Aprendizado de máquina é o processo de descobrir uma função-objetivo f que mapeie as entradas x nos respectivos resultados y, ou seja, \(y = f (x)\) Quando a forma geral da função

Gabarito

D

Comentário do professor

A desvantagem indicada — escalabilidade — refere-se à dificuldade dos modelos parametrizados em aumentar sua capacidade de representação conforme crescem os dados ou a complexidade do problema.

Em modelos parametrizados a forma de \(f\) é pré-definida e o aprendizado reduz-se a ajustar um vetor fixo de parâmetros (por exemplo \(f(x;\theta)\)). Isso significa que, mesmo com muito mais dados, a capacidade do modelo permanece limitada pelo número e pela estrutura desses parâmetros.

Consequências: ao ampliar o conjunto de dados ou as dimensões de entrada, um modelo mal ajustado tende a underfitting — aumentar dados não melhora a representação — ou exige redesenho da arquitetura e reparametrização, o que não escala automaticamente.

Portanto, a escalabilidade aqui é conceitual: é a limitação em adaptar complexidade e desempenho de forma contínua conforme o problema cresce.