Nesta aula, compreendi os fundamentos do Machine Learning (Aprendizado de Máquina), entendendo como os computadores podem aprender padrões a partir de dados para realizar classificações, previsões e apoiar a tomada de decisões.
Aprendi a utilizar o Google Colab como ambiente de desenvolvimento, o que facilita a realização de experimentos em Python sem a necessidade de instalar programas ou bibliotecas no computador.
Conheci o dataset Iris, um dos conjuntos de dados mais utilizados para introdução ao Machine Learning, e aprendi a carregá-lo e manipulá-lo utilizando a biblioteca Scikit-Learn. Também compreendi a importância de separar os dados em conjuntos de treino e teste, permitindo avaliar se o modelo realmente aprendeu os padrões ou apenas decorou os exemplos apresentados.
Explorei dois algoritmos de classificação: Árvore de Decisão e K-Nearest Neighbors (KNN), entendendo que diferentes modelos podem ser utilizados para resolver o mesmo problema e que seu desempenho depende tanto da qualidade dos dados quanto da escolha do algoritmo.
Além da classificação, tive contato com a Regressão Linear, utilizada para realizar previsões numéricas com base em relações entre variáveis.
Por fim, aprendi a importância da avaliação dos modelos, utilizando técnicas como a validação cruzada (cross validation) e compreendendo conceitos essenciais como:
Overfitting: quando o modelo aprende excessivamente os dados de treinamento e apresenta baixo desempenho em novos dados.
Underfitting: quando o modelo não consegue aprender adequadamente os padrões existentes nos dados.
Generalização: capacidade do modelo de realizar boas previsões em situações que não foram vistas durante o treinamento.
Aplicação para meus projetos
Esta aula foi especialmente relevante porque permitiu compreender a lógica que sustenta sistemas inteligentes de análise e previsão. Os conceitos estudados possuem aplicação direta em projetos educacionais baseados em dados, como sistemas de acompanhamento da aprendizagem, identificação precoce de estudantes em risco, análise de padrões de desempenho e apoio à tomada de decisão pedagógica baseada em evidências.
