Uma empresa coletou novos dados e, em seguida, criou uma matriz de correlação, calculou estatísticas de resumo e produziu visualizações para entender os dados. Qual estágio do fluxo de trabalho de machine learning é este?

A Análise Exploratória de Dados (EDA) é o estágio em que se utiliza estatísticas de resumo e visualizações para entender as características principais de um conjunto de dados, identificar padrões, detectar anomalias e testar hipóteses. Coletar novos dados e, em seguida, criar uma matriz de correlação, calcular estatísticas de resumo e produzir visualizações são atividades típicas da EDA, visando obter insights antes de prosseguir com a modelagem. Pré-processamento de dados envolve a limpeza, transformação e normalização dos dados para prepará-los para o modelo, mas não é o foco principal da compreensão inicial. Engenharia de features (características) é a criação de novas variáveis a partir das existentes para melhorar o desempenho do modelo, o que ocorre após a compreensão inicial. Ajuste de hiperparâmetros é a otimização dos parâmetros de um modelo para melhorar seu desempenho, uma etapa que vem muito depois da exploração inicial dos dados.