Aprendizado Supervisionado

Question 1

Definição de um agente baseado em aprendizado supervisionado

Answer 1

Um agente que aprende uma função capaz de mapear entradas e saídas com base em uma grande quantidade de amostras rotuladas

Question 2

O que é um dataset?

Answer 2

DataSet é um conjunto de informações por onde o agente irá aprender sua função

É como uma grande tabelona que tem
Amostra | Features/dados | Classificação -> problema de classificação

Dividido em treino e teste

Question 3

Como o dataset é utilizado?

Answer 3

Ele é dividido uma parte para aprendizado e outra para teste

Question 4

O que é a função em um agente supervisionado

Answer 4

A função f(x) é por onde acontece o mapeamento de entrada para saída no dataset. No entanto essa função é desconhecida.

O agente precisa aprender uma função que se aproxime da função verdadeira, h(x)
Essa função é escolhida entre um conjunto de hipoteses e precisa generalizar a entradas nunca antes vistas

Question 5

Função de previsão

Answer 5

h(x) : A função matemática que um modelo de aprendizado de máquina supervisionado encontra durante o treinamento, mapeando entradas para saídas.

Precisa generalizar entradas nunca antes vistas

Question 6

O que é generalização em um modelo de aprendizado de máquina supervisionado?

Answer 6

É a capacidade do modelo de fazer previsões precisas em novos dados que não foram vistos durante o treinamento.

Question 7

Quais são alguns exemplos de problemas que podem ser abordados com um agente baseado em aprendizado supervisionado?

Answer 7

Um agente baseado em aprendizado supervisionado pode ser usado para resolver problemas de classificação, como classificar e-mails como spam ou não spam, ou problemas de regressão, como prever o preço de uma casa com base em suas características.

Question 8

Com relação os problemas abordados por agentes baseados em aprendizado supervisionado, identifique as diferençasdiferencas dos problemas de regressão e classificação

Answer 8

• Regressão: traça uma linha que passe mais perto de todos os pontos, busca prever um valor numérico contínuo para uma variável de saída, e tem saída contínua. Ex.: [0,1]
• Classificação: traça uma linha onde se separa os ‘tipos, buscando atribuir uma entrada a uma das várias classes pré-definidas. Ex.: gato ou cachorro

Question 9

Como um agente baseado em aprendizado supervisionado toma decisões?

Answer 9

Um agente baseado em aprendizado supervisionado toma decisões fazendo previsões com base nos dados de entrada e nas informações aprendidas durante o treinamento. Ele escolhe a saída que tem a maior probabilidade de estar correta com base nas informações disponíveis.

Question 10

Quais são algumas limitações de um agente baseado em aprendizado supervisionado?

Answer 10

Algumas limitações de um agente baseado em aprendizado supervisionado incluem a necessidade de dados rotulados para treinamento, a falta de capacidade de lidar com dados ausentes ou ruidosos e a falta de capacidade de aprender novos conceitos que não estão presentes nos dados de treinamento.

Question 11

Sobre busca de hipóteses, como encontrar a hipótese correta?

Answer 11

Para encontrar a hipótese correta se usa o processo indutivo, onde se tenta ajustar diversas hipóteses até encontrar uma consistente

Question 12

O que é overlifting? Qual o tradeoff em relacao a isso?

Answer 12

Quando acontece um ajuste excessivo no modelo e ele acaba não generalizando quanto deveria.

O tradeoff se relaciona a ter um espaco de hipotese grande o suficiente (expressivo) para incluir a hipótese ótima, mas não tao grande ao ponto de levar ao overlifting (muita complexidade)

Question 13

O que é espaço de hipóteses?

Answer 13

Contém todas as funções possíveis, é importante que seja expressivo (para conter a solução ótima) mas não ao ponto de ser complexo (e causar overlifting)

Question 14

O que é um problema realizável? E qual o problema com isso?

Answer 14

O problema de aprendizado realizável é aquele onde o H (espaco de hípoteses) contém a função verdadeira;
O problema é que antecipar essa informação é praticamente impraticável.

Question 15

Navalha de Ockham

Answer 15

Princípio filosófico que afirma que, entre duas explicações igualmente boas para um fenômeno, a mais simples é a melhor.

Consistência ( hipótese muito consistente pode não generalizar) vs simplicidade (é importante que a hipótese seja simples)

Question 16

Qual o objetivo do aprendizado supervisionado?

Answer 16

Encontrar a hipótese ótima h*
Que mais se aproxime da função verdadeira

Question 17

O que é o treinamento em aprendizado supervisionado?

Answer 17

O treinamento busca ajustar o modelo aos dados do dataset.
Ele busca moinimizar o erro entre as previsões do modelo e a real saída

Question 18

Quais são as abordagens de treinamento?

Answer 18

• Árvore de decisão
• Redes Neurais
• …

Question 19

O que seria uma árvore de decisão?

Answer 19

A árvore de decisão representa uma função (uma hipótese)
Cada nó é uma feature/um atributo e quanto mais próximo da raiz, mais importante

Question 20

Qual o processo de inducão em árvores de decisão?

Answer 20

O processo de indução consiste em criar várias árvores e encontrar a árvore consistente e consisa para representar um conjunto de exemplos (dataset)

Problema é que para N atributos, serão 2^(2ⁿ)

Question 21

O que é decision-tree-learning

Com relação as árvores de decisão

Answer 21

Algoritmo que constrói uma árvore de decisão a partir de um conjunto de dados de treinamento.

Escolhe atributos mais importantes para dividir o problema em subproblemas, que são então resolvidos recursivamente.

Question 22

Casos de recursão do decision-tree-learning

Answer 22

• Temos só exemplos positivos/negativos: done
• Exemplos mistos: continua a busca
• Sem mais exemplos: retorna a classe predominante no nó pai
• Sem mais atributos/features: retorna a classe predominante

Question 23

Verdadeiro ou falso: Decision-tree-learning sempre entrega a melhor solução

Answer 23

Falso - o método pode não entregar a melhor solução, ainda que gere boas soluções

Question 24

Como escolher os atributos em Decision Tree Learning?

Answer 24

A ideia é escolhera atributos que façam a divisão dos exemplos da forma mais próxima a esperada possível.

Atributo perfeito: aquele que divide todos os exemplos em dois conjuntos (positivo e negativo, por exemplo)

Entropia é uma forma de escolher os atributos. É baseada na incerteza e usada no método importance no algoritmo, escolhe o atributo que diminui ao máximo a incerteza

Question 25

Essemble Learning, o que é?

Answer 25

É uma forma de combinar hipóteses/modelos parar melhorar a precisão e o desempenho do modelo final.

Podemos fazer isso através do boosting e do baggie

Question 26

Boosting - Essemble Learning

Answer 26

Novos modelos são treinados para corrigir a deficiencia de outros
Cria árvores recursivamente, a saída de uma é a entrada de outra

Question 27

Boostrap Agreggation (baggie) -Essemble Learning

Answer 27

Cada modelo é treinado com um subconjunto aleatório de dados, treina modelos de forma independente.

Random Forest: método para criar diversas árvores diferentes e selecionar o melhor resultado através de consenso

Question 28

Definição de Hipóteses

Answer 28

As hipóteses são modelos ou aproximações da função f(x) que são usados para fazer previsões em novos dados.

Question 29

O que é Busca de Hipóteses

Answer 29

Processo de encontrar a hipótese ótima que melhor se ajusta aos dados de treinamento e é capaz de generalizar bem para novos dados.

Question 30

O que é classificação no aprendizado supervisionado?

Answer 30

A classificação no aprendizado supervisionado é um tipo de aprendizado de máquina em que o objetivo é prever uma variável categórica ou discreta.

Question 31

O que é regressão no aprendizado supervisionado?

Answer 31

A regressão no aprendizado supervisionado é um tipo de aprendizado de máquina em que o objetivo é prever uma variável contínua.

Question 32

O que é o processo indutivo?

Answer 32

O processo indutivo é uma abordagem para criar hipóteses e teorias a partir de observações e exemplos específicos.

Question 33

Como funciona o processo indutivo?

Answer 33

O processo indutivo envolve tentar construir ou ajustar várias hipóteses até encontrar uma que seja consistente com os exemplos observados.

Question 34

O que é uma hipótese consistente?

Answer 34

Uma hipótese consistente é aquela que pode explicar os exemplos observados e prever novos exemplos com precisão.

Question 35

Qual é a importância do processo indutivo na aprendizagem de máquina?

Answer 35

O processo indutivo é fundamental na aprendizagem de máquina, pois é usado para criar modelos e algoritmos de aprendizagem a partir de dados, permitindo que as máquinas possam aprender e tomar decisões com base nesses dados.

Question 36

Por que é importante definir o espaço de hipóteses?

Answer 36

Definir o espaço de hipóteses é importante para limitar a complexidade do modelo e evitar overfitting, que ocorre quando o modelo é muito complexo e se ajusta demais aos dados de treinamento.

Question 37

Como escolher o espaço de hipóteses adequado para um problema específico?

Answer 37

A escolha do espaço de hipóteses adequado depende do tipo de problema e da quantidade e qualidade dos dados disponíveis. É necessário encontrar um equilíbrio entre a capacidade do modelo e a complexidade para obter um bom desempenho.

Question 38

Todas as máquinas de Turing podem ser usadas como espaço de hipóteses?

Answer 38

Sim, todas as máquinas de Turing podem ser usadas como espaço de hipóteses. No entanto, quanto maior a expressividade do espaço de hipóteses, maior será a complexidade do modelo e o risco de overfitting.

Question 39

Qual é o tradeoff entre expressividade e complexidade no espaço de hipóteses?

Answer 39

O tradeoff entre expressividade e complexidade no espaço de hipóteses refere-se à relação entre a capacidade do modelo de representar funções complexas e a simplicidade do modelo. Quanto mais expressivo o espaço de hipóteses, mais complexo será o modelo e maior será o risco de overfitting.

Question 40

Como a expressividade do espaço de hipóteses se relaciona com a linearidade, polinomialidade e máquina de Turing?

Answer 40

A expressividade do espaço de hipóteses aumenta na seguinte ordem: linear < polinomial < máquina de Turing. Ou seja, quanto mais complexas as funções que o modelo pode representar, maior é a expressividade do espaço de hipóteses.

Question 41

Como a complexidade do espaço de hipóteses se relaciona com a linearidade, polinomialidade e máquina de Turing?

Answer 41

A complexidade do espaço de hipóteses aumenta na seguinte ordem: linear < polinomial < máquina de Turing. Ou seja, quanto mais complexas as funções que o modelo pode representar, maior é a complexidade do espaço de hipóteses.

Question 42

Como funciona o treinamento supervisionado?

Answer 42

No treinamento supervisionado, o modelo é ajustado aos dados de treinamento, que incluem entradas e saídas conhecidas. O modelo faz previsões com base nas entradas e os resultados são comparados com as saídas conhecidas. O erro é calculado e usado para ajustar os parâmetros do modelo.

Question 43

O que é a entropia em uma árvore de decisão?
R: A entropia em uma árvore de decisão é uma medida de incerteza ou desordem nos dados. A entropia é calculada para cada atributo e usada para determinar a ordem em que os atributos são selecionados para criar a árvore.