupar clientes, reduzir dimensões

Por reforço

  • Não há resposta certa por exemplo
  • Objetivo: maximizar recompensa acumulada
  • Sinal de ajuste: recompensa após a ação
  • Exemplos: jogos, controle de robô

Um sistema que usa os três

Considere um serviço de recomendação. Primeiro, um modelo não supervisionado agrupa usuários por padrão de consumo, sem rótulos. Depois, um modelo supervisionado aprende, a partir do histórico de cliques, a prever a probabilidade de um usuário clicar em um item. Por fim, um agente de reforço decide a ordem em que os itens são exibidos, recebendo recompensa quando o usuário permanece engajado. Cada etapa usa o sinal que está disponível naquele momento: estrutura, rótulo e recompensa.

Confusão frequente

Agrupamento e classificação não são sinônimos. Classificação é supervisionada: as categorias são conhecidas de antemão e servem de rótulo. Agrupamento é não supervisionado: as categorias são descobertas a partir dos dados, sem que ninguém as tenha definido antes.

上一页2 / 2下一页

Learn Motion

生成课程,认真学会。

运营方:Wuhan Daoyin Technology Co., Ltd.

联系我们: [email protected]
隐私政策用户服务协议

© 2026 Learn Motion