Regression and AI in practice
Introduzido| English | Significado |
|---|---|
| regression/rɪˈɡreʃn/ | regressão |
| classification/ˌklæsɪfɪˈkeɪʃn/ | classificação |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | regressão linear |
| OCR/ˌəʊ siː ˈɑː/ | reconhecimento óptico de caracteres |
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.
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:
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Regression outputs a continuous number (price, temperature); classification outputs a category.
Regression predicts a continuous number (a price, a temperature), while classification predicts a category (cat vs dog).
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Number out = regression; category out = classification — the two main kinds of supervised prediction.
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.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
The same data can feed either. Read the question: a label from a fixed set, or a number on a scale.
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
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.
Linear regression chooses its coefficients to:
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
It fits the line/hyperplane that makes the squared differences from the data points as small as possible.
Why does linear regression minimise the sum of the SQUARED errors rather than the errors themselves?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Both reasons are accepted. Without squaring, a line could have a huge error above and below and still score zero.
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.
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.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
Training fits the model once; inference is the quick prediction each time a user interacts.
A "read a sign aloud" feature typically chains which models?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Several trained models form a pipeline: find the text, extract characters, translate, then speak.
Put the stages of an app that reads a foreign sign aloud in order.
Dificuldade 3/5 · Moedas 200 + pequeno bônus na primeira conclusão hoje
Several trained models chained together, each handing its output to the next. Name the stage and what it produces.
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.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Training repeats forward and backward passes over a huge dataset; inference runs the fixed weights once, which is why it is instant.
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.
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