Ciclo de Vida do Projeto ML e Ajuste de Hiperparâmetros
Um projeto de machine learning segue uma sequência clara de etapas, como construir uma casa. O exame AIF-C01 apresenta essas etapas como cenários de negócios reais.
---
As 8 Etapas do Ciclo de Vida ML
Projetos de ML não são lineares — são cíclicos. Se o resultado for ruim, você volta às etapas anteriores e ajusta.
Definir objetivos de negócio: começar com o problema, não com a tecnologia Formular o problema ML: converter o problema de negócio em uma tarefa de ML Processamento de dados: GIGO — qualidade dos dados = qualidade do modelo Análise Exploratória de Dados (EDA): visualizar e entender os dados Desenvolvimento do modelo: treinar, avaliar e comparar modelos Retreinamento: voltar aqui quando o desempenho cair ou drift for detectado Implantação: Real-time, Batch, Serverless ou Assíncrono Monitoramento: detectar drift e acionar retreinamento
---
Hiperparâmetros vs Parâmetros
Parâmetros: aprendidos automaticamente durante o treinamento Hiperparâmetros: definidos por humanos antes do treinamento
Quatro hiperparâmetros principais: Taxa de aprendizado, Tamanho do lote, Número de épocas, Regularização.
---
Overfitting e Soluções
Overfitting ocorre quando o modelo memoriza os dados de treinamento mas falha com dados novos. Cinco soluções: expansão de dados, parada antecipada, aumento de dados, ajuste de hiperparâmetros, redução de features.
---
Resumo para o Exame
8 etapas em ordem: Definir objetivos → Formular problema → Dados → EDA → Modelo → Retreinamento → Implantação → Monitoramento SageMaker AMT = ajuste automático de hiperparâmetros Poucas épocas = underfitting; muitas = overfitting Drift detectado → voltar ao retreinamento