O "overfitting" (sobreajuste) em Machine Learning ocorre quando um modelo aprende os dados de treinamento com tanta precisão que se torna incapaz de generalizar para novos dados. Isso significa que ele se ajusta demais aos detalhes e ruídos dos dados de treinamento, perdendo a capacidade de fazer previsões precisas em dados que não viu antes. Analisando as alternativas: a) Quando o modelo é muito simples para aprender os padrões dos dados. - Isso descreve "underfitting", não "overfitting". b) Quando o modelo aprende os dados de treinamento tão bem que não generaliza bem para novos dados. - Esta é a definição correta de "overfitting". c) Quando o modelo não consegue aprender nada com os dados. - Isso também descreve "underfitting". d) Quando o modelo é muito rápido ao fazer previsões. - Isso não está relacionado ao conceito de "overfitting". Portanto, a alternativa correta é: b) Quando o modelo aprende os dados de treinamento tão bem que não generaliza bem para novos dados.