Glossário

Engenharia e extração de características

O que é Engenharia e extração de características?

A engenharia de características consiste em selecionar, transformar e criar atributos (características) a partir de dados em bruto, para que um algoritmo de aprendizagem consiga detetar padrões com mais facilidade. A extração de características obtém valores compactos e significativos a partir de dados complexos, como texto, imagens ou sinais. Exemplo: registos de compras individuais são transformados em características como "dias desde a última compra" ou "valor médio da encomenda", o que pode melhorar de forma notória uma previsão de abandono de clientes.

Temas

Aprendizagem automática
Preparação de dados
Funcionalidades

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Extração de características

A extração de características é o processo de obter valores relevantes a partir de dados em bruto, para que um modelo os possa processar com eficiência. Em vez de milhões de píxeis individuais, um sistema pode utilizar arestas, cores ou formas; os textos são convertidos em ponderações de palavras ou em vetores de embedding. Boas características reduzem o volume de dados, diminuem o esforço de cálculo e, muitas vezes, melhoram a exatidão. A extração de características é uma parte essencial da engenharia de características.

preparação de dados
engenharia de características
+1

Redução de dimensionalidade

A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.

análise de dados
PCA
+1

Limpeza de dados

A limpeza de dados consiste em detetar e corrigir entradas incorretas, duplicadas ou inconsistentes em conjuntos de dados. Os passos típicos incluem uniformizar grafias e formatos de data, remover espaços supérfluos e fundir duplicados como "Silva Lda" e "Silva Limitada". Dados limpos são um requisito para análises, envios em massa e aplicações de IA fiáveis.

qualidade dos dados
duplicados
+1

Modelo

Aprendizagem automática

O machine learning é um ramo da inteligência artificial em que os computadores deduzem padrões a partir de dados, em vez de cada regra ser programada explicitamente. Consoante a tarefa, os modelos aprendem com exemplos etiquetados (supervisionada), com dados não etiquetados (não supervisionada) ou através de recompensas (por reforço). As aplicações vão de filtros de spam e previsões de procura a recomendações de produtos. A qualidade depende muito da quantidade e da qualidade dos dados de treino.

fundamentos
IA
+1