Dica: Se você sabe o que são modelos, que tal pular essa leitura? 😉
¹ O que são os modelos?
Escute a leitura
- Modelos de aprendizado de máquina são algoritmos ou códigos de programação que aprendem padrões a partir de dados (como fotos, texto, números, etc...) para fazer previsões ou classificações.
Modelos baseados em visão computacional (modelos convolucionais) podem ser usados para verificar gados doentes, pragas em lavouras, cercas quebradas e muito mais. Também podemos usar modelos de
redes neurais recorrentes para nos ajudar a prever quando irá chover ou como será a safra desse ano. Mas esses modelos precisam passar por algo que chamamos de
treinamento.
Eles precisam aprender sobre as coisas que queremos que eles detectem ou prevejam. Por isso, mostramos para o modelo milhares de imagens de gado, javalis, incêndios, para que ele entenda que essas coisas são coisas a que ele precisa dar atenção.
² Assim como nós para os computadores as imagens muitas vezes são a melhor forma para se entender algo . Quer ver um exemplo? Vou descrever o que é um Balaústre: "pequenas colunas, com base e capitel, dispostas em fila nas balaustradas, ligadas superiormente por um corrimão de escada ou por parapeito de sacada."
Então... conseguiu entender? O ponto é que processar informações abstratas pode ser difícil e cheio de exceções. Mas veja:
Para as redes neurais, isso não é diferente. As imagens as vezes pode ser o melhor instrumento de aprendizagem.
O que nós aprendemos?
- Aprendemos que os modelos aprendem dos dados
- Aprendemos que modelos são treinados para classificar ou prever
- Por último apredemos que os modelos podem nos ajudar em muitas tarefas
Detalhes sobre o treinamento Modelo IRIS
Perda: A linha azul (treinamento) mostra que o modelo errou cada vez menos nos dados que ele já conhecia.
A linha laranja (validação) indica como o modelo se saiu em dados novos.
Se as linhas se afastarem muito, significa que o modelo está "decorando" os dados de treinamento e não generalizando bem para novos dados (overfitting).
Acurácia: A linha azul mostra que o modelo acertou cada vez mais os dados de treinamento. A linha laranja mostra a acurácia em dados novos. Se as linhas se afastarem muito, também indica overfitting.
Ferramentas Recomendadas
Explore ferramentas incríveis para facilitar seu trabalho como cientista de dados:
- TensorFlow Lite: Ideal para modelos leves em dispositivos móveis.
- Pandas: Biblioteca poderosa para manipulação de dados.
- Scikit-learn: Framework simples para aprendizado de máquina.