Regressão
Prevê um número: demanda, preço, tempo, consumo ou risco contínuo.
- Linear, Ridge, Lasso e Elastic Net
- Árvores, Random Forest e Gradient Boosting
- SVR e KNN Regressor
Trilha de estudo · modelos preditivos
Machine
Learning.
Machine Learning (ML), ou Aprendizado de Máquina, é um ramo da Inteligência Artificial (IA) que permite que computadores aprendam e tomem decisões com base em dados, sem a necessidade de serem explicitamente programados para cada tarefa. Em vez disso, os sistemas são treinados com dados e algoritmos para identificar padrões e melhorar seu desempenho ao longo do tempo.
01 · Fundamentos
Aprender é estimar uma regra a partir de exemplos.
O conjunto de treino ajusta parâmetros; validação orienta escolhas; teste estima desempenho final. Misturar esses papéis produz uma avaliação otimista.
Classificação
Prevê classes ou probabilidades: fraude, churn, aprovação, espécie ou diagnóstico.
- Logística, LDA, Naive Bayes e KNN
- Árvore, Random Forest e boosting
- SVM e redes neurais
Clusterização
Agrupa observações semelhantes sem uma resposta conhecida.
- K-means e K-medoids
- Hierárquico e Gaussian Mixture
- DBSCAN e HDBSCAN
Redução de dimensão
Resume variáveis, remove ruído e ajuda a visualizar estruturas.
- PCA e Truncated SVD
- t-SNE e UMAP para exploração
- Autoencoders em cenários profundos
Semi e auto-supervisionado
Combinam poucos rótulos, muitos dados brutos e objetivos auxiliares para aprender representações.
Reforço
O agente aprende ações por recompensas. Estado, política, exploração e retorno substituem o rótulo tradicional.
02 · Algoritmos clássicos
Não existe melhor modelo sem contexto.
Comece com uma linha de base simples. Compare desempenho, custo, estabilidade, latência, explicabilidade e manutenção.
| Família | Intuição | Pontos fortes | Cuidados | Estudar |
|---|---|---|---|---|
| Linear / logística | Combina variáveis por pesos. | Rápida, interpretável, boa baseline. | Relações não lineares e colinearidade. | Documentação ↗ |
| KNN | Usa vizinhos próximos. | Simples, não paramétrico. | Escala, dimensão e custo de inferência. | Documentação ↗ |
| Árvore de decisão | Cria regras por divisões. | Explicável, aceita relações não lineares. | Instabilidade e overfitting. | Documentação ↗ |
| Random Forest | Combina muitas árvores diversas. | Robusta e forte em dados tabulares. | Modelo maior e explicação agregada. | Documentação ↗ |
| Gradient Boosting | Árvores corrigem erros anteriores. | Alta qualidade em tabelas. | Hiperparâmetros, leakage e calibração. | Documentação ↗ |
| SVM | Maximiza margem entre classes. | Funciona bem em espaços complexos. | Escala e escolha de kernel. | Documentação ↗ |
| Naive Bayes | Aplica Bayes com independência condicional. | Rápido, forte baseline para texto. | Hipótese de independência simplifica demais. | Documentação ↗ |
| K-means | Aproxima pontos de centróides. | Eficiente e fácil de explicar. | Exige k; sensível à escala e outliers. | Documentação ↗ |
| DBSCAN | Forma regiões densas. | Descobre formas irregulares e ruído. | Parâmetros variam com densidade. | Documentação ↗ |
03 · Algoritmos e bibliotecas
Da ideia à implementação: escolha a ferramenta pelo problema.
Os links apontam para documentação oficial. Use o scikit-learn como base para aprender a API de estimadores e avance para bibliotecas especializadas quando o problema justificar.
Supervisionados
Para prever números, classes ou probabilidades a partir de exemplos rotulados.
Linear e logísticaRegressão, regularização e classificação probabilística.
LDA e QDAFronteiras lineares ou quadráticas entre classes.
KNNPredição baseada nos exemplos mais próximos.
SVMMargens máximas e kernels para relações complexas.
Naive BayesBaseline probabilística rápida, comum em texto.
Gaussian ProcessesPredições com estimativa explícita de incerteza.
Árvores e ensembles
Modelos não lineares fortes para tabelas, com diferentes trocas entre qualidade e custo.
Decision TreeRegras interpretáveis formadas por divisões.
EnsemblesRandom Forest, Extra Trees, bagging e boosting.
XGBoostGradient boosting otimizado, flexível e distribuído.
LightGBMBoosting eficiente em grandes bases tabulares.
CatBoostBoosting com suporte especial a variáveis categóricas.
HistGradientBoostingAlternativa nativa e eficiente do scikit-learn.
Não supervisionados
Para agrupar, reduzir dimensões e explorar relações sem uma resposta conhecida.
K-meansPartições por distância a centróides.
DBSCAN e HDBSCANClusters por densidade, formas irregulares e ruído.
Gaussian MixtureAgrupamento probabilístico com clusters sobrepostos.
PCA e SVDRedução linear de dimensionalidade.
t-SNEVisualização de vizinhanças em baixa dimensão.
UMAPRedução não linear para visualização e exploração.
Dados, avaliação e operação
Bibliotecas que apoiam o trabalho antes, durante e depois do treinamento.
scikit-learnPré-processamento, modelos, pipelines e avaliação.
statsmodelsModelagem estatística, testes e inferência.
imbalanced-learnReamostragem e pipelines para classes desbalanceadas.
OptunaOtimização automática de hiperparâmetros.
SHAPExplicações globais e locais das predições.
MLflowExperimentos, registro, avaliação e ciclo de vida.
NumPyArrays e computação numérica.
pandasPreparação, transformação e análise tabular.
Caminho recomendadoComece com scikit-learn → compare uma baseline → valide corretamente → só então adote boosting, tuning, explicabilidade e rastreamento de experimentos.
04 · Métricas
A métrica traduz o custo do erro.
Acurácia não basta quando classes são raras. R² não mostra sozinho o tamanho do erro. Cluster “bonito” pode não ter significado de negócio.
MAE · RMSE · R²
MAE mantém a unidade e é robusta. RMSE pune erros grandes. R² compara variância explicada. MAPE exige cuidado com zeros e valores pequenos.
Precision · Recall · F1
Precision: entre alertas, quantos corretos? Recall: entre positivos reais, quantos encontrados? F1 combina ambos. ROC-AUC e PR-AUC avaliam ranking.
Log loss · Brier
Avaliam probabilidades, não apenas a classe final. Curvas de calibração mostram se 70% significa aproximadamente sete acertos em dez.
Silhouette · DB · CH
Silhouette mede coesão e separação; Davies-Bouldin penaliza sobreposição; Calinski-Harabasz compara dispersões. Validação de negócio continua necessária.
Resultado
Altere os valores e observe por que métricas diferentes contam histórias diferentes sobre o mesmo modelo.
05 · Validação
Treinar bem não significa generalizar.
O teste precisa representar o futuro uso do modelo. Tempo, grupos, duplicidades e pré-processamento mudam a estratégia de separação.
01BaselineMédia, mediana, regra simples ou DummyEstimator.
02SeparaçãoHoldout, estratificação, grupos ou corte temporal.
03PipelineAjuste transformações somente no treino.
04Cross-validationEstime variação entre partições.
05Teste finalUse uma vez, após decidir o modelo.
Leakage
Ocorre quando o treino recebe informação indisponível na previsão real: futuro, resposta disfarçada, estatística calculada com todo o conjunto ou duplicatas entre partições.
Drift
Dados, relações ou prevalência mudam depois do deploy. Monitore entrada, desempenho, calibração e resultado de negócio.
06 · Projetos guiados
Da regressão ao boosting: cinco práticas reproduzíveis.
Escolha um projeto. Cada exemplo parte de uma pergunta, usa dados acessíveis, indica a métrica adequada e entrega um código-base para continuar experimentando.
Supervisionado · valor contínuo
Estimar preços de imóveis
Use características de distritos da Califórnia para estimar o valor mediano das residências.
- Pergunta
- Qual valor o modelo estima?
- Dados
- California Housing
- Métricas
- MAE, RMSE e R²
- Separe treino e teste.
- Crie uma baseline com a média.
- Padronize dentro do Pipeline.
- Compare Ridge com árvores.
Código-base · regressão
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
model = make_pipeline(StandardScaler(), Ridge(alpha=1.0))
model.fit(X_train, y_train)
pred = model.predict(X_test)
print("MAE:", mean_absolute_error(y_test, pred))
print("RMSE:", mean_squared_error(y_test, pred) ** 0.5)
print("R²:", r2_score(y_test, pred))Supervisionado · múltiplas classes
Classificar espécies de Iris
Use quatro medidas de uma flor para prever uma entre três espécies.
- Pergunta
- A qual espécie esta flor pertence?
- Dados
- Iris · 150 flores
- Métricas
- Accuracy e F1 macro
- Faça separação estratificada.
- Padronize sem vazamento.
- Treine regressão logística.
- Leia a matriz de confusão.
Código-base · classificação
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42
)
model = make_pipeline(
StandardScaler(),
LogisticRegression(max_iter=1000)
)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(confusion_matrix(y_test, pred))
print(classification_report(y_test, pred))Não supervisionado · descoberta
Encontrar grupos sem usar rótulos
Agrupe as flores pelas medidas e investigue se a estrutura encontrada faz sentido.
- Pergunta
- Quais observações formam grupos semelhantes?
- Dados
- Iris · somente X
- Métricas
- Silhouette e interpretação
- Ignore os rótulos durante o treino.
- Padronize as variáveis.
- Teste diferentes valores de k.
- Interprete perfis e estabilidade.
Código-base · clusterização
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
X, _ = load_iris(return_X_y=True)
X_scaled = StandardScaler().fit_transform(X)
for k in range(2, 7):
model = KMeans(n_clusters=k, n_init=10, random_state=42)
labels = model.fit_predict(X_scaled)
score = silhouette_score(X_scaled, labels)
print(f"k={k} · silhouette={score:.3f}")
# Depois, descreva cada grupo pelas médias das variáveis.Classificação · margem e kernel
Apoiar a análise de tumores
Classifique casos como malignos ou benignos, tratando recall como uma decisão de contexto.
- Pergunta
- Qual classe está do outro lado da margem?
- Dados
- Breast Cancer Wisconsin
- Métricas
- Recall, F1 e matriz de confusão
- Use separação estratificada.
- Padronize antes do SVM.
- Compare kernel linear e RBF.
- Ajuste C somente na validação.
Código-base · SVM
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42
)
model = make_pipeline(
StandardScaler(),
SVC(kernel="rbf", C=1.0, class_weight="balanced")
)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(classification_report(y_test, pred))Boosting · árvores sequenciais
Classificar tipos de vinho
Combine árvores que corrigem os erros anteriores e compare o resultado com uma baseline simples.
- Pergunta
- Qual classe de vinho corresponde às medidas?
- Dados
- Wine · três classes
- Métricas
- F1 macro e log loss
- Instale a biblioteca XGBoost.
- Separe os dados com estratificação.
- Controle profundidade e learning rate.
- Compare treino, validação e teste.
Código-base · XGBoost
# pip install xgboost
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from xgboost import XGBClassifier
X, y = load_wine(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42
)
model = XGBClassifier(
n_estimators=300, max_depth=4,
learning_rate=0.05, subsample=0.8,
colsample_bytree=0.8, eval_metric="mlogloss",
random_state=42
)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(classification_report(y_test, pred))Regra comum aos cinco: a escolha do algoritmo vem depois da pergunta, da métrica e da estratégia de validação.
07 · Downloads
Pratique com três notebooks completos.
Baixe cada exercício em Jupyter Notebook (.ipynb) e abra no Jupyter ou no Google Colab. As bases são carregadas pelo scikit-learn; os CSVs são opcionais e acompanham o pacote completo.
Os notebooks são independentes dos projetos rápidos acima. O exercício com Diabetes é didático e não se destina a decisões clínicas.
08 · Leituras
Documentação para praticar.
Use o artigo como projeto de entrada e a documentação para aprofundar validação, métricas e algoritmos.
Seu primeiro projeto de ML em PythonAlex Souza · passo a passo com Iris↗Scikit-learn User GuideAlgoritmos, exemplos e boas práticas↗Model selection and evaluationCross-validation, tuning e métricas↗Experimente: Teachable MachineGoogle · treine modelos de imagem, som e poses no navegador, sem escrever código↗Playlist de Machine LearningAulas em vídeo para complementar os conceitos e exercícios desta página↗Machine Learning Crash CourseGoogle · curso prático↗Análise Exploratória de DadosLeitura complementar · comandos Python, gráficos e notebook do Titanic→