Machine learning

Principais Algoritmos de Aprendizado Supervisionado

O aprendizado supervisionado é uma das principais categorias do machine learning, onde o modelo é treinado com dados rotulados.

1. Regressão Linear

Algoritmo usado para prever valores contínuos, estabelecendo uma relação linear entre variáveis dependentes e independentes.

2. Regressão Logística

Utilizada para classificação binária, estimando a probabilidade de um evento ocorrer.

3. Árvores de Decisão

Modelo que toma decisões baseadas em condições sequenciais, formando uma estrutura semelhante a uma árvore.

4. Random Forest

Conjunto de árvores de decisão que trabalham em conjunto para fazer previsões mais precisas.

5. Support Vector Machines (SVM)

Algoritmo que encontra um hiperplano ótimo para separar diferentes classes de dados.

6. K-Nearest Neighbors (KNN)

Classifica dados com base na similaridade com pontos de dados vizinhos.

7. Naive Bayes

Classificador probabilístico baseado no teorema de Bayes, eficiente para classificação de texto.

8. Redes Neurais

Modelos complexos inspirados no cérebro humano, capazes de aprender padrões em dados estruturados e não estruturados.

Principais Algoritmos de Aprendizado Não Supervisionado

O aprendizado não supervisionado trabalha com dados não rotulados, buscando encontrar padrões e estruturas nos dados.

1. K-Means Clustering

Agrupa dados em K clusters com base na similaridade entre os pontos de dados, minimizando a distância entre os pontos e os centróides dos clusters.

2. Hierarchical Clustering

Cria uma hierarquia de clusters, permitindo visualizar diferentes níveis de agrupamento dos dados.

3. DBSCAN

Algoritmo baseado em densidade que identifica clusters de formato arbitrário e detecta outliers automaticamente.

4. Principal Component Analysis (PCA)

Técnica de redução de dimensionalidade que transforma dados de alta dimensão em componentes principais mantendo a máxima variância.

5. Análise de Associação

Descobre relações interessantes entre variáveis em grandes conjuntos de dados, comum em análise de cesta de compras.

6. Autoencoders

Redes neurais que aprendem representações comprimidas dos dados de entrada, úteis para redução de dimensionalidade e detecção de anomalias.

7. Gaussian Mixture Models (GMM)

Modelo probabilístico que assume que os dados são gerados por uma mistura de distribuições gaussianas.

8. t-SNE

Algoritmo de visualização que reduz dados multidimensionais para 2D ou 3D, preservando relações de similaridade.

Métricas de análises