Discussão do artigo "Superando as limitações do aprendizado de máquina (Parte 3): Uma nova perspectiva sobre o erro irredutível"

Novo artigo Superando as limitações do aprendizado de máquina (Parte 3): Uma nova perspectiva sobre o erro irredutível foi publicado:

Neste artigo, examinaremos sob uma nova perspectiva uma fonte oculta de erro, de natureza geométrica, que influencia silenciosamente cada previsão gerada pelos seus modelos. Ao repensar a forma como avaliamos e utilizamos as previsões de aprendizado de máquina no trading, mostraremos como essa perspectiva frequentemente negligenciada pode contribuir para decisões mais fundamentadas, melhores retornos e uma forma mais criteriosa de trabalhar com modelos que acreditávamos já compreender.

Este artigo apresenta ao leitor determinadas limitações dos modelos modernos de aprendizado de máquina sobre as quais os próprios instrutores não recebem formação explícita antes da implantação desses modelos. O campo do aprendizado de máquina é marcado por uma extensa literatura técnica e pelo uso intensivo de notação matemática. Como existem diferentes níveis de abstração nos quais um profissional pode estudar essa área, as abordagens de aprendizado variam consideravelmente. Por exemplo, alguns profissionais aprendem a utilizar modelos de aprendizado de máquina exclusivamente por meio de bibliotecas de alto nível, como o scikit-learn, que oferecem uma interface simples e intuitiva, ao mesmo tempo que abstraem os conceitos matemáticos subjacentes.

Entretanto, dependendo do nível de conhecimento e do grau de controle desejado pelo profissional, pode ser necessário ultrapassar essas camadas de abstração para compreender o que realmente acontece nos mecanismos internos dos modelos. Em qualquer projeto que utilize modelos de aprendizado de máquina, existe uma parcela de erro irredutível, embora ela raramente seja mencionada de maneira explícita.


Autor: Gamuchirai Zororo Ndawana