Projeto 10 - Simulador de Treinamento e Curva de Erro 📉

Neste projeto, você vai visualizar o erro de uma rede neural diminuindo ao longo do tempo (iterações).

🎯 Objetivo

Entender visualmente o que significa "otimizar" um modelo e como a curva de perda (loss curve) se comporta.

🛠️ Ferramentas

• Google Colab.
• Bibliotecas: NumPy e Matplotlib.

📝 Passo a Passo

1. Simulação de Erro: Crie uma lista de "erros" simulados que começa em 1.0 e vai diminuindo conforme as épocas passam, mas com pequenas oscilações aleatórias.

2. Código sugerido:

   import numpy as np
   import matplotlib.pyplot as plt
   
   epocas = np.arange(1, 101)
   erro = np.exp(-epocas/20) + np.random.normal(0, 0.02, 100) # Simula descida do gradiente
   
   plt.plot(epocas, erro)
   plt.title("Curva de Aprendizado (Loss Curve)")
   plt.xlabel("Época")
   plt.ylabel("Erro (Loss)")
   plt.show()
   

3. Análise:

   • O modelo parece ter estabilizado após qual época?
   • O que as pequenas oscilações na linha representam no mundo real do treinamento?

✅ Critérios de Entrega

• Print do gráfico da curva de erro.
• Resposta à pergunta: "Se o erro parasse de cair na época 50, faria sentido continuar o treino até a época 500?". Justifique.

Importante

Saber ler uma curva de perda é a habilidade que separa um iniciante de um profissional de IA!