O Mapa dos Algoritmos de Machine Learning: As 8 Grandes Categorias que Todo Iniciante Precisa Conhec

Quando comecei a estudar Machine Learning, me senti como quem abre um quebra‑cabeça sem a imagem da caixa. Sabia que existiam algoritmos famosos como KNN, SVM e Redes Neurais, mas não entendia como tudo se conectava. Foi aí que tive a ideia de organizar esse conhecimento em um grande mapa, que agora compartilho com você.

Se você também se sente perdido nesse mar de nomes e técnicas, este artigo vai ajudá‑lo a enxergar o todo antes de mergulhar nas partes.

Por que este mapa é importante?

Imagine que você quer aprender a cozinhar. É mais fácil começar se souber que existem categorias como massas, carnes, sobremesas — e não uma lista desorganizada com 50 pratos. Com Machine Learning acontece o mesmo. Este mapa agrupa os principais algoritmos em 8 grandes famílias, facilitando sua jornada.

O Mapa dos Algoritmos de Machine Learning

Abaixo, apresento as 8 categorias fundamentais, exatamente como no roteiro do vídeo, com descrições, exemplos e os algoritmos citados.

1. Classificação

Usada quando o objetivo é prever categorias ou rótulos (ex: “sim” ou “não”, “fraude” ou “normal”).

Exemplo real: Diagnosticar se um paciente tem ou não uma doença.

Algoritmos típicos (do vídeo):

• Naive Bayes
• Árvores de Decisão
• Random Forest
• KNN (k‑Nearest Neighbors)
• SVM (Support Vector Machines)
• Regressão Logística
• XGBoost

2. Regressão

Serve para prever valores contínuos (ex: preço de uma casa, temperatura, faturamento).

Exemplo real: Estimar o preço de um imóvel com base em suas características.

Algoritmos típicos (do vídeo):

• Regressão Linear
• Regressão Polinomial
• Lasso
• Ridge
• SVR (Support Vector Regressor)
• Random Forest Regressor
• Métodos Boosting (e.g. Gradient Boosting, XGBoost)

3. Clusterização

Técnica não supervisionada que agrupa dados semelhantes sem usar rótulos.

Exemplo real: Segmentar clientes por comportamento de compra.

Algoritmos típicos (do vídeo):

• K‑Means
• Hierarchical Clustering
• DBSCAN
• Gaussian Mixture Models
• Mean Shift

4. Redução de Dimensionalidade

Resume conjuntos de dados com muitas variáveis, preservando a maior parte da informação.

Exemplo real: Visualizar um conjunto com centenas de features em 2D para descobrir padrões.

Algoritmos típicos (do vídeo):

• PCA (Principal Component Analysis)
• t‑SNE
• UMAP
• Autoencoders

5. Detecção de Anomalias

Identifica eventos raros ou fora do padrão, essenciais para detectar fraudes ou falhas.

Exemplo real: Monitorar sensores industriais para identificar falhas iminentes.

Algoritmos típicos (do vídeo):

• Isolation Forest
• One‑Class SVM
• DBSCAN adaptado
• Autoencoders para anomalias

6. Sistemas de Recomendação

Personalizam experiências ao sugerir produtos, filmes ou conteúdos de acordo com o usuário.

Exemplo real: Recomendação de filmes na Netflix.

Técnicas típicas (do vídeo):

• Filtragem Colaborativa (user‑based e item‑based)
• Filtragem Baseada em Conteúdo
• Fatoração de Matrizes (Matrix Factorization)

7. Redes Neurais e Deep Learning

Modelos inspirados no cérebro, capazes de aprender padrões complexos em imagem, texto e áudio.

Exemplo real: Reconhecimento facial em fotos pelo smartphone.

Modelos típicos (do vídeo):

• Redes Neurais Artificiais (MLP)
• CNNs (Convolutional Neural Networks)
• RNNs & LSTMs (para sequências)
• GANs (Generative Adversarial Networks)

8. Aprendizado por Reforço

Algoritmos que aprendem por tentativa e erro, maximizando recompensas ao longo do tempo.

Exemplo real: Agentes que jogam videogames sozinhos e aprendem estratégias vencedoras.

Algoritmos típicos (do vídeo):

• Q‑Learning
• Deep Q‑Networks (DQN)
• Policy Gradients

Agora você tem um mapa mental fiel ao roteiro do vídeo para saber onde cada algoritmo se encaixa. Esse é o primeiro passo para estudar com propósito, sem se perder na sopa de letrinhas do ML.

Escolha a categoria que mais chamou sua atenção e mergulhe nela! Nos próximos vídeos e artigos, vamos explorar cada grupo com exemplos práticos e código comentado.

Salve este artigo como referência e volte sempre que precisar se orientar na jornada do aprendizado em Machine Learning.