# PT-BR HINTS
## TERM MAPPINGS
These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.

- 'accuracy' -> 'precisão'
- 'activation function' -> 'função de ativação'
- 'artificial intelligence' -> 'inteligência artificial'
- 'AUC' -> 'AUC'
- 'AUC (Area under the ROC curve)' -> 'AUC (área sob a curva ROC)'
- 'backpropagation' -> 'retropropagação'
- 'batch' -> 'lote'
- 'batch size' -> 'tamanho do lote'
- 'bias (ethics/fairness)' -> 'viés (ética/justiça)'
- 'bias (math) or bias term' -> 'viés (matemática) ou termo de viés'
- 'bias in ethics and fairness' -> 'viés em ética e justiça'
- 'bias term' -> 'termo de viés'
- 'binary classification' -> 'classificação binária'
- 'bucketing' -> 'agrupamento por classes'
- 'categorical' -> 'categórico'
- 'categorical data' -> 'dados categóricos'
- 'class' -> 'classe'
- 'class-imbalanced dataset' -> 'conjunto de dados não balanceado'
- 'class-imbalanced datasets' -> 'conjuntos de dados com classes desbalanceadas'
- 'classification' -> 'classificação'
- 'classification model' -> 'modelo de classificação'
- 'classification threshold' -> 'limiar de classificação'
- 'classifier' -> 'classificador'
- 'clipping' -> 'corte'
- 'confusion matrix' -> 'matriz de confusão'
- 'continuous feature' -> 'atributo contínuo'
- 'convergence' -> 'convergência'
- 'data set or dataset' -> 'conjunto de dados'
- 'DataFrame' -> 'DataFrame'
- 'dataset' -> 'conjunto de dados'
- 'deep learning' -> 'aprendizado profundo'
- 'deep model' -> 'modelo profundo'
- 'dense feature' -> 'atributo denso'
- 'depth' -> 'profundidade'
- 'discrete feature' -> 'atributo discreto'
- 'discrete features' -> 'recursos discretos'
- 'dynamic' -> 'dinâmico'
- 'dynamic model' -> 'modelo dinâmico'
- 'early stopping' -> 'parada antecipada'
- 'embedding layer' -> 'camada de embedding'
- 'embedding layers' -> 'camadas de embedding'
- 'epoch' -> 'época'
- 'example' -> 'exemplo'
- 'false negative (FN)' -> 'falso negativo (FN)'
- 'false negatives' -> 'falsos negativos'
- 'false positive (FP)' -> 'falso positivo (FP)'
- 'false positive rate' -> 'taxa de falso positivo'
- 'false positive rate (FPR)' -> 'taxa de falso positivo (FPR)'
- 'false positives' -> 'falsos positivos'
- 'feature' -> 'recurso'
- 'feature cross' -> 'cruzamento de atributos'
- 'feature crosses' -> 'cruzamentos de recursos'
- 'feature engineering' -> 'engenharia de atributos'
- 'feature set' -> 'conjunto de atributos'
- 'feature vector' -> 'vetor de atributos'
- 'feedback loop' -> 'ciclo de feedback'
- 'generalization' -> 'generalização'
- 'generalization curve' -> 'curva de generalização'
- 'gradient descent' -> 'gradiente descendente'
- 'ground truth' -> 'informações empíricas'
- 'hidden layer' -> 'camada oculta'
- 'hidden layer(s)' -> 'camadas ocultas'
- 'hyperparameter' -> 'hiperparâmetro'
- 'independently and identically distributed (i.i.d)' -> 'independente e identicamente distribuído (i.i.d)'
- 'inference' -> 'inferência'
- 'input layer' -> 'camada de entrada'
- 'interpretability' -> 'interpretabilidade'
- 'iteration' -> 'iteração'
- 'L0regularization' -> 'Regularização L0'
- 'L1loss' -> 'L1'
- 'L1regularization' -> 'regularização L1'
- 'L2loss' -> 'perda L2'
- 'L2regularization' -> 'regularizaçãoL2'
- 'label' -> 'o rótulo.'
- 'labeled example' -> 'exemplo rotulado'
- 'lambda' -> 'lambda'
- 'layer' -> 'layer'
- 'learning rate' -> 'taxa de aprendizado'
- 'linear' -> 'linear'
- 'linear model' -> 'modelo linear'
- 'linear models' -> 'modelos lineares'
- 'linear regression' -> 'regressão linear'
- 'Log Loss' -> 'perda logarítmica'
- 'log-odds' -> 'log-odds'
- 'logistic regression' -> 'regressão logística'
- 'loss' -> 'perda'
- 'loss curve' -> 'curva de perda'
- 'loss function' -> 'função de perda'
- 'machine learning' -> 'machine learning'
- 'majority class' -> 'classe majoritária'
- 'mini-batch' -> 'minilote'
- 'minority class' -> 'classe minoritária'
- 'model' -> 'modelo'
- 'multi-class classification' -> 'classificação multiclasse'
- 'negative class' -> 'classe negativa'
- 'negative classes' -> 'classes negativas'
- 'neural network' -> 'do feedforward'
- 'neural networks' -> 'redes neurais'
- 'neuron' -> 'neurônio'
- 'node (neural network)' -> 'nó (rede neural)'
- 'nonlinear' -> 'não linear'
- 'nonstationarity' -> 'não estacionariedade'
- 'normalization' -> 'normalização'
- 'numerical data' -> 'dados numéricos'
- 'offline' -> 'off-line'
- 'offline inference' -> 'inferência off-line'
- 'one-hot encoding' -> 'codificação one-hot'
- 'one-hot vector' -> 'vetor one-hot'
- 'one-vs.-all' -> 'um-contra-todos'
- 'online' -> 'on-line'
- 'online inference' -> 'inferência on-line'
- 'output layer' -> 'camada de saída'
- 'output layers' -> 'camadas de saída'
- 'overfitting' -> 'overfitting'
- 'pandas' -> 'pandas'
- 'parameter' -> 'parâmetro'
- 'positive class' -> 'classe positiva'
- 'positive classes' -> 'classes positivas'
- 'post-processing' -> 'pós-processamento'
- 'precision' -> 'precision'
- 'prediction' -> 'previsão'
- 'proxy labels' -> 'rotulação indireta'
- 'RAG' -> 'RAG'
- 'rater' -> 'rotulador'
- 'recall' -> 'recall'
- 'Rectified Linear Unit (ReLU)' -> 'Unidade linear retificada (ReLU)'
- 'regression model' -> 'modelo de regressão'
- 'regularization' -> 'regularização'
- 'regularization rate' -> 'taxa de regularização'
- 'ReLU' -> 'ReLU'
- 'retrieval-augmented generation' -> 'geração aumentada de recuperação'
- 'retrieval-augmented generation (RAG)' -> 'geração aumentada de recuperação (RAG)'
- 'ROC (receiver operating characteristic) Curve' -> 'Curva ROC'
- 'ROC curve' -> 'curva ROC'
- 'Root Mean Squared Error (RMSE)' -> 'Raiz do erro quadrático médio (RMSE)'
- 'sigmoid function' -> 'função sigmoide'
- 'softmax' -> 'softmax'
- 'sparse feature' -> 'atributo esparso'
- 'sparse representation' -> 'representação esparsa'
- 'sparse vector' -> 'vetor esparso'
- 'squared loss' -> 'perda quadrática'
- 'static' -> 'static'
- 'static inference' -> 'inferência estática'
- 'static model' -> 'modelo estático'
- 'stationarity' -> 'estacionariedade'
- 'Stochastic Gradient Descent (SGD)' -> 'Gradiente descendente estocástico (GDE)'
- 'supervised learning' -> 'aprendizado supervisionado'
- 'supervised machine learning' -> 'aprendizado de máquina supervisionado'
- 'synthetic feature' -> 'atributo sintético'
- 'synthetic features' -> 'recursos sintéticos'
- 'test loss' -> 'perda de teste'
- 'training' -> 'treinamento'
- 'training loss' -> 'perda de treinamento'
- 'training set' -> 'conjunto de treinamento'
- 'training-serving skew' -> 'desvio entre treinamento e disponibilização'
- 'true negative (TN)' -> 'verdadeiro negativo (VN)'
- 'true negatives' -> 'verdadeiros negativos'
- 'true positive (TP)' -> 'verdadeiro positivo (VP)'
- 'true positive rate' -> 'taxa de verdadeiros positivos'
- 'true positive rate (TPR)' -> 'taxa de verdadeiro positivo (TVP)'
- 'true positives' -> 'verdadeiros positivos'
- 'underfitting' -> 'underfitting'
- 'unlabeled example' -> 'exemplo sem rótulo'
- 'unsupervised machine learning' -> 'aprendizado de máquina sem supervisão'
- 'validation' -> 'validação'
- 'validation dataset' -> 'conjunto de dados de validação'
- 'validation loss' -> 'perda de validação'
- 'validation set' -> 'conjunto de validação'
- 'weight' -> 'peso'
- 'weighted sum' -> 'soma de pesos'
- 'Z-score normalization' -> 'Normalização de pontuação Z'
