2. Machine Learning

Nesta primeira aula, o Professor Marcelo guiará você na definição do significado de modelo matemático da realidade. Vamos explorar a finalidade e as limitações desses modelos, discutindo estratégias de avaliação da aderência, predição e classificação. Além disso, daremos um mergulho no modelo linear como uma representação essencial de modelos matemáticos. Ao final da aula, você terá uma compreensão sólida do significado do aprendizado de máquina (ML) e como ele se relaciona com a modelagem matemática. 

Na segunda aula, o Professor Acauã abordará as finalidades e limitações dos algoritmos de Machine Learning, destacando conceitos cruciais como dados de treino e dados de teste. Vamos explorar a importância do viés na avaliação da qualidade do modelo e entender como a variabilidade nos erros do modelo desempenha um papel crucial. Também discutiremos questões como Underfitting e Overfitting, além de identificar as características de um modelo perfeito de ML, buscando alcançar baixo viés e baixa variabilidade de erros.

Na última aula, o Professor Luciano nos guiará pelas etapas básicas na construção de um modelo da realidade utilizando algoritmos de Machine Learning. Vamos identificar os principais algoritmos em função de suas aplicações para predição ou classificação, compreender a divisão da base em dados de teste e treino, e explorar a técnica de validação cruzada. Não deixaremos de abordar as etapas de treino e teste do algoritmo, culminando na crucial etapa de seleção do algoritmo adequado para o problema em questão. Prepare-se para uma imersão prática e enriquecedora no mundo dos algoritmos de ML!