Redes neurais e inteligência artificial — recuperação

Relações essenciais

Automação: execução de tarefas com menor intervenção humana; uma condição fixa pode automatizar sem aprender.
Inteligência artificial: campo com aprendizagem de máquina e abordagens simbólicas/baseadas em conhecimento. Usar regras não exclui inteligência artificial; apenas produzir entrada/saída não a comprova.
Aprendizado de máquina: ajusta modelos com dados. Rede neural: família de modelos conectados. Aprendizado profundo: várias camadas de transformação. Rede neural não implica geração de conteúdo.
Algoritmo: procedimento; modelo: representação usada para relacionar entradas e saídas.

Unidade neural e camadas

$z=w_1x_1+w_2x_2+b,\qquad a=f(z)$

$x_1,x_2$ : entradas; $w_1,w_2$ : pesos; $b$ : deslocamento; $z$ : combinação; $f$ : ativação; $a$ : saída. Pesos e deslocamentos ajustáveis são parâmetros.

Conceito	Recuperação e limite
Bias	Não é sinônimo de discriminação ou viés dos dados
ReLU	Valor negativo vira zero; valor não negativo é conservado. Saída não é necessariamente probabilidade
Entrada / ocultas / saída	Dados recebidos / representações intermediárias / valores da resposta
Ativação não linear	Amplia relações representáveis; empilhar somente combinações lineares com deslocamentos mantém transformação equivalente dessa família

Treino e inferência

Saída → perda → gradientes → atualização dos parâmetros. A perda mede desacordo com o alvo; a retropropagação calcula como os parâmetros afetam a perda; o otimizador usa essa informação para atualizá-los. Não há garantia de solução ótima.

Parâmetro: peso aprendido. Hiperparâmetro: escolha que orienta o treino, como taxa de aprendizagem ou número de camadas; pode ser escolhida por busca automática.
Inferência de versão fixa: calcula saída com parâmetros aprendidos. Uma consulta não implica novo treino. Aprendizagem contínua precisa estar descrita.

Sinal de aprendizagem e avaliação

Distinção	Condição decisiva
Atributo / rótulo	Entrada / resposta conhecida usada no treino supervisionado
Classificação / regressão	Categoria / valor numérico; categoria codificada em número continua categoria
Não supervisionado	Estrutura sem rótulos da resposta; agrupamento não nomeia automaticamente o significado dos grupos
Reforço	Ações no ambiente e recompensa acumulada; política orienta escolhas
Treino / validação / teste	Ajustar parâmetros / auxiliar escolhas / avaliar a versão escolhida
Sobreajuste / subajuste	Muito bom no treino e pior fora / insuficiente inclusive no treino
Vazamento	Informação futura ou contaminação treino/teste infla a avaliação

Generalização exige casos novos pertinentes às condições de uso. Mais dados, camadas ou acerto no treino não garantem desempenho novo; mudança de contexto exige reavaliação.

Erros e geração

Falso positivo: negativo real previsto positivo. Falso negativo: positivo real previsto negativo. Defina a classe positiva antes de interpretar.
Acurácia: acertos/todos. Precisão: positivos corretos/previstos positivos. Sensibilidade, ou recall: positivos corretos/positivos reais. Denominador zero não produz uma proporção comum; classe rara pode coexistir com acurácia alta e detecção zero.
Generativa: produz conteúdo. LLM: grande modelo de linguagem. Token: não equivale sempre a palavra.
Prompt: orienta a inferência, sem necessariamente alterar pesos. Ajuste fino: treino adicional que modifica parâmetros.
Alucinação: conteúdo plausível, mas incorreto ou sem suporte. Fluência, citação gerada e média de desempenho não comprovam verdade, causalidade ou igualdade de desempenho entre grupos.