Nesta aula, compreendi que a escolha de um modelo de Machine Learning depende do problema que se deseja resolver. Aprendi a diferenciar modelos de classificação, utilizados para prever categorias (como "precisa de intervenção" ou "não precisa"), de modelos de regressão, empregados para estimar valores numéricos contínuos (como notas, preços ou níveis de engajamento).
Também aprendi a avaliar a qualidade dos modelos utilizando métricas como R² e MSE, além de identificar situações de underfitting, quando o modelo é simples demais para representar adequadamente os padrões dos dados.
Aprofundei meus conhecimentos sobre classificação, compreendendo a função da matriz de confusão na análise de acertos e erros do modelo.
Compreendi que o desempenho de um modelo pode ser aprimorado por meio do ajuste de hiperparâmetros, utilizando técnicas como Grid Search, e da seleção de features, identificando quais variáveis realmente contribuem para as previsões.
Por fim, aprendi que diferentes modelos podem ser combinados por meio de técnicas de Ensemble Learning, como Random Forest e Gradient Boosting, produzindo previsões mais precisas e robustas. Essa aprendizagem reforçou a importância da experimentação, da comparação entre modelos e da avaliação contínua para construir soluções de Inteligência Artificial mais confiáveis e eficazes.
Função social para o meu projeto
Esses conhecimentos fortalecem o desenvolvimento da Plataforma Inteligente de Gestão, Análise e Comunicação da Avaliação Formativa do Aprendiz (AFA). Eles permitirão construir modelos capazes de prever riscos de aprendizagem, identificar automaticamente os indicadores pedagógicos mais relevantes, otimizar a tomada de decisão e apoiar intervenções pedagógicas baseadas em evidências, tornando a gestão educacional mais precisa, eficiente e personalizada.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!