Recentemente, os métodos de Machine Learning têm sido amplamente
utilizados na análise das respostas de grandezas físicas dos mais variados
tipos de sistemas – tanto em simulações numéricas como em experimentos –,
como ferramenta auxiliar ou complementar aos métodos usuais de análise.
Porém, ainda não é inteiramente compreendido o grau de efetividade de tais
métodos, e sobre quais situações são mais úteis. Portanto, este trabalho
contribui para essa discussão por utilizar métodos de Machine Learning não-
supervisionados para investigar propriedades de Hamiltonianas clássicas que
exibem transições de fase de primeira e segunda ordem. A saber, examinamos
o modelo de Potts q-estados. Além de ser um toy model para sistemas de spin,
este modelo é também vastamente utilizado em Mecânica Estatística e
Sistemas Complexos para, dentre outras aplicações, investigar propriedades
de modelos sociais e difusivos.