Glossário IA
O dicionário completo da Inteligência Artificial
Anomalia
Observação ou padrão que se desvia significativamente do comportamento esperado ou normal em um conjunto de dados, indicando potencialmente um erro, fraude ou evento raro.
Outlier
Ponto de dados que difere consideravelmente de outras observações, frequentemente identificado por métodos estatísticos ou algoritmos de aprendizado de máquina não supervisionado.
Isolation Forest
Algoritmo de detecção de anomalias baseado em árvores de decisão que isola as anomalias construindo aleatoriamente florestas de árvores e medindo a profundidade média de isolamento dos pontos.
Fator de Outlier Local (LOF)
Método de detecção de anomalias baseado na densidade local que compara a densidade de um ponto com a de seus vizinhos para identificar pontos em regiões de baixa densidade.
SVM de Uma Classe
Variante das máquinas de vetores de suporte treinada em dados normais para criar uma fronteira de decisão, identificando como anomalias os pontos situados fora desta fronteira.
Autoencoder
Rede neural não supervisionada aprendida para reconstruir seus dados de entrada, onde as anomalias são identificadas por um erro de reconstrução alto indicando um desvio do padrão normal.
Envelope Elíptico
Método estatístico robusto que ajusta uma elipse em torno dos dados normais usando a estimativa de covariância robusta, considerando os pontos externos como anomalias.
Z-score
Medida estatística padronizada que quantifica o desvio de uma observação em relação à média em unidades de desvio padrão, onde valores extremos indicam potencialmente anomalias.
IQR (Intervalo Interquartílico)
Método de detecção baseado na faixa entre o primeiro e o terceiro quartil, onde as observações que se desviam 1.5 vezes o IQR além dos quartis são consideradas anomalias.
Distância de Mahalanobis
Medida de distância multivariada que leva em conta a correlação entre as variáveis, identificando anomalias como pontos com alta distância do centro da distribuição.
Erro de Reconstrução
Diferença entre os dados originais e sua reconstrução por um modelo como um autoencoder, onde erros elevados indicam observações anormais.
Detecção de Novidade
Variante da detecção de anomalias onde o modelo é treinado em dados normais para identificar novas observações desconhecidas que se desviam dos padrões aprendidos.
Anomalia de Ponto
Tipo de anomalia onde uma observação individual é considerada anormal em relação ao resto dos dados, sem depender do contexto ou de outras observações.
Anomalia Contextual
Anomalia identificada como anormal apenas em um contexto específico, como uma temperatura elevada no inverno que poderia ser normal no verão.
Anomalia Coletiva
Grupo de observações que, individualmente normais, tornam-se anormais quando aparecem juntas como uma coleção sequencial ou espacial.
Covariância Robusta
Método de estimativa da covariância resistente a valores extremos, usado para detectar anomalias identificando pontos que se desviam significativamente da distribuição robusta.
Detecção de Anomalias Baseada em Clustering
Abordagem que utiliza algoritmos de clustering para identificar anomalias como pontos que não pertencem a nenhum cluster ou pertencem a clusters de tamanho muito pequeno.
Detecção de Outliers Baseada em Histograma
Método que constrói histogramas multidimensionais dos dados e identifica anomalias como observações que caem em compartimentos com frequências muito baixas.