O Que É ML
Para acompanhar o código deste curso, é útil concluir os seguintes cursos primeiro, a menos que esses tópicos já sejam familiares:
Aprendizado de máquina (ML) é uma abordagem de programação em que computadores aprendem a partir de dados para resolver uma tarefa, em vez de receberem instruções explícitas.
Considere o exemplo de um classificador de spam/ham (não spam).
Construir um sistema desse tipo com uma abordagem tradicional de programação (sem ML) é difícil, pois exige a escrita de regras explícitas, até mesmo a compilação manual de uma lista de palavras de spam.
Com o aprendizado de máquina, o modelo é treinado com muitos exemplos de e-mails de spam e legítimos e aprende, por conta própria, os padrões que os distinguem.
Os dados fornecidos para o treinamento são chamados de conjunto de treinamento. Neste caso, consistem em e-mails já rotulados como spam ou legítimos, o que permite ao modelo captar as características de ambas as categorias.
Após o treinamento, o modelo é avaliado utilizando um conjunto de teste – uma coleção separada de e-mails rotulados. Esta etapa verifica o quão bem o modelo generaliza para novos dados não vistos.
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 3.13O Que É ML
Deslize para mostrar o menu
Para acompanhar o código deste curso, é útil concluir os seguintes cursos primeiro, a menos que esses tópicos já sejam familiares:
Aprendizado de máquina (ML) é uma abordagem de programação em que computadores aprendem a partir de dados para resolver uma tarefa, em vez de receberem instruções explícitas.
Considere o exemplo de um classificador de spam/ham (não spam).
Construir um sistema desse tipo com uma abordagem tradicional de programação (sem ML) é difícil, pois exige a escrita de regras explícitas, até mesmo a compilação manual de uma lista de palavras de spam.
Com o aprendizado de máquina, o modelo é treinado com muitos exemplos de e-mails de spam e legítimos e aprende, por conta própria, os padrões que os distinguem.
Os dados fornecidos para o treinamento são chamados de conjunto de treinamento. Neste caso, consistem em e-mails já rotulados como spam ou legítimos, o que permite ao modelo captar as características de ambas as categorias.
Após o treinamento, o modelo é avaliado utilizando um conjunto de teste – uma coleção separada de e-mails rotulados. Esta etapa verifica o quão bem o modelo generaliza para novos dados não vistos.
Obrigado pelo seu feedback!
