KR: Knowledge Representation
Knowledge Representation (KR) é um campo da inteligência artificial e ciência da computação que se concentra no projeto de estruturas de dados e algoritmos para representar, armazenar e manipular informações de forma eficiente e eficaz. O objetivo central do KR é permitir que sistemas computacionais interpretem e utilizem conhecimento de maneira semelhante à inteligência humana. […]
KG: Knowledge Graphs
Um Knowledge Graph (KG), ou Grafo de Conhecimento, é uma estrutura de dados que representa informações em forma de grafos, onde os nós representam entidades e os edges (arestas) representam as relações entre essas entidades. Cada nó e cada aresta pode ter atributos descritivos, permitindo uma representação rica e contextualizada dos dados. Os grafo de […]
HMM: Hidden Markov Models
Os Modelos de Markov Ocultos (HMM – Hidden Markov Models) são uma classe de modelos estatísticos usados para representar sequências de observações, onde o processo subjacente que gera essas observações é modelado como uma cadeia de Markov invisível. Em um HMM, o estado real do sistema não é diretamente observável; em vez disso, observamos um […]
CRF: Conditional Random Fields
Os Conditional Random Fields (CRFs) são um tipo de modelo estatístico da família de modelos gráficos que são utilizados principalmente para tarefas de sequência de labels, como reconhecimento de entidades nomeadas, extração de informações e part-of-speech tagging. Diferentemente dos modelos de Markov Ocultos (HMMs) e dos Maximal Entropy Markov Models (MEMMs), os CRFs não assumem […]
DBN: Deep Belief Network
A Deep Belief Network (DBN) é um tipo de modelo de aprendizado profundo composto por múltiplas camadas que aprendem a representação de dados de maneira hierárquica. Essas camadas são geralmente formadas por unidades conhecidas como Restricted Boltzmann Machines (RBMs), que são redes neurais com camadas de entrada e saída, mas sem conexões entre as unidades […]
RBM: Restricted Boltzmann Machine
A Restricted Boltzmann Machine (RBM) é um tipo de modelo probabilístico não supervisionado, um subconjunto de redes neurais, que é utilizado para aprender representações de dados em um espaço de feature. A arquitetura da RBM consiste em duas camadas: uma camada visível (V) e uma camada oculta (H). A camada visível é responsável por representar […]
SOM: Self-Organizing Maps
O Self-Organizing Map (SOM), ou Mapa Auto-Organizador, é um tipo de rede neural artificial não supervisionada introduzida por Teuvo Kohonen. O SOM é utilizado para a redução de dimensionalidade e a visualização de dados de alta dimensionalidade em um espaço de duas ou três dimensões, mantendo as relações topológicas dos dados originais. O processo de […]
MLP: Multi-Layer Perceptron
Multi-Layer Perceptron (MLP) é um tipo de rede neural artificial, composta por múltiplas camadas de neurônios, onde cada camada é totalmente conectada à camada anterior e à seguinte. A arquitetura do MLP inclui uma camada de entrada, uma ou mais camadas intermediárias (também conhecidas como camadas ocultas) e uma camada de saída. Cada neurônio em […]
AE: Autoencoder
O Autoencoder (AE) é uma arquitetura de rede neural artificial usada principalmente para a tarefa de codificação e decodificação de dados. A estrutura do AE é composta por duas principais partes: o codificador e o decodificador. O codificador recebe o dado de entrada e o transforma em uma representação de menor dimensão, conhecida como embedding […]
VAE: Variational Autoencoder
O Variational Autoencoder (VAE) é um tipo de modelo de aprendizado de máquina generativo que combina elementos de redes neurais e inferência bayesiana. O VAE é composto por dois componentes principais: um encoder (codificador) e um decoder (decodificador). O encoder é responsável por mapear os dados de entrada em um espaço latente, que é uma […]
