Aprendizado de máquina

Aprendizado de máquina September 8, 2026 Lab

Avaliação comparativa de LLMs locais: primeira resposta, taxa de geração e memória.

Meça o conteúdo da primeira resposta separadamente da taxa de geração e do controle. residency, caching and memory conditions.

Hands-on · 3 min de leitura Aprendizado de máquina September 5, 2026

Introdução à Detecção de Objetos e Segmentação Semântica — Lendo "O que está onde" em uma imagem

A Detecção de Objetos desenha caixas ao redor dos objetos; a Segmentação Semântica colore cada pixel de acordo com seu significado. Da diferença entre as duas, passando pela Segmentação de Instâncias e Panóptica, a linhagem do R-CNN ao YOLO, DETR e DINO, até suas contrapartes em nuvens de pontos 3D — uma exploração sistemática dos fundamentos da compreensão de cenas.

Fundamentals · 17 min de leitura Aprendizado de máquina September 4, 2026

Introdução à Aprendizagem de Máquina: Modelos Generativos

Os modelos generativos representam distribuições de dados e criam saídas condicionais. Aprenda sobre verossimilhança, VAE, GAN, difusão, avaliação, proveniência e segurança.

Fundamentals · 5 min de leitura Aprendizado de máquina September 4, 2026

Introdução ao Aprendizado de Máquina: Fundamentos — Projetando Dados, Função de Perda e Generalização

A aprendizagem de máquina não se resume apenas à seleção de modelos: define-se a tarefa, a divisão dos dados, a função de perda, a avaliação e a implementação das mudanças.

Fundamentals · 6 min de leitura Aprendizado de máquina September 4, 2026

Um guia completo para o SegFormer — Por que um Transformer sem codificação posicional funciona para segmentação

Este artigo analisa o SegFormer, apresentado pela NVIDIA, pela Universidade de Hong Kong e colaboradores na NeurIPS 2021, com base no artigo original. Examinamos o codificador hierárquico MiT sem codificação posicional, o decodificador All-MLP com uso eficiente de parâmetros, o campo receptivo efetivo e o mIoU medido, a contagem de parâmetros e os cálculos de B0 a B5 com equações.

Fundamentals · 10 min de leitura Aprendizado de máquina September 4, 2026

YOLO11 explicado em detalhes — O que mudou no C3k2 e no C2PSA em relação ao YOLOv8?

Analisar o Ultralytics YOLO11 usando documentação oficial e fontes primárias: C3k2, C2PSA, detecção sem âncora, perdas DFL/CIoU e benchmarks medidos para n/s/m/l/x.

Fundamentals · 13 min de leitura Aprendizado de máquina September 4, 2026

Introdução à Aprendizagem de Máquina: Noções Básicas de Redes Neurais

As redes neurais empilham transformações afins e ativações não lineares e, em seguida, reduzem a perda por meio de retropropagação e otimização baseada em gradiente.

Fundamentals · 6 min de leitura Aprendizado de máquina September 4, 2026

Introdução ao aprendizado de máquina: estimativa de pose

A estimativa de pose infere pontos-chave de humanos ou objetos e a pose 6D a partir de imagens. Este guia introdutório aborda coordenadas, perdas, oclusão, avaliação e segurança.

Fundamentals · 6 min de leitura Aprendizado por reforço September 4, 2026

Introdução à Aprendizagem por Reforço Multiagente — Otimizando em um Mundo Onde o Outro Lado Também Está Aprendendo

Quando múltiplos agentes aprendem simultaneamente, um MDP de agente único deixa de ser válido. Este artigo organiza não estacionariedade, configurações cooperativas/competitivas/mistas, CTDE, o problema de atribuição de crédito, MADDPG e QMIX, com equações e diagramas.

Fundamentals · 10 min de leitura Aprendizado por reforço September 4, 2026

π0 Explicado — Como a Correspondência de Fluxo Mudou a Geração de Ações VLA

Um guia técnico baseado em código-fonte para o π0 da Physical Intelligence: o PaliGemma VLM e o Action Expert dedicado, geração contínua de ações com correspondência de fluxo condicional, treinamento entre diferentes ambientes em sete tipos de robôs e a diferença em relação aos modelos VLA autorregressivos, como RT-2 e OpenVLA.

Fundamentals · 13 min de leitura Aprendizado por reforço September 4, 2026

Guia Básico de Design de Recompensas — Por que "O que Maximizar" é a Parte Mais Difícil do Aprendizado por Recompensa

Em implementações de aprendizado por reforço, o projeto da função de recompensa determina o resultado com mais frequência do que o próprio algoritmo. Este artigo aborda recompensas esparsas versus densas, a invariância de política na modelagem de recompensas baseada em potencial, casos reais de manipulação de recompensas, aprendizado por reforço inverso e aprendizado por reforço com restrições.

Fundamentals · 9 min de leitura Aprendizado por reforço September 3, 2026

Introdução à aprendizagem por reforço: aprendizagem por imitação e aprendizagem por reforço inversa.

Clonagem de comportamento, DAgger e aprendizado por reforço inverso utilizam demonstrações quando as recompensas são difíceis de definir. Este guia introdutório aborda mudança de covariáveis, inferência de recompensa, conexões VLA, avaliação, segurança e proveniência de dados.

Fundamentals · 6 min de leitura Aprendizado por reforço September 3, 2026

Fundamentos de Aprendizado por Reforço — MDPs, Equações de Bellman e Exploração para Robôs

O aprendizado por reforço é um processo de circuito fechado no qual um agente escolhe ações a partir de observações e maximiza recompensas futuras. Este guia explica os Processos de Decisão de Markov (MDPs), funções de valor, políticas, equações de Bellman, exploração versus explotação, design de recompensas e o caminho da simulação para um robô real.

Fundamentals · 7 min de leitura Aprendizado por reforço September 3, 2026

Aprendizado por reforço baseado em modelos e simulação para realidade

Modelos mundiais, erro de previsão, MPC, randomização de domínio, identificação de sistemas e monitoramento de segurança para máquinas reais.

Fundamentals · 5 min de leitura Aprendizado por reforço September 3, 2026

Gradientes de Política, PPO e SAC — Controle Contínuo Estável para Robôs

Os gradientes de política atualizam uma política diretamente, de modo que a direção, o impulso e o torque das juntas possam permanecer contínuos. Este artigo conecta os modelos Ator-Crítico, PPO e SAC, e aborda, em seguida, o recorte, a regularização de entropia, a avaliação e o limite de segurança para a transferência de simulação para realidade.

Fundamentals · 6 min de leitura Aprendizado por reforço September 3, 2026

Aprendizado por Reforço Profundo e Q-Learning — De uma Tabela Q ao Aprendizado por Reforço Profundo

O aprendizado por reforço Q atualiza os valores de ação com base no objetivo de otimização de Bellman. Este guia introdutório descreve o caminho de uma tabela Q tradicional até uma Rede Q Profunda, explicando a reprodução de experiências, redes-alvo, superestimação e posicionamento seguro em uma estrutura robótica.

Fundamentals · 6 min de leitura