Etapa 1 — O que é "Ajustar uma Reta" e Medir o Erro?
Antes de qualquer fórmula estatística ou biblioteca de IA, experimente você mesmo encontrar a melhor reta para prever o preço de uma casa a partir da sua área (m²).
2.1 — Estatística Clássica: Mínimos Quadrados (MQO)
Ver Cálculo das Derivadas Parciais com os Números Concretos desta Amostra Opcional • Passo Matemático
Tabela de Cálculos da Amostra & Resíduos
Cada linha mostra os valores reais, o preço estimado pela fórmula (ŷ) e o erro individual (eᵢ = yᵢ − ŷᵢ).
Cálculo dos Erros e Qualidade do Ajuste
2.2 — Formulário da Amostra (Sincronizado com Todo o Tutorial)
Altere a quantidade de casas, área (m²), quantidade de quartos ou preço. Todas as 4 etapas atualizam-se automaticamente.
amostra_20_casas.csv da consola Ubuntu ou cole as 20 linhas diretamente.| Casa | Área (m²) | Quartos | Preço Real (M Kz) | Ação |
|---|
2.3 — Código Python (MQO), Execução & Calculadora
Veja como a fórmula dos Mínimos Quadrados se traduz em poucas linhas de Python. Execute o código e teste uma previsão.
Calcular Preço com a Equação Estatística
2.4 — Gráfico da Regressão Estatística com Hints
Passe o cursor sobre qualquer casa (ou sobre a estrela dourada da sua previsão) para ler os valores reais, previstos e o erro.
Etapa 3 — A Ponte para a IA: Gradiente Descendente
Na Etapa 2 usámos uma fórmula direta. Agora veja como um algoritmo de IA encontra exatamente a mesma reta começando do zero (β₀ = 0, β₁ = 0) e corrigindo o próprio erro passo a passo.
1. A Reta a "Aprender" (GD vs. MQO)
Veja a reta roxa aproximar-se da reta tracejada do MQO.
2. Descida do Erro (MSE por Época)
Cada ponto mostra o erro após uma atualização dos pesos.
4.1 — Machine Learning: Treinar num Subconjunto e Testar em Dados Novos
Em Machine Learning, o objetivo não é apenas ajustar a amostra conhecida, mas garantir que o modelo generaliza para casas que nunca viu.
| Casa | Conjunto | Área (m²) | Quartos | Preço Real (M Kz) | Previsto pelo Modelo | Erro (eᵢ) |
|---|
4.2 — Código Python (Scikit-Learn), Treino & model.predict()
Pipeline padrão da indústria usando train_test_split, LinearRegression e joblib.
Testar Inferência numa Casa Nova
4.3 — Gráfico de Generalização: Treino vs. Teste
Pontos azuis = usados para aprender. Losangos âmbar = casas escondidas usadas para testar o modelo. Estrela dourada = sua previsão.
4.4 — Exportação do Modelo Treinado
Depois de validado, o modelo não é um código mágico — são apenas os pesos matemáticos aprendidos gravados num ficheiro para usar em produção.
Exportar Modelo (.json)
Descarrega os pesos aprendidos, métricas de treino/teste e amostra num ficheiro JSON estruturado.
Script Treino & Joblib (.py)
Descarrega o script Python completo com os seus dados para gerar modelo_casas.joblib.
Copiar JSON do Modelo
Copia o objeto JSON dos coeficientes diretamente para a área de transferência.
Conteúdo Real do Modelo Exportado (JSON)
4.5 — O Segredo da IA: A Mesma Matemática em Formas Diferentes
A Inteligência Artificial não é magia nem "pensamento humano": no fundo, são equações matemáticas como a regressão que acabou de resolver, organizadas em blocos maiores e treinadas com o mesmo Gradiente Descendente.
Repare que um único neurónio artificial faz exatamente a mesma soma ponderada da nossa Regressão Múltipla — só muda o nome dos símbolos (β₀ vira bias b, β₁ e β₂ viram pesos w₁ e w₂):
| Objetivo do Aprendizado | Algoritmo / Arquitetura | O que muda na Matemática? |
|---|---|---|
| Prever um número (ex.: preço da casa) | Regressão Linear (MQO ou Gradiente) | Usa z = b + w₁x₁ + w₂x₂ diretamente (ativação linear) e minimiza o MSE. |
| Classificar Sim/Não (ex.: casa cara ou barata?) | Regressão Logística / Classificador | Aplica a função Sigmoide sobre o mesmo z para devolver uma probabilidade (0% a 100%). |
| Reconhecer imagens, voz ou texto (IA moderna) | Redes Neuronais Profundas (Deep Learning) | Empilha milhares de neurónios com o mesmo cálculo z = b + Σ wᵢxᵢ e treina todos com o mesmo Gradiente Descendente! |