Como escolher entre regras, ML, deep learning e LLMs

4.8K views
•
August 24, 2025
by
Sandeco
YouTube video player
Como escolher entre regras, ML, deep learning e LLMs

TL;DR

Escolha a abordagem pelo problema e pelo formato dos dados: regras simples para lógica explícita, machine learning clássico para dados tabulados e deep learning para imagens, áudio, vídeo e texto. LLMs são uma subcategoria de deep learning voltada principalmente à linguagem. O critério apresentado associa previsões sobre tabelas ao machine learning clássico e compreensão do que o usuário escreve aos modelos de linguagem.

Transcript

Agora sim. Qual o seu mapa mental para decidir quando usar regras simples matin learning clássico, deep learning e LLMs? E que tipo de problemas cada um pode resolver? Olha só, eh, eu não sou muito adepto de mapa mental, certo? Não uso, eu não uso constantemente isso, não. Eu vejo pelo problema, né, geral, regra simples seria programação pura. Bele... Read More

Key Insights

  • Regras simples usam programação explícita e dispensam aprendizado em tarefas como validar formulários.
  • Dados estruturados podem ser organizados em tabelas, como planilhas ou registros de bancos de dados.
  • Machine learning clássico é indicado no vídeo para previsões baseadas em dados organizados em tabelas.
  • Árvores de decisão, SVM e KNN estão entre os algoritmos citados para machine learning clássico.
  • Imagens, textos, áudios e vídeos são apresentados como exemplos de dados não estruturados.
  • Deep learning aparece associado à visão computacional, ao reconhecimento facial e a carros autônomos.
  • LLMs são uma subcategoria de deep learning, com atuação essencialmente voltada ao processamento de texto.
  • Modelos de linguagem multimodais utilizam recursos de visão computacional para trabalhar com imagens.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como escolher entre regras simples, machine learning clássico, deep learning e LLMs?

O critério apresentado começa pelo problema e pelo formato dos dados disponíveis. Quando a solução depende de condições explícitas e não exige aprendizado, a indicação é usar regras simples de programação. Para dados estruturados, organizados em tabelas, o vídeo recomenda machine learning clássico e exemplifica com previsões de preços de imóveis e temperatura. Para imagens, áudio, vídeo e texto, apresenta deep learning como abordagem para dados não estruturados. Quando a tarefa envolve compreender o que o usuário escreve, destaca os LLMs, que pertencem ao próprio deep learning.

Q: Quando usar regras simples de programação para resolver um problema?

Regras simples são indicadas quando o problema pode ser resolvido por lógica explícita de programação, sem envolver aprendizado. O vídeo descreve essa alternativa como programação pura, baseada em condições e outras estruturas do código. Entre os exemplos citados estão validação de formulários, categorização e transações financeiras básicas. O ponto central é verificar se a tarefa já pode ser expressa diretamente em regras. Na orientação apresentada, esses casos ficam no campo da computação simples e não precisam ser tratados como problemas de aprendizado de máquina.

Q: O que são dados estruturados e como eles se relacionam com machine learning clássico?

Dados estruturados são descritos como informações que podem ser colocadas e organizadas em uma tabela, como uma planilha do Excel. O vídeo também menciona dados provenientes de bancos de dados e XML nessa explicação. A característica destacada é a organização: informações tabuladas, bem definidas e disponíveis de maneira ordenada. Para esse cenário, a recomendação apresentada é machine learning clássico. Os exemplos de problemas incluem prever o preço de um imóvel com base no tamanho e estimar a temperatura de amanhã usando dados estruturados armazenados.

Q: Quais algoritmos de machine learning clássico são mencionados e para quais tarefas?

O vídeo menciona árvores de decisão, SVM e KNN entre os algoritmos de machine learning clássico. O KNN é apresentado como uma opção mais simples, que pode ser usada em alguns casos. Essas referências aparecem na discussão sobre dados estruturados, organizados em tabelas ou provenientes de bancos de dados. As tarefas exemplificadas nesse contexto são previsões, como estimar o preço de um imóvel a partir de seu tamanho ou prever a temperatura do dia seguinte. A exposição também informa que esses algoritmos foram abordados no canal antes da série de deep learning.

Q: Qual é a diferença entre machine learning clássico e deep learning apresentada no vídeo?

A diferença enfatizada no vídeo é o tipo de dado usado para resolver o problema. Machine learning clássico é associado a dados estruturados, que podem ser organizados em tabelas. Deep learning é associado a dados não estruturados, como imagens, fotos, textos, áudios e vídeos. Essa distinção funciona como a orientação prática apresentada para escolher uma abordagem. Os exemplos também acompanham essa separação: previsões de preços e temperatura aparecem no contexto de dados tabulados, enquanto reconhecimento de imagens, reconhecimento facial e carros autônomos aparecem na discussão sobre deep learning.

Q: Que tipos de problemas o deep learning pode resolver segundo os exemplos apresentados?

Deep learning é apresentado em conexão com problemas que envolvem imagens, áudio, vídeo e texto. Entre os exemplos citados estão reconhecimento de imagens, reconhecimento facial, carros autônomos, agentes inteligentes e pilotagem de aviões. A exposição relaciona essa área a capacidades como visão, fala e escrita, usando uma comparação com aspectos da percepção e da atuação humanas. Também destaca que vídeos contêm quadros e sequências de quadros, tratados como dados não estruturados. No caso das imagens, menciona a criação de redes neurais para trabalhar com visão computacional.

Q: O que são LLMs e qual é sua relação com deep learning?

LLMs são apresentados como modelos de linguagem e como uma subcategoria de deep learning. Portanto, utilizar um LLM também significa utilizar uma técnica pertencente ao deep learning, conforme a explicação do vídeo. A relação é construída a partir do tipo de dado: texto é descrito como dado não estruturado, e modelos de linguagem trabalham essencialmente com texto. A aplicação destacada é a compreensão daquilo que o usuário fala ou escreve. Assim, os LLMs aparecem como uma especialização dentro da área discutida, com foco no tratamento da linguagem.

Q: Como os LLMs multimodais trabalham com imagens na explicação do vídeo?

O vídeo reconhece que existem modelos de linguagem multimodais capazes de trabalhar com imagens. A explicação apresentada é que esses modelos utilizam recursos de visão computacional para lidar com esse tipo de entrada. Ao mesmo tempo, distingue essa capacidade do foco essencial de um modelo de linguagem, que é o texto. Dessa forma, a presença de imagens é explicada pela atuação de técnicas de visão computacional no modelo multimodal. Essa observação complementa a classificação dos LLMs como parte do deep learning e a associação dessa área com dados não estruturados.

Summary & Key Takeaways

  • Regras simples resolvem tarefas com lógica explícita, sem aprendizado. Para dados organizados em tabelas, o vídeo indica machine learning clássico, com exemplos de previsão de preços e temperatura.

  • Deep learning é apresentado como abordagem para dados não estruturados, como imagens, texto, áudio e vídeo. Os exemplos incluem visão computacional, reconhecimento facial e carros autônomos.

  • LLMs pertencem ao deep learning e trabalham essencialmente com linguagem. O vídeo destaca a compreensão de textos e explica que modelos multimodais também incorporam recursos de visão computacional.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚