Microaula em Método CELULA • Prévia Aberta

Em muitos cenários reais, não existem rótulos prontos: o desafio é descobrir segmentos ocultos de clientes, detectar anomalias em sensores industriais ou prever vendas futuras ao longo do tempo respeitando a dependência temporal dos dados.

1. Aprendizado Não Supervisionado e Redução Dimensional

Descoberta de padrões latentes:

• K-Means e DBSCAN: O K-Means particiona dados em K clusters baseados em centroides (usando o método do cotovelo para escolha de K); o DBSCAN agrupa por densidade, sendo imune a ruídos e formatos irregulares;
• PCA (Principal Component Analysis): Projeta dados de alta dimensionalidade em eixos ortogonais de máxima variância, reduzindo ruído e permitindo visualização gráfica 2D/3D;
• Séries Temporais e Validação Temporal: Dados temporais NUNCA devem ser embaralhados aleatoriamente com K-Fold comum; deve-se usar validação com janela deslizante (TimeSeriesSplit) e modelagem ARIMA/SARIMA com features de lag.

...