Aprendizado Supervisionado

Definição clara

Aprendizado supervisionado é o treinamento de modelos com dados rotulados, onde cada entrada possui uma saída esperada.

Explicação conceitual

É o paradigma mais próximo de problemas clássicos de software orientados a contrato: dado X, aprender função f(X)=y. Muito usado para classificação e regressão.

Como funciona internamente

1. Coleta de dataset (features, label).
2. Divisão em treino/validação/teste.
3. Otimização dos parâmetros para minimizar erro.
4. Avaliação com métricas adequadas.
5. Deploy e monitoramento de drift.

Exemplos práticos

• Previsão de churn.
• Detecção de fraude.
• Classificação de sentimento.

Quando usar

• Labels disponíveis ou viáveis de anotar.
• Métrica de negócio clara (precisão, recall, MAE).
• Necessidade de previsões reproduzíveis.

Limitações

• Custo alto de rotulagem.
• Overfitting em datasets pequenos.
• Sensível a desbalanceamento de classes.

Relação com outros conceitos

• Usa Métricas de Avaliação em Machine Learning para decisão técnica.
• Pode ser implementado com Redes Neurais Artificiais.
• Em NLP moderno, conecta com Transformers.

Exemplos em Python quando aplicável

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

X = [[0, 1], [1, 1], [1, 0], [0, 0]]
y = [1, 1, 0, 0]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=42)
model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)
preds = model.predict(X_test)
print(classification_report(y_test, preds, zero_division=0))