Parte II · Galeria — IA Probabilística / Bayesiana

draft

Inteligência como raciocínio sob incerteza. Modela o mundo com distribuições de probabilidade e atualiza crenças com a regra de Bayes. Espinha dorsal do ML clássico e ainda essencial onde a incerteza importa.

🔗 Rede Bayesiana Probabilística · Inferência causal/diagnóstico · Grafo acíclico dirigido (DAG)

  • O que é: representa dependências condicionais entre variáveis e infere

    probabilidades posteriores.

  • Exemplos: diagnóstico médico, filtros de spam, sistemas de risco.
  • Base algorítmica: belief propagation, inferência variacional, MCMC.
  • Auge: anos 1990–2000 (Judea Pearl; Turing Award 2011).
  • Capacidades / modos: intelectual; raciocínio causal explicável.
  • → Parte IV: capítulo planejado.

⛓️ Modelo de Markov Oculto (HMM) Probabilística · Sequências · Cadeia de Markov + emissões

  • O que é: modela sequências com estados latentes que emitem observações.
  • Exemplos: reconhecimento de fala pré-deep-learning, bioinformática,

    PoS-tagging.

  • Base algorítmica: Viterbi, Baum-Welch (EM).
  • Auge: anos 1980–2000 (fala, NLP clássico).
  • Capacidades / modos: sequencial/temporal.
  • → Parte IV: capítulo planejado.

📈 Processo Gaussiano (GP) Probabilística · Regressão/otimização · Métodos de kernel

  • O que é: distribuição sobre funções; prediz com incerteza calibrada.
  • Exemplos: otimização bayesiana de hiperparâmetros, geoestatística.
  • Base algorítmica: kernels, inferência gaussiana, álgebra de covariância.
  • Auge: anos 2000–2010.
  • Capacidades / modos: intelectual; quantifica incerteza nativamente.
  • → Parte IV: capítulo planejado.

🌲 ML Clássico (Árvores, Boosting, SVM) Probabilística/estatística · Dados tabulares · Árvores / margens / kernels

  • O que é: modelos estatísticos que ainda *encem deep learning em dados

    tabulares*

  • Exemplos: XGBoost, LightGBM, Random Forest, SVM.
  • Base algorítmica: gradient boosting, bagging, maximização de margem.
  • Auge: anos 2000–presente (campeões de Kaggle; produção em finanças).
  • Capacidades / modos: intelectual/preditivo; rápido e robusto.
  • → Parte IV: capítulo planejado.

Ciências e matemática salientes: probabilidade, estatística (inferencial e bayesiana), teoria da informação, álgebra linear. Ponto forte: incerteza calibrada e interpretabilidade; ponto fraco: escala em dados não-estruturados.