Week 2 · Lesson 1 · 45-55 minutos
Exemplos, rótulos e características
Abra um conjunto de dados e conheça as peças que o formam: cada exemplo, o rótulo que diz a que categoria ele pertence, e as características que o descrevem.
- Materials
- Esta aula em um navegador web · Papel e lápis, ou um aplicativo de notas · O conjunto de dados de frutas já incluído que aparece nesta aula
- This lesson
- In progress
Auto-saves on this device
What you'll be able to do
- Nomear as partes de um conjunto de dados: exemplos, rótulos e características.
- Ler uma tabela de dados e apontar um exemplo, as características dele e o rótulo dele.
- Explicar como características e rótulos ajudam um modelo a aprender um padrão para uma categoria.
Think about it
Imagine uma tabela em que cada linha é uma fruta. As colunas dizem a cor, o peso e o formato dela, e a última coluna diz qual é a fruta. Se você tapasse essa última coluna, ainda conseguiria adivinhar cada fruta? Para o que você olharia?
Guarde a sua resposta: esta aula dá nome a cada parte dessa tabela.
Make a prediction
Preveja: de todas as informações da tabela de frutas, qual é a "resposta" que o modelo está tentando aprender, e quais são as pistas?
Vocabulary
See the full course vocabulary- Conjunto de dados
- Uma coleção de exemplos reunidos para um modelo aprender com eles, muitas vezes mostrada como uma tabela de linhas e colunas.
- Exemplo
- Um item do conjunto de dados, normalmente uma linha, como uma única fruta, foto ou mensagem.
- Rótulo
- A resposta certa ligada a um exemplo, dizendo a que categoria ele pertence, como "maçã" ou "banana".
- Característica
- Uma informação que descreve um exemplo, como a cor, o peso ou o formato dele. Cada característica costuma ser uma coluna da tabela.
- Categoria
- Um dos grupos em que um modelo separa os exemplos. Os rótulos saem da lista de categorias.
- Padrão
- Uma regularidade nas características que costuma andar junto com uma categoria, como "comprido e amarelo geralmente quer dizer banana".
Um conjunto de dados é uma tabela de exemplos
Um conjunto de dados é uma coleção de exemplos com que um modelo aprende. O jeito mais fácil de imaginar isso é uma tabela: cada linha é um exemplo, e cada coluna guarda um tipo de informação sobre esse exemplo.
Se o conjunto de dados for sobre frutas, uma linha pode ser uma única banana. Se for sobre e-mail, uma linha é uma mensagem. O sentido de um conjunto de dados é reunir muitos exemplos em um só lugar para um modelo achar padrões entre eles.
- Uma tabela com uma linha por fruta e colunas de cor, peso e formato
- Uma tabela com uma linha por e-mail e uma coluna dizendo "spam" ou "não é spam"
- Uma tabela com uma linha por foto e uma coluna nomeando o animal que aparece nela
As características descrevem; os rótulos respondem
Em cada exemplo, as características são as descrições, ou seja, as pistas. Na tabela de frutas, cor, peso e formato são características. As características costumam ser as colunas que dizem como um exemplo é.
O rótulo é a resposta certa daquele exemplo: a categoria a que ele pertence. Para uma banana, o rótulo é "banana". Características e rótulos têm funções diferentes: as características são as pistas que você olha, e o rótulo é a resposta que você quer acertar.
- Características de uma fruta: cor = amarela, formato = comprido, peso = 120 gramas
- Rótulo dessa fruta: banana
- Características de um e-mail: muitos links, a palavra "grátis"; Rótulo: spam
As categorias e os padrões que combinam com elas
Uma categoria é um dos grupos em que você pode separar os exemplos. Se um conjunto de dados só tem maçãs e bananas, então "maçã" e "banana" são as duas categorias, e todo rótulo é uma delas.
Um modelo aprende achando um padrão: um jeito como as características costumam se alinhar com uma categoria. A partir de muitas frutas rotuladas, ele pode aprender que "comprido e amarelo geralmente quer dizer banana" e que "redondo e vermelho geralmente quer dizer maçã". Depois ele pode usar esse padrão para rotular uma fruta nova que nunca viu, só pelas características dela.
- Categorias: maçã, banana
- Padrão aprendido: redondo + vermelho → maçã; comprido + amarelo → banana
- Uma fruta nova com as características redonda e vermelha → o modelo prevê "maçã"
Worked example
Lendo uma linha do conjunto de dados de frutas
- Olhe uma linha: cor = amarela, formato = comprido, peso = 120 gramas, fruta = banana.
- Ache o exemplo: essa linha inteira é um exemplo, uma única fruta.
- Ache as características: cor, formato e peso são as características que a descrevem.
- Ache o rótulo: "banana" é o rótulo, a categoria correta deste exemplo.
- Repare no padrão se formando: as linhas rotuladas como banana continuam mostrando "amarela" e "comprido", então essas características viram pistas da categoria banana.
Takeaway: Todo exemplo é uma linha; as características dele são as colunas que descrevem, e o rótulo é a coluna da resposta.
| Cor | Peso (g) | Formato | Fruta (rótulo) |
|---|---|---|---|
| Red | 150 | Redonda | Maçã |
| Amarela | 120 | Comprida | Banana |
| Verde | 160 | Redonda | Maçã |
| Amarela | 115 | Comprida | Banana |
Uma tabela pequena de dados. Cada linha é uma fruta de exemplo. As colunas Cor, Peso e Formato são características. A última coluna, Fruta, é o rótulo, a categoria daquele exemplo. Linha 1: vermelha, 150 gramas, redonda, maçã. Linha 2: amarela, 120 gramas, comprida, banana. Linha 3: verde, 160 gramas, redonda, maçã. Linha 4: amarela, 115 gramas, comprida, banana.
As três primeiras colunas são características; a última coluna é o rótulo.
Um diagrama de uma única linha do conjunto de dados. Uma seta aponta para a linha inteira, marcada como "Exemplo". Três células (cor, peso, formato) estão agrupadas e marcadas como "Características: as pistas". Uma célula no fim (fruta) está marcada como "Rótulo: a resposta". Uma nota diz: "O rótulo nomeia a categoria a que este exemplo pertence".
As características são as pistas que descrevem um exemplo; o rótulo é a categoria dele.
Activity
Espaço de trabalho para rotular dados
Examinar um conjunto de dados já incluído de frutas espaciais, atribuir a cada exemplo o rótulo Segura ou Não segura usando apenas as características dele, e caçar duplicatas e valores faltando.
- Inspect each space fruit's features in the table.
- Assign a label — Safe or Not safe — to as many as you can. Watch for duplicate rows and missing values.
- Use the filter and sort controls to investigate. Then check your labels against the answer key.
Dataset at a glance
- Total examples: 14
- Your labels — Safe: 0, Not safe: 0, left to do: 14
- Duplicate rows found: 4 · Missing values: 2
Count by texture
Count by texture: smooth: 5, bumpy: 3, fuzzy: 3, spiky: 3.
Heads up before you trust this data:
- 4 rows are duplicates (same features as another row). Counting a fruit twice over-weights it.
- 2 rows have a missing feature value, shown as “—”. A missing value can make a fruit hard to label.
- Remember: two fruits that are merely similar are not duplicates — only rows with identical features are.
Showing 14 of 14
| Fruit | Color | Shape | Texture | Grows in | Seeds | Sweetness | Glow level | Size | Your label |
|---|---|---|---|---|---|---|---|---|---|
| Barbcone | azure | star | spiky | cavern | 3 | 2 | 2 | 5 cm | |
| Craterspine | violet | star | spiky | crater | 2 | 3 | 4 | 5 cm | |
| DawnberryDuplicate of Dawnberry twin | crimson | round | smooth | canopy | 6 | 8 | 0 | 10 cm | |
| Dawnberry twinDuplicate of Dawnberry | crimson | round | smooth | canopy | 6 | 8 | 0 | 10 cm | |
| Deepcoil | azure | spiral | bumpy | cavern | 1 | 2 | 5 | 4 cm | |
| DunedropMissing texture | amber | round | — | dune | 3 | 7 | 1 | 7 cm | |
| Palestar | violet | star | smooth | crater | 1 | 4 | 3 | 6 cm | |
| RosedropMissing sweetness | crimson | oval | smooth | dune | 5 | — | 1 | 9 cm | |
| Sandplum | amber | oval | bumpy | dune | 4 | 7 | 1 | 8 cm | |
| Softamber | amber | round | fuzzy | canopy | 3 | 7 | 2 | 7 cm | |
| Spikecoil | violet | spiral | spiky | crater | 1 | 3 | 1 | 4 cm | |
| Sweetreef | teal | oval | smooth | reef | 6 | 9 | 0 | 10 cm | |
| TidefruitDuplicate of Tidefruit (copy) | teal | round | fuzzy | reef | 8 | 9 | 0 | 12 cm | |
| Tidefruit (copy)Duplicate of Tidefruit | teal | round | fuzzy | reef | 8 | 9 | 0 | 12 cm |
Barbcone
- Color
- azure
- Shape
- star
- Texture
- spiky
- Grows in
- cavern
- Seeds
- 3
- Sweetness
- 2
- Glow level
- 2
- Size
- 5 cm
Craterspine
- Color
- violet
- Shape
- star
- Texture
- spiky
- Grows in
- crater
- Seeds
- 2
- Sweetness
- 3
- Glow level
- 4
- Size
- 5 cm
Dawnberry
Duplicate of Dawnberry twin- Color
- crimson
- Shape
- round
- Texture
- smooth
- Grows in
- canopy
- Seeds
- 6
- Sweetness
- 8
- Glow level
- 0
- Size
- 10 cm
Dawnberry twin
Duplicate of Dawnberry- Color
- crimson
- Shape
- round
- Texture
- smooth
- Grows in
- canopy
- Seeds
- 6
- Sweetness
- 8
- Glow level
- 0
- Size
- 10 cm
Deepcoil
- Color
- azure
- Shape
- spiral
- Texture
- bumpy
- Grows in
- cavern
- Seeds
- 1
- Sweetness
- 2
- Glow level
- 5
- Size
- 4 cm
Dunedrop
Missing texture- Color
- amber
- Shape
- round
- Texture
- —
- Grows in
- dune
- Seeds
- 3
- Sweetness
- 7
- Glow level
- 1
- Size
- 7 cm
Palestar
- Color
- violet
- Shape
- star
- Texture
- smooth
- Grows in
- crater
- Seeds
- 1
- Sweetness
- 4
- Glow level
- 3
- Size
- 6 cm
Rosedrop
Missing sweetness- Color
- crimson
- Shape
- oval
- Texture
- smooth
- Grows in
- dune
- Seeds
- 5
- Sweetness
- —
- Glow level
- 1
- Size
- 9 cm
Sandplum
- Color
- amber
- Shape
- oval
- Texture
- bumpy
- Grows in
- dune
- Seeds
- 4
- Sweetness
- 7
- Glow level
- 1
- Size
- 8 cm
Softamber
- Color
- amber
- Shape
- round
- Texture
- fuzzy
- Grows in
- canopy
- Seeds
- 3
- Sweetness
- 7
- Glow level
- 2
- Size
- 7 cm
Spikecoil
- Color
- violet
- Shape
- spiral
- Texture
- spiky
- Grows in
- crater
- Seeds
- 1
- Sweetness
- 3
- Glow level
- 1
- Size
- 4 cm
Sweetreef
- Color
- teal
- Shape
- oval
- Texture
- smooth
- Grows in
- reef
- Seeds
- 6
- Sweetness
- 9
- Glow level
- 0
- Size
- 10 cm
Tidefruit
Duplicate of Tidefruit (copy)- Color
- teal
- Shape
- round
- Texture
- fuzzy
- Grows in
- reef
- Seeds
- 8
- Sweetness
- 9
- Glow level
- 0
- Size
- 12 cm
Tidefruit (copy)
Duplicate of Tidefruit- Color
- teal
- Shape
- round
- Texture
- fuzzy
- Grows in
- reef
- Seeds
- 8
- Sweetness
- 9
- Glow level
- 0
- Size
- 12 cm
Label a few fruits first. The answer key stays hidden until you choose to check — investigate before you reveal.
Check your understanding
Responda a estas perguntas para conferir se você sabe nomear as partes de um conjunto de dados.
Question 1. Na tabela de frutas, a coluna que diz "maçã" ou "banana" é o…
Question 2. Quais destes são características em um conjunto de dados de frutas? Escolha todos que se aplicam.
Select all that apply.
Question 3. Decida se a afirmação é verdadeira ou falsa.
Um exemplo em um conjunto de dados costuma ser uma única linha da tabela.
0 of 3 answered
Try it yourself
Crie o seu próprio conjunto de dados bem pequeno
Invente um conjunto de dados pequeno para uma categoria que você conhece bem, como "cachorro ou gato" ou "dia de semana ou fim de semana".
- Escolha duas categorias e anote-as como os seus rótulos.
- Escolha três características que ajudariam a diferenciar as categorias.
- Faça uma tabela com cinco linhas de exemplo, preenchendo as características e o rótulo correto de cada uma.
Success looks like
- Duas categorias claras usadas como rótulos.
- Três características bem escolhidas.
- Cinco linhas de exemplo, cada uma com características e um rótulo correto.
Reflection
Saved on this device as you type
Please don't include private information. Your answers are saved only in this browser and are never sent anywhere.
Recap
Um conjunto de dados é uma tabela de exemplos; cada exemplo tem características que o descrevem e um rótulo que nomeia a categoria dele, e os modelos aprendem padrões que ligam características a categorias.
- Um exemplo é uma linha; as características são as colunas que descrevem e o rótulo é a coluna da resposta.
- As categorias são os grupos; todo rótulo é uma das categorias.
- Um modelo aprende padrões que ligam características a uma categoria.
Grades 7–8 extension
Quais características realmente importam?
Nem toda característica é útil. Na tabela de frutas, "formato" e "cor" separam bem maçãs de bananas, mas uma característica como "dia em que a fruta foi colhida" provavelmente não diz nada de útil ao modelo.
Olhe o seu próprio conjunto de dados bem pequeno. Qual característica faz mais trabalho para separar as categorias, e existe alguma que você poderia tirar sem prejudicar o padrão? Explique o seu raciocínio.
Finish this lesson
- Attempt the knowledge check — not done
- Save a reflection (recommended) — not done
Attempt the knowledge check to finish this lesson.