Regression and AI in practice · Regressão e IA na prática
| English | Português |
|---|---|
| regression/rɪˈɡreʃn/ | regressão |
| classification/ˌklæsɪfɪˈkeɪʃn/ | classificação |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | regressão linear |
| OCR/ˌəʊ siː ˈɑː/ | OCR |
Predicting a number, not a name
- Ask a model "is this email spam?" and it must choose from a fixed set of answers. Ask it "what will this house sell for?" and there is no set to choose from: the answer is a number, and being out by a thousand pounds is nearly right.
- Those are two different tasks, and mixing them up is the commonest mistake in this topic. Both are supervised learning; only the shape of the answer differs.
- This lesson is regression 回归 against classification 分类, how linear regression 线性回归 chooses its line, and how real products chain trained models into a pipeline.
Prevendo um número, não um nome
- Pergunte a um modelo "este e-mail é spam?" e ele deve escolher de um conjunto fixo de respostas. Pergunte "quanto esta casa venderá?" e não há conjunto para escolher: a resposta é um número, e estar em mil libras de diferença é quase certo.
- São duas tarefas diferentes, e misturá-las é o erro mais comum neste tópico. Ambas são aprendizado supervisionado; apenas o formato da resposta difere.
- Esta lição é regressão 回归 contra classificação 分类, como a regressão linear 线性 regressão escolhe sua linha, e como produtos reais encadeiam modelos treinados em um pipeline.
Regression and classification
- Classification predicts a category from a fixed set: cat or dog, spam or not spam, which of ten digits.
- Regression predicts a number on a continuous scale: a house price, tomorrow's temperature, how long a journey will take.
- Both are supervised: both learn from labelled examples. The choice between them is decided by one question: is the answer a label or a number?
- The distinction changes how you measure success. A classifier is right or wrong; a regressor is a certain distance out, which is why their loss functions differ.
Regressão e classificação
- Classificação prediz uma categoria de um conjunto fixo: gato ou cachorro, spam ou não spam, qual dos dez dígitos.
- Regressão prediz um número em uma escala contínua: preço de uma casa, temperatura de amanhã, quanto tempo uma viagem levará.
- Ambas são supervisionadas: ambas aprendem a partir de exemplos rotulados. A escolha entre elas é decidida por uma pergunta: a resposta é um rótulo ou um número?
- A distinção muda como você mede o sucesso. Um classificador está certo ou errado; um regulador está a uma certa distância de erro, por isso suas funções de perda diferem.
The difference between regression and classification is that regression predicts: · A diferença entre regressão e classificação é que a regressão prediz:
Regression outputs a continuous number (price, temperature); classification outputs a category. · A regressão produz um número contínuo (preço, temperatura); a classificação produz uma categoria.
Regression predicts a continuous number (a price, a temperature), while classification predicts a category (cat vs dog). · A regressão prediz um número contínuo (um preço, uma temperatura), enquanto a classificação prediz uma categoria (gato vs. cachorro).
Number out = regression; category out = classification — the two main kinds of supervised prediction. · Saída numérica = regressão; saída categorial = classificação — os dois principais tipos de predição supervisionada.
Worked example: which task is which
- Predicting which of five customer types a shopper belongs to. Classification: the answer is one of a fixed set of categories.
- Predicting how much that shopper will spend next month. Regression: the answer is a number, and being close counts as nearly right.
- Predicting whether a machine will fail in the next week. Classification: yes or no. Predicting how many days until it fails. Regression.
- The same underlying data can feed either. Read the question being asked, not the subject matter.
Exemplo resolvido: qual tarefa é qual
- Prever a qual dos cinco tipos de cliente um comprador pertence. Classificação: a resposta é uma de um conjunto fixo de categorias.
- Prever quanto aquele comprador gastará no próximo mês. Regressão: a resposta é um número, e estar perto conta como quase certo.
- Prever se uma máquina vai falhar na próxima semana. Classificação: sim ou não. Prever quantos dias até ela falhar. Regressão.
- Os mesmos dados subjacentes podem alimentar qualquer um. Leia a pergunta sendo feita, não a matéria.
Match each prediction task to its kind. · Associe cada tarefa de predição ao seu tipo.
The same data can feed either. Read the question: a label from a fixed set, or a number on a scale. · Os mesmos dados podem servir para ambos. Leia a pergunta: um rótulo de um conjunto fixo ou um número em uma escala.
Linear regression
- Linear regression fits a straight line, or a flat surface when there are several inputs:
- The coefficients are chosen to minimise the sum of the squared errors between the line's predictions and the actual training values.
- Squared, for two reasons the exam accepts: errors above and below the line then cannot cancel out, and a large error is penalised much more than several small ones.
The line that leaves the least total squared distance
Regressão linear
- Regressão linear ajusta uma linha reta, ou uma superfície plana quando há várias entradas:
- Os coeficientes são escolhidos para minimizar a soma dos erros quadráticos entre as previsões da linha e os valores reais de treinamento.
- Quadrático, por duas razões que o exame aceita: erros acima e abaixo da linha então não podem se cancelar, e um grande erro é punido muito mais do que vários pequenos.
A linha que deixa a menor distância quadrada total
Fitting a regression line · Ajustando uma linha de regressão
Drag the controls. Linear regression draws the straight line that makes the squared distances to the data points as small as possible — then it predicts a number for any new input. · Arraste os controles. A regressão linear desenha a linha reta que minimiza as distâncias quadráticas aos pontos de dados — então ela prediz um número para qualquer nova entrada.
Linear regression chooses its coefficients to: · A regressão linear escolhe seus coeficientes para:
It fits the line/hyperplane that makes the squared differences from the data points as small as possible. · Ela ajusta a linha/hiperplano que minimiza as diferenças quadráticas dos pontos de dados.
Why does linear regression minimise the sum of the SQUARED errors rather than the errors themselves? · Por que a regressão linear minimiza a SOMA DOS ERROS QUADRADOS em vez dos próprios erros?
Both reasons are accepted. Without squaring, a line could have a huge error above and below and still score zero. · Ambos os motivos são aceitos. Sem elevar ao quadrado, uma linha poderia ter um erro enorme acima e abaixo e ainda marcar zero.
When a straight line is the right model
- Use linear regression when the relationship looks roughly linear and you want a model a human can read: each coefficient says how much that input matters, and in which direction.
- When the data curves, the same idea still applies with a different model: polynomial regression, a decision tree, or a neural network. In every case the recipe is the same, choose a model, define a loss, minimise it.
- That recipe is what connects this lesson to the last one: gradient descent is simply how the minimising is done when there is no formula for the answer.
Quando uma linha reta é o modelo certo
- Use regressão linear quando a relação parecer aproximadamente linear e você quiser um modelo legível por humanos: cada coeficiente diz quanto aquela entrada importa, e em qual direção.
- Quando os dados curvam, a mesma ideia ainda se aplica com um modelo diferente: regressão polinomial, árvore de decisão ou rede neural. Em todos os casos a receita é a mesma, escolha um modelo, defina uma perda, minimize-a.
- Essa receita é o que conecta esta lição à anterior: descida do gradiente é simplesmente como a minimização é feita quando não há fórmula para a resposta.
AI in a real product
- Real systems rarely use one model. They chain several trained models into a pipeline, each doing one step.
- Face identification at a door: a camera captures a face, image recognition converts it into a numerical representation, and that is matched against the representations of registered people.
- Reading a sign aloud for a traveller: image recognition locates the text, OCR 光学字符识别 turns the pixels into characters, machine translation converts the words, and text-to-speech produces the audio.
- The exam gives a scenario and asks which models are used, in order. Name the stage and what it produces for the next one.
IA em um produto real
- Sistemas reais raramente usam um modelo. Eles encadeiam vários modelos treinados em um pipeline, cada um fazendo uma etapa.
- Identificação facial em uma porta: uma câmera captura um rosto, reconhecimento de imagem converte-o em uma representação numérica, e isso é comparado com as representações de pessoas registradas.
- Ler um cartaz em voz alta para um viajante: reconhecimento de imagem localiza o texto, OCR 光学字符识别 transforma os pixels em caracteres, tradução automática converte as palavras, e síntese de voz produz o áudio.
- O exame dá um cenário e pergunta quais modelos são usados, em ordem. Nomeie a etapa e o que ela produz para a próxima.
Match each AI idea to what it means. · Associe cada ideia de IA ao seu significado.
Training fits the model once; inference is the quick prediction each time a user interacts. · O treinamento ajusta o modelo uma vez; a inferência é a predição rápida toda vez que um usuário interage.
A "read a sign aloud" feature typically chains which models? · Um recurso "ler um placa em voz alta" geralmente encadeia quais modelos?
Several trained models form a pipeline: find the text, extract characters, translate, then speak. · Vários modelos treinados formam um pipeline: encontrar o texto, extrair caracteres, traduzir, depois falar.
Put the stages of an app that reads a foreign sign aloud in order. · Organize as etapas de um app que lê uma placa estrangeira em voz alta na ordem correta.
Several trained models chained together, each handing its output to the next. Name the stage and what it produces. · Vários modelos treinados encadeados, cada um entregando sua saída para o próximo. Nomeie a etapa e o que ela produz.
Worked example: training against inference
- A phone app recognises a plant from a photograph instantly, yet training its model took weeks on many machines. Explain why.
- Training repeatedly runs forward and backward passes over a very large labelled dataset, adjusting millions of weights over many epochs. That is what took weeks.
- Inference, using the trained model, is a single forward pass through a network whose weights are now fixed: multiply, add, activate, layer by layer, once.
- The intelligence lives in the learned weights, which is why the finished model is small enough and fast enough to ship on a phone.
Exemplo resolvido: treinamento contra inferência
- Um aplicativo de celular reconhece uma planta de uma fotografia instantaneamente, mas treinar seu modelo levou semanas em muitas máquinas. Explique por quê.
- Treinamento executa repetidamente passagens frontais e traseiras sobre um conjunto de dados rotulados muito grande, ajustando milhões de pesos ao longo de muitas épocas. É isso que levou semanas.
- Inferência, usando o modelo treinado, é uma única passagem frontal através de uma rede cujos pesos agora estão fixos: multiplique, some, ative, camada por camada, uma vez.
- A inteligência vive nos pesos aprendidos, é por isso que o modelo final é pequeno o suficiente e rápido o suficiente para ser enviado em um telefone.
Using a trained model to make a prediction requires only a single ____ pass. · Usar um modelo treinado para fazer uma predição requer apenas uma única ____ passada.
Training repeats forward and backward passes over a huge dataset; inference runs the fixed weights once, which is why it is instant. · O treinamento repete passagens frontais e reversas em um enorme conjunto de dados; a inferência executa os pesos fixos uma vez, por isso é instantânea.
Marks that slip away
- Classification gives a category, regression gives a number. Both are supervised; that is not the difference.
- Linear regression minimises the sum of squared errors, not "the total distance". Say squared, and say why.
- A pipeline answer must give the stages in order and say what each hands to the next.
- Training is repeated forward and backward passes; inference is one forward pass. Do not describe training when the question asks about use.
Marcas que escapam
- Classificação dá uma categoria, regressão dá um número. Ambas são supervisionadas; isso não é a diferença.
- Regressão linear minimiza a soma dos erros quadráticos, não "a distância total". Diga quadrático, e diga por quê.
- Uma resposta de pipeline deve dar as etapas em ordem e dizer o que cada uma passa para a próxima.
- Treinamento são passagens frontais e traseiras repetidas; inferência é uma única passagem frontal. Não descreva treinamento quando a pergunta pede sobre uso.
You've got it
- classification predicts a category, regression predicts a number; both are supervised, and the question's answer shape decides which
- linear regression fits $y = m_1x_1 + \ldots + c$ by minimising the sum of squared errors, so errors cannot cancel and large ones are penalised heavily
- curved data needs another model, but the recipe is unchanged: choose a model, define a loss, minimise it
- real products chain models: image recognition, OCR, translation and text-to-speech; training is many forward and backward passes, inference is one forward pass
Entendeu?
- classificação prediz uma categoria, regressão prediz um número; ambos são supervisionados, e o formato da resposta da pergunta decide qual
- regressão linear ajusta $y = m_1x_1 + \ldots + c$ por minimizar a soma dos erros quadráticos, para que erros não se cancele e grandes sejam punidos pesadamente
- dados curvos precisam de outro modelo, mas a receita permanece inalterada: escolha um modelo, defina uma perda, minimize-a
- produtos reais encadeiam modelos: reconhecimento de imagem, OCR, tradução e síntese de voz; treinamento são muitas passagens frontais e traseiras, inferência é uma única passagem frontal