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

1Aprender sem regras programadas2Exemplos viram dados3Por dentro do modelo: pesos e ajustes4Errar, medir e corrigir5Praticar até melhorar6Muitas unidades simples formam redes neurais7Formas de aprender: com e sem exemplos rotulados8Como os modelos modernos aprendem com texto9Por que a IA erra e onde estão seus limites
Errar, medir e corrigir

O erro como diferença entre previsão e resposta

1 / 3
Repare que o modelo nunca vê a resposta certa como um troféu: ele vê apenas a diferença entre o que previu e o que deveria ter previsto. Essa diferença é o erro. Quando a previsão fica abaixo da resposta esperada, o erro aponta para cima; quando fica acima, aponta para baixo. É esse sinal, com tamanho e direção, que vai orientar a correção dos pesos.
0:00 / 0:00

O modelo produz uma previsão, mas existe uma resposta esperada — aquilo que deveria ter sido dito. O erro é a diferença entre essas duas coisas. Se o modelo previu 0,3 e a resposta esperada era 1, o erro é 0,7. Se previu 0,9, o erro é 0,1. Quanto maior a diferença, mais longe o modelo está da resposta certa. O erro não é um fracasso a ser escondido: é a única informação que diz ao modelo o quanto ele precisa mudar. Sem comparar previsão e resposta esperada, não há como saber se os pesos estão bons ou ruins.

O sinal do erro também importa. Quando a previsão fica abaixo da resposta esperada, o modelo precisa aumentar a influência de certas informações. Quando fica acima, precisa diminuir. O erro carrega, portanto, duas informações ao mesmo tempo: o tamanho da distância e o lado para onde corrigir.

上一页1 / 3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