https://docs.google.com/presentation/d/e/2PACX-1vR3otq-tCnpzuNTPRvWJcwVvaBEywAY_v1Vszd-SjarDIjQgYdqI1ArnyJ_DPDifA/pubembed?start=false&loop=false&delayms=3000

A análise de dados via Modelos Supervisonados envolve essencialmente duas tarefas: classificação e regressão. Ambas requerem conjuntos de dados rotulados para aprender padrões e fazer previsões sobre novos exemplos. Nesta aula, exploraremos definições, métodos, avaliação e aplicações práticas, ilustrando conceitos-chave com duas imagens.

1. Fundamentos de Aprendizado Supervisionado

Aprendizado supervisionado refere-se a técnicas em que cada exemplo de treinamento possui um rótulo ou valor alvo. O objetivo do modelo é aprender a mapear entradas XXX para saídas yyy. Quando yyy é discreto, trata-se de classificação; quando yyy é contínuo, falamos em regressão.

2. Classificação

2.1 Definição

A classificação consiste em atribuir categorias pré-definidas a instâncias. Exemplo: diagnosticar um tumor como “benigno” ou “maligno”.

2.2 Modelos Comuns

• Regressão Logística
• Máquinas de Vetores de Suporte (SVM)
• Árvores de Decisão e Florestas Aleatórias
• Redes Neurais

2.3 Fronteira de Decisão

A fronteira de decisão separa regiões de diferentes classes no espaço de características.

Fronteira de decisão em classificação binária

2.4 Métricas de Avaliação

• Acurácia
• Matriz de Confusão (verdadeiros positivos, falsos positivos etc.)
• Precisão, Recall e F1-Score