Nesse vídeo, nós falaremos sobre
uma maneira espacial ou geométrica

para entender como
a aprendizagem supervisionada funciona.

Agora, na seção anterior,

eu falei sobre um problema de aprendizagem
de máquina prototípico,

que é pegar uma imagem
e produzir uma saída

tal como "gato" ou "cachorro".

Agora, para entender como

um algoritmo de aprendizagem de máquina
pode aprender a fazer isso,

vamos pensar como imagens são
efetivamente representadas.

Então, cada imagem consiste de pixels e
cada pixel tem três cores.

E então, cada image é na verdade
uma longa lista de números

especificando as cores de cada pixel.

Então, quando nós somos fornecidos com
nosso conjunto de dados de treino,

que seria uma lista
de imagens e labels.

As imagens são longas listas de números

as quais - na literatura -
são às vezes chamadas "vetores".

Agora, esses vetores
podem ser pensados como pontos

em um espaço dimensional muito alto.

Por exemplo,
Se você tem mil pixels

e cada pixel possui três cores

que seria um ponto em 
um espaço com 3000 dimensões.

Agora, o algoritmo de aprendizagem 
de máquina, em algum sentido,

na verdade pensa
nesse espaço dimensional alto.

Mas, para nós simplificarmos as coisas
conceitualmente,

nós vamos pensar a respeito 
dessas imagens

em uma representação dimensional menor.

Especificamente, você pode ver como
nós podemos pensar nessas imagens

como um ponto em algum tipo de 
espaço bidimensional abstrato,

apenas para propósitos de visualização
e conceitualização.

Agora, nesse exemplo das imagens,

você está fornecido com um conjunto 
de dados de treinamento.

Como eu mencionei,

todas as imagens em um conjunto de dados de treino
são apenas pontos no espaço.

E aqui, eu também colori os pontos

de acordo com seus labels - 
"gato" ou "cachorro".

Então, os pontos vermelhos são as imagens de gato
e os pontos azuis são as imagens de cachorro.

E, isso é como o conjunto de dados de treino
se parece geometricamente.

Agora, um algoritmo de aprendizagem 
supervisionada faz o seguinte:

ele essencialmente tenta encontrar uma superfície
que separa pontos de uma classe -

os pontos de cachorro -
dos pontos da outra classe -

pontos de gato.

E ele faz isso ajustando os botões,
que são chamadas "parâmetros",

para fazer uma melhor separação,
neste caso,

dos pontos vermelhos dos pontos azuis ...

Ok?

E uma vez encontrada a superfície,
o que pode ser feito é

pode ser pegar uma imagem
que nunca foi vista antes,

que vai ser também outro 
ponto no nesse espaço,

e pode-se dizer:

"Esse ponto no lado dos cachorros
na superfície

ou do lado dos gatos na superfície?"

Ok?

E dado qual lado ele se encontra,
é feita a predição sobre

se essa imagem
que nunca foi vista antes

é de um cachorro ou de um gato.

Agora, isso é basicamente a maneira 
visual ou geométrica,

para pensar sobre 
aprendizagem supervisionada.

E na próxima seção,

nós falaremos sobre maneiras para
quantificar ou pensar sobre

o quão bom essa superfície de separação está,

que é chamado - na literatura -
de generalização.