Glossário
Espelho do mapa de siglas do motor de publicação (
publicar/build.mjs). Ao introduzir uma sigla nova, adicione-a nos dois lugares — e confira a expansão na fonte (Princípio I). No site, passar o mouse sobre qualquer sigla revela a expansão em qualquer ocorrência.
Termos fundamentais
| Termo | O que é |
|---|---|
| Exemplo (instância, observação) | Uma linha dos dados: um cliente, uma foto, uma transação |
| Atributo (feature) | Uma coluna: idade, pixel 37, contagem de palavras |
| Alvo (target, label) | O que se quer prever. Sua presença define o aprendizado como supervisionado |
| Parâmetro | O que o treino ajusta (pesos, vieses) |
| Hiperparâmetro | O que você escolhe antes do treino (taxa de aprendizado, profundidade, regularização) |
| Função de perda | O que a otimização minimiza; precisa ser bem-comportada para o otimizador |
| Métrica | O que interessa a você; precisa ser interpretável e ligada à consequência |
| Generalização | Desempenho sobre exemplos não vistos durante o treino. O problema central do livro |
| Overfitting | O modelo ajustou-se ao ruído dos dados de treino; vai bem no treino e mal fora |
| Underfitting | O modelo é simples demais para o padrão; erra parecido no treino e no teste |
| Viés (bias) | Erro sistemático de suposição — o modelo não consegue representar o padrão |
| Variância | Instabilidade — o modelo muda muito conforme a amostra de treino muda |
| Vazamento (leakage) | Informação disponível no treino que não existirá no momento da predição |
| Drift | Mudança na distribuição dos dados ao longo do tempo, degradando o modelo sem alterar o código |
| Calibração | Os escores do modelo lidos como probabilidades honestas: quando diz 0,8, acontece 80% das vezes |
| Linha de base (baseline) | O desempenho do classificador trivial. Piso contra o qual todo modelo se mede |
Siglas
| Sigla | Por extenso | Onde aparece |
|---|---|---|
| ML | Machine Learning | transversal |
| IID | Independent and Identically Distributed | 01, 11 |
| ERM | Empirical Risk Minimization | 01 |
| PAC | Probably Approximately Correct | 01 |
| MSE / MAE / RMSE / MAPE | Mean Squared / Absolute / Root Mean Squared / Absolute Percentage Error | 04, 05 |
| AUC / ROC | Area Under the Curve / Receiver Operating Characteristic | 04 |
| SGD | Stochastic Gradient Descent | 06, 09 |
| PCA | Principal Component Analysis | 08 |
| KNN | K-Nearest Neighbors | 03, 08 |
| SVM | Support Vector Machine | 05 |
| MLP | Multi-Layer Perceptron | 09 |
| CNN | Convolutional Neural Network | 10 |
| RNN / LSTM / GRU | Recurrent Neural Network / Long Short-Term Memory / Gated Recurrent Unit | 11 |
| NLP | Natural Language Processing | 11, 12 |
| LLM | Large Language Model | 12 |
| RAG | Retrieval-Augmented Generation | 12 |
| BERT / GPT | Bidirectional Encoder Representations from Transformers / Generative Pre-trained Transformer | 11, 12 |
| RL / MDP / PPO / RLHF / DQN | Reinforcement Learning / Markov Decision Process / Proximal Policy Optimization / RL from Human Feedback / Deep Q-Network | 13 |
| SHAP / LIME | SHapley Additive exPlanations / Local Interpretable Model-agnostic Explanations | 14 |
| MLOps | Machine Learning Operations | 15, 16 |
| ETL | Extract, Transform, Load | 02, 15 |
| API / SDK / CLI | Application Programming Interface / Software Development Kit / Command-Line Interface | 15, 16 |
| CPU / GPU / TPU | Central / Graphics / Tensor Processing Unit | 09, 10 |
| LGPD | Lei Geral de Proteção de Dados | 02, 14 |
| NLL / KL / ELBO | Negative Log-Likelihood / Kullback-Leibler / Evidence Lower Bound | 06, 08 |
| IQR | Interquartile Range — intervalo interquartil (Q3 − Q1) | 21 |
Acrescentados na edição 1.0
- ARIMA — AutoRegressive Integrated Moving Average. Família de modelos de série temporal com três peças: autorregressivo (o passado prevê o presente), integrado (diferenciar para estabilizar) e média móvel (o erro passado também informa). Capítulo 24.
- ACF / PACF — Autocorrelation / Partial Autocorrelation Function. Funções de autocorrelação e autocorrelação parcial — as ferramentas de diagnóstico que dizem quantas defasagens o modelo precisa. Capítulo 24.
- OLAP — Online Analytical Processing. Análise multidimensional sobre cubos: dimensões, medidas e agregação pré-computada. Contrasta com OLTP, o processamento transacional. Capítulo 23.
- OLTP — Online Transaction Processing. O sistema otimizado para registrar, não para perguntar. A tensão entre ele e a análise é a origem do data warehouse. Capítulo 20.
- ELT — Extract, Load, Transform. Inversão do ETL: carrega-se primeiro e transforma-se depois, viável quando armazenamento ficou barato. Capítulo 20.
- EDA — Exploratory Data Analysis. Análise exploratória de dados — a tradição que Tukey nomeou em 1962 e sistematizou em 1977. Capítulo 21.
- CRISP-DM — CRoss-Industry Standard Process for Data Mining. O ciclo de seis fases publicado em 1999. 'Cross-industry' é a tese: o processo não pertence a um setor nem a um fornecedor. Capítulo 19.
- CART — Classification and Regression Trees. As árvores de Breiman, Friedman, Olshen e Stone (1984), nascidas da consultoria e não do seminário. Capítulo 07.
- TF-IDF — Term Frequency – Inverse Document Frequency. Peso que combina a frequência do termo no documento com a raridade dele na coleção. Spärck Jones inventou o IDF em 1972; Salton e Yang o nomearam. Capítulo 03.