Adiciona parágrafos sobre modelos discriminativos e generativos

texto/02-desenvolvimento/01-machine-learning/main.tex

@@ -6,9 +6,10 @@ \subsection{O que é aprendizagem de máquina?}
 de informações empíricas, buscando alcançar melhorias de desempenho em uma determinada tarefa \cite{Theobald2021}.
 
 Aprender trata-se, portanto, de ajustar os parâmetros de um modelo estatístico e computacional aos dados observados
-de modo a maximizar o desempenho na tarefa em questão \cite{Bi2019}. Programas de computador baseados em aprendizagem
-de máquina são capazes de identificar padrões de interação complexos entre variáveis em conjuntos de dados com alta
-dimensionalidade para realizar tarefas de classificação, regressão, agrupamento e outras \cite{Theobald2021}.
+de modo a maximizar o desempenho na tarefa em questão. Esse processo de aprendizagem é comumente chamado de treinamento
+do modelo \cite{Bi2019}. Programas de computador baseados em aprendizagem de máquina são capazes de identificar padrões
+de interação complexos entre variáveis em conjuntos de dados com alta dimensionalidade para realizar tarefas de classificação,
+regressão, agrupamento e outras \cite{Theobald2021}.
 
 Considere, por exemplo, um estudo observacional hipotético que investiga a relação entre características de personalidade
 e o nível de satisfação profissional entre psicólogos. O estudo baseia-se no modelo dos cinco grandes fatores da personalidade
@@ -70,6 +71,17 @@ \subsubsection{Aprendizagem supervisionada, não supervisionada e por reforço}
 
 \subsubsection{Modelos discriminativos e generativos}
 
+Estratégias de aprendizagem supervisionada e não supervisionada podem ser utilizada na construção de modelos com objetivos de aprendizagem distintos. Modelos
+discriminativos tem por objetivo modelar probabilidade condicional de um desfecho dadas determinadas condições \cite{Bi2019, Ng2001}. Um modelo discriminativo,
+poderia representar diretamente a probabilidade de resposta a uma intervenção psicoterápica dadas as condicões socioeconômicas do paciente, como escolaridade e
+renda. Modelos discriminativos são comumente usados em tarefas de regresão e classificação \cite{Bi2019}.
+
+Modelos generativos buscam modelar a distribuição de probabilidade conjunta para as variáveis presentes no conjunto de dados, ou seja, a probabilidade associada
+a cada combinação de variáveis observada no conjunto de dados de treinamento \cite{Bi2019, Ng2001}. Um modelo generativo poderia, por exemplo, representar a
+probabilidade associada a cada combinação de escolaridade, renda e resposta à intervenção observada durante seu treinamento. A distribuição de probabilidade
+conjunta completa representa, em certa medida, o processo subjacente de geração dos dados, o que permite que modelos generativos sejam utilizados para gerar
+observações sintéticas \cite{Bi2019}. Esse tipo de modelo é associado a ferramentas de inteligência artificial generativa como o Chat GTP \cite{Wu2023}.
+
 \subsection{A construção de uma aplicação de machine learning}
 \subsubsection{Análise descritiva}
 \subsubsection{Pré-processamento}

texto/references.bib

@@ -281,7 +281,7 @@ @article{Shortreed2010
   pages = {109-136}
 }
 
-@ARTICLE{Sanchez2019,
+@article{Sanchez2019,
   title     = "A machine learning approach for studying the comorbidities of complex diagnoses",
   author    = "S{\'a}nchez-Rico, Marina and Alvarado, Jes{\'u}s M",
   journal   = "Behav. Sci. (Basel)",
@@ -294,3 +294,15 @@ @ARTICLE{Sanchez2019
   keywords  = "UMAP; comorbidities; depression; hierarchical clustering",
   language  = "en"
 }
+
+@article{Wu2023,
+  author={Wu, Tianyu and He, Shizhu and Liu, Jingping and Sun, Siqi and Liu, Kang and Han, Qing-Long and Tang, Yang},
+  journal={IEEE/CAA Journal of Automatica Sinica}, 
+  title={A Brief Overview of ChatGPT: The History, Status Quo and Potential Future Development}, 
+  year={2023},
+  volume={10},
+  number={5},
+  pages={1122-1136},
+  keywords={Three-dimensional displays;Web and internet services;Reinforcement learning;Chatbots;Robot sensing systems;Transformers;History;AIGC;ChatGPT;GPT-3;GPT-4;human feedback;large language models},
+  doi={10.1109/JAS.2023.123618}
+}