Filtrar


Questões por página:
Em aprendizado de máquina, muitos algoritmos requerem que os dados de entrada sejam numéricos. No entanto, é comum lidar com variáveis categóricas, que representam categorias ou rótulos, como "vermelho", "azul", "verde" para cores, ou "masculino" e "feminino" para sexo. Para que esses dados possam ser utilizados efetivamente em modelos preditivos, é necessário transformá-los em uma representação numérica adequada. Ao lidar com dados categóricos, qual das seguintes técnicas é comumente utilizada para transformá-los em uma representação adequada para modelos de aprendizado de máquina? 
Hiperparâmetros são variáveis de configuração que controlam o treinamento de modelos de aprendizado de máquina (ou, machine learning).
No ajuste de hiperparâmetros, também conhecido como otimização de hiperparâmetros, busca-se: 
O overfitting, é um fenômeno em aprendizado supervisionado onde um modelo se ajusta excessivamente aos dados de treinamento, capturando não apenas os padrões gerais, mas também o "ruído" ou particularidades específicas desses dados. Como resultado, embora o modelo apresente excelente desempenho nos dados de treinamento, sua capacidade de generalização para novos dados é comprometida, levando a previsões imprecisas em cenários não vistos anteriormente. O que caracteriza o overfitting em um modelo de aprendizado supervisionado?
Em redes neurais artificiais, as funções de ativação permitem que a rede aprenda e represente padrões complexos nos dados. Para tarefas de classificação binária, onde o objetivo é distinguir entre duas classes. Qual das seguintes funções de ativação é mais adequada para problemas de classificação binária? 
Em redes neurais artificiais, o processo de aprendizado envolve a adaptação dos pesos das conexões entre neurônios para que a rede possa realizar tarefas  específicas, como classificação ou regressão. O que é o algoritmo backpropagation em redes neurais artificiais?