Acesse o link abaixo para visualizar um experimento interativo onde você verá, na prática, como funciona um algoritmo de Machine Learning (Aprendizado de Máquina).
Neste exemplo, utilizamos a Regressão Linear. É importante entender que o aprendizado de máquina não é mágica: ele se baseia no treinamento.
Basicamente, nós "alimentamos" o computador com dados conhecidos (exemplos) e ele utiliza matemática para encontrar padrões e ajustar uma previsão. No nosso caso, você verá o computador tentando encontrar a equação de uma reta sozinho, errando e aprendendo com o erro a cada tentativa, até chegar no melhor ajuste possível.
Segue abaixo o guia do experimento para que possa interagir com o algoritmo e alterar parâmetros importantes que mostra como eles podem influenciar no treinamento de um modelo de Inteligência Artificial.
Neste exercício (Aprendizado Supervisionado), fornecemos os dados de entrada e a saída esperada, e o algoritmo ajusta seus parâmetros iterativamente para minimizar o erro entre sua previsão e a realidade.
🎯 Guia do Experimento: Gradiente Descendente na Prática
⚠️ Antes de Começar: Salve sua Cópia!
Este arquivo está configurado como apenas visualização. Para alterar os valores e rodar o experimento, você precisa ter sua própria cópia editável.
- Verifique seu Login: Certifique-se de estar logado na sua conta Google (canto superior direito da tela).
- Acesse o Menu: Clique em Arquivo (File) no topo da página.
- Crie a Cópia: Selecione Salvar uma cópia no Drive (Save a copy in Drive).
- Uma nova aba abrirá com a sua versão. Use essa nova aba para fazer o exercício.
📘 O Objetivo
Neste exercício, vamos visualizar como a Taxa de Aprendizagem (alpha) e o Número de Iterações influenciam o treinamento de um modelo de Inteligência Artificial.
Você verá o computador "aprendendo" a encontrar a equação de uma reta, ajustando seus parâmetros passo a passo até minimizar o erro.
⚙️ O Cenário do Problema
- A Meta: Queremos que o modelo descubra sozinho a função
y=2x .- Isso significa que esperamos encontrar: inclinação
w=2 e intercepto ou coef linearb=0 .
- Isso significa que esperamos encontrar: inclinação
- O Ponto de Partida: Começamos com um "chute" inicial ruim, onde
w=0 eb=0 . Ou seja, uma reta plana sobre o eixo X. - Os Dados de Treino: Usaremos apenas dois pontos para ensinar a máquina:
x=1,y=2 x=2,y=4
🧠 Como o Algoritmo Funciona (O "Cérebro")
A cada rodada (iteração), o algoritmo compara a previsão dele com os dados reais e calcula o erro (Função de Custo). Para corrigir esse erro, ele usa o Gradiente Descendente:
- Cálculo do Gradiente: Descobre a direção para onde deve ajustar
w eb para diminuir o erro. - Atualização dos Pesos: Aplica a fórmula de correção:
wnovo=watual−(α×gradientew)
Nota sobre a Taxa de Aprendizagem (
α ): Ela define o tamanho do passo que o algoritmo dá em direção à solução.
- Passos grandes: Chegam rápido, mas podem passar do ponto.
- Passos pequenos: São precisos, mas demoram muito para chegar.
🚀 Sua Missão
Agora que você já está na sua cópia editável, olhe para as primeiras linhas do código.
Ajuste os Parâmetros:
- Altere o valor de
alpha(tente valores como 0.01, 0.1 ou 0.5). - Altere o valor de
num_iteracoes(tente 10, 50 ou 100 vezes).
- Altere o valor de
Rode o Código: Clique no botão de "Play" à esquerda da célula.
🏆 O Desafio:
Tente encontrar a combinação de alpha e num_iteracoes que chega ao resultado (
