Algoritmo Machine Learning - Exemplo

Acesse o link abaixo para visualizar um experimento interativo onde você verá, na prática, como funciona um algoritmo de Machine Learning (Aprendizado de Máquina).

Clique aqui para acessar o Experimento no Google Colab

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.

1. Verifique seu Login: Certifique-se de estar logado na sua conta Google (canto superior direito da tela).
2. Acesse o Menu: Clique em Arquivo (File) no topo da página.
3. Crie a Cópia: Selecione Salvar uma cópia no Drive (Save a copy in Drive).
4. 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 linear b=0.
• O Ponto de Partida: Começamos com um "chute" inicial ruim, onde w=0 e b=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:

1. Cálculo do Gradiente: Descobre a direção para onde deve ajustar w e b para diminuir o erro.
2. Atualização dos Pesos: Aplica a fórmula de correção:

wnovo=watual−(α×gradientew)

bnovo=batual−(α×gradienteb)

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.

1. 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).

2. 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 (w≈2 e b≈0) com o menor esforço computacional (menos iterações).