Escolar Documentos
Profissional Documentos
Cultura Documentos
Estudos Disciplinares
Inteligência Artificial
Fonte:
https://www.cidademarketing.com
.br/marketing/2019/08/09/intelige
ncia-artificial-vs-inteligencia-
humana-porque-together-is-
better/
IA x IN
Humano racional
Sistemas que pensam Sistemas que pensam
Pensamento
como seres humanos racionalmente
Sistemas que agem Sistemas que agem
Comportamento
como seres humanos racionalmente
Áreas relacionadas com IA
Machine Learning e Deep Learning são métodos para treinar modelos, ou seja, mostrar às
máquinas como elas devem aprender a classificar dados.
A Inteligência artificial, por sua vez, engloba os dois, e pode ser definida como qualquer
técnica que capacite uma máquina a imitar a inteligência humana.
ARTIFICIAL MACHINE
INTELLIGENCE LEARNING DEEP LEARNING
Qualquer técnica Métodos estatísticos Redes Neurais com múltiplas
que capacite uma que possibilitam que as camadas que assimilam
máquina a imitar a máquinas aprendam a tarefas e reconhecem símbolos
inteligência partir dos dados sem a partir dos dados
humana programação
Fonte: https://opencadd.com.br/machine-learning-ou-deep-learning/
Teste de Turing
Turing, em 1950, propôs o famoso Teste de Turing no artigo “Computing machinery and
intelligence”.
O teste foi proposto para fornecer uma definição operacional de inteligência.
O computador passará no teste se um interrogador humano, depois de propor algumas
perguntas por escrito, não for capaz de distingui-lo de um humano.
Teste de Turing
A ideia de que inteligência significa a mesma coisa que comportamento inteligente foi desafiada
por alguns estudiosos. O contra-argumento mais conhecido é o experimento da Sala Chinesa, de
John Searle.
Searle descreve uma experiência em que uma pessoa que não conhece chinês está trancada em
uma sala. Do lado de fora da sala existe uma pessoa que pode enviar notas escritas em chinês
para dentro da sala através de um espaço para correspondência.
A pessoa dentro da sala recebe um grande manual, no qual ela pode encontrar instruções
detalhadas para responder às anotações que ela recebe do lado de fora.
Searle argumentou que mesmo que a pessoa de fora da sala tenha a impressão de que ela esteja
conversando com outra pessoa que fala chinês, a pessoa dentro da sala não entende chinês.
Fonte:
https://opencadd.com.br/machine
-learning-ou-deep-learning/
Interatividade
a) IA (Inteligência Artificial).
b) Deep Learning (Aprendizado Profundo).
c) Data Science (Ciência de Dados).
d) Visão Computacional.
e) Machine Learning (Aprendizado de Máquina).
Resposta
a) IA (Inteligência Artificial).
b) Deep Learning (Aprendizado Profundo).
c) Data Science (Ciência de Dados).
d) Visão Computacional.
e) Machine Learning (Aprendizado de Máquina).
No entanto, muito mais importante, a probabilidade também pode ser usada para
quantificar e comparar riscos na vida cotidiana: quais são as chances de bater seu carro
se você exceder o limite de velocidade ou dirigir falando ao celular? Quais são as
chances de que as taxas de juros sobre sua hipoteca subam? Ou quais são as chances
de que a IA automatize tarefas específicas, como detectar ossos fraturados em imagens
de raios-x ou identificar comportamentos suspeitos em pessoas por reconhecimento
facial?
O fato de que a incerteza pode ser quantificada é de suma
importância, por exemplo, na decisão referente à vacinação
ou outras políticas públicas.
Os riscos nunca são conhecidos nos mínimos detalhes,
mas sua magnitude é geralmente conhecida em grau
suficiente para que se possa argumentar se os benefícios
superam os riscos.
Classificação Naive Bayes
O algoritmo Naive Bayes recebe este nome por ser baseado no Teorema de Bayes.
O classificador Bayes é uma técnica de aprendizado de máquina que pode ser usada para
classificar objetos como documentos de texto em duas ou mais classes.
O classificador é treinado analisando um conjunto de dados de treinamento, para os quais as
classes corretas são fornecidas.
O algoritmo tem como objetivo calcular a probabilidade que uma amostra desconhecida pertença
a cada uma das classes possíveis, ou seja, predizer a classe mais provável.
Este tipo de predição é chamada de classificação estatística, pois é completamente baseada em
probabilidades.
Esta classificação também é chamada ingênua (a palavra Naive em inglês significa ingênuo), pois
ela considera que o efeito do valor de um atribuído sobre uma determinada classe é independente
dos valores dos outros atributos, o que simplifica os
cálculos envolvidos.
Thomas Bayes
(1702-1761)
Fonte:
https://br.pinterest.com/pin/
464926361529915932/
Aprendizagem de Máquina
Reconhecimento Elicitação de
de imagens atributos
Retenção Visualização
de clientes de atributos
Aprendizagem Aprendizagem
supervisionada não
supervisionada Sistema de
Diagnósticos Aprendizagem recomendação
de máquina
Previsões de Segmentação
mercado de clientes
Tarefas de constante
Decisões em aprendizagem
tempo real Aprendizagem
por reforço
Fonte:
Aquisição de https://isitics.com/2018/05/
Navegação conhecimento 10/principais-sub-divisoes-
de robôs e-aplicabilidade-da-
Aprendizagem de Máquina
a) Um Filtro de SPAM.
b) Um Classificador de Documentos.
c) Um Identificador de Faces.
d) Um Gerador automático de Códigos.
e) Todas as alternativas estão corretas.
Resposta
a) Um Filtro de SPAM.
b) Um Classificador de Documentos.
c) Um Identificador de Faces.
d) Um Gerador automático de Códigos.
e) Todas as alternativas estão corretas.
Medicina Diagnóstica e IA
Fonte:
https://forumsaudedigital.com.br
/fidi-e-aidoc-firmam-parceria-
para-aplicar-inteligencia-
artificial-a-radiologia/
Detecção de fraudes e IA
A velocidade com que as perdas financeiras podem ocorrer por conta de fraude de cartão de
crédito torna as técnicas inteligentes de detecção de fraudes cada vez mais importantes.
Devido à disponibilidade de grandes volumes de dados de clientes e de dados transacionais, a
Inteligência Artificial pode ser usada para identificar com eficiência padrões de comportamento
de cartões de crédito irregulares para clientes específicos.
As empresas de segurança cibernética podem se concentrar na implementação de
aprendizado profundo para criar impressões digitais de usuários e transações, usando modelos
matemáticos através da criação de clusters que podem então ser monitorados.
Conseguir isso reduzirá os custos gerais dos bancos e melhorará sua reputação com os
clientes, que provavelmente serão mais leais a uma instituição que proteja melhor seu dinheiro.
Fonte:
https://computerworld.com.br/segu
ranca/maioria-das-financeiras-
sofreu-tentativa-de-fraude-nos-
ultimos-anos/
Interatividade
A melhor abordagem para o raciocínio sob incerteza e quase todas as aplicações atuais de IA pode
ser definida por:
a) Probabilidades.
b) Incertezas.
c) Certezas.
d) Dúvidas.
e) Pesquisa e Desenvolvimento.
Resposta
A melhor abordagem para o raciocínio sob incerteza e quase todas as aplicações atuais de IA pode
ser definida por:
a) Probabilidades.
b) Incertezas.
c) Certezas.
d) Dúvidas.
e) Pesquisa e Desenvolvimento.
O campo de pesquisa em computação probabilística não é novo, mas os avanços em
processamento de alto desempenho e algoritmos de aprendizagem profunda podem levá-lo a
uma nova era.
Nos próximos anos, devemos acompanhar o desenvolvimento
significativo dos sistemas de Inteligência Artificial em termos de
confiabilidade, segurança, facilidade de manutenção e
desempenho, incluindo o surgimento de hardware projetado
especificamente para computação probabilística. Esses avanços
são essenciais para o uso dessas aplicações no mundo real – de
casas até cidades inteligentes.
Dados, Características e Algoritmos
Fonte:
https://www.datageek
s.com.br/machine-
learning/
Algoritmos de Machine Learning
K-Means
Clustering Mean Shift
K-Medoids
Unsupervised
Learning Principal Component Analysis (PCA)
Dimensionality Feature Selection
Reduction
Linear Discriminant Analysis (LDA)
Machine
Learning
Decision Tree
Regression Linear Regression
Logistic Regression
Reinforcement Supervised
Learning Learning
Navie Bayes
Classification SVM
K-Nearest Neighbor
Fonte: https://www.geeksforgeeks.org/
MNIST
O classificador de vizinho mais próximo está entre os classificadores mais simples possíveis.
Quando recebe um item para classificar, ele encontra o item de dados de treinamento mais
semelhante ao novo item e exibe seu rótulo.
Distância geométrica padrão/distância euclidiana.
A ideia é usar um princípio muito simples de que os usuários com comportamentos passados
e semelhantes tendem a ter um comportamento futuro também semelhante.
Exemplos: sistema de recomendação de músicas e filmes que coleta dados sobre o
comportamento dos usuários e realiza novas sugestões.
Rótulo A
Rótulo B k=7
Distância
Fonte:
http://computacaointelige
nte.com.br/algoritmos/k-
vizinhos-mais-proximos/
Regressão linear
Um dos casos particulares dos modelos lineares generalizados são os modelos em que a variável
resposta apresenta apenas duas categorias, assumindo valores 0 ou 1, sendo o modelo de
regressão logística o mais popular desses modelos.
A regressão logística é usada para problemas de classificação, em que trabalhamos com
variáveis categóricas.
O modelo de regressão logística é semelhante ao modelo de regressão linear.
Uma variável binária assume dois valores, como por exemplo, Y = 0 e Y = 1 denominados
“fracasso” e “sucesso”.
A regressão logística é amplamente usada em ciências médicas e sociais, e tem outras
denominações, como modelo logístico. 1
0’s
0,8
1’s
Probability (1/10)
0,6
0,4
0,2
Fonte:
https://aimlsite.wordpress.com/
0
2017/08/13/regressao-logistica- -20 -10 0 10 20
gradiente-descendente/ Model Output
Interatividade
a) Somente I é correto.
b) Somente I e III são corretos.
c) Somente II é correto.
d) Somente II e III são corretos
e) I, II e III são corretos.
Resposta
a) Somente I é correto.
b) Somente I e III são corretos.
c) Somente II é correto.
d) Somente II e III são corretos
e) I, II e III são corretos.
Definição de Redes Neurais
Uma rede neural pode significar uma rede neural biológica “real”, como a do cérebro, ou uma
rede neural artificial simulada em um computador.
Uma rede neural, biológica e artificial, consiste de um grande número de unidades simples,
neurônios, que recebem e transmitem sinais uns aos outros.
Redes neurais artificiais formam um conjunto de algoritmos de Machine Learning, que tentam
simular o funcionamento do cérebro humano para realizar atividades complexas.
Uma das razões para o interesse é a esperança de entender nossa própria mente, que
emerge do processamento neural em nosso cérebro.
Dendritos (terminal de recepção)
Terminal do Axônio
(terminal de transmissão)
Sentido de propagação
Corpo
Fonte: Axônio Nodo de Ranvier
https://deeplearningbr
asil.wordpress.com/ Bainha de Mielina
Redes Neurais Artificiais
Seu primeiro conceito foi introduzido em 1943, mas ganhou popularidade algumas décadas
depois com a introdução de algoritmos de treinamento como retropropagação (backpropagation),
que permite a realização de um treinamento posterior para aperfeiçoar os resultados do modelo.
Atualmente, há diversas topologias das RNA’s que
buscam resolver diferentes tipos de problemas, tais como:
Processamento de linguagem natural.
Reconhecimento de fala e imagens.
Previsão de valores.
A operação de uma unidade de processamento, proposta por Fonte:
McCullock e Pitts em 1943, pode ser resumida da seguinte maneira: http://deeplearningbook.com.br/o-
perceptron-parte-1/
Sinais são apresentados à entrada.
Cada sinal é multiplicado por um número, ou peso, que indica a
sua influência na saída da unidade.
É feita a soma ponderada dos sinais que produz um nível de
atividade.
Se este nível de atividade exceder um certo limite (threshold), a
unidade produz uma determinada resposta de saída.
Algoritmo Perceptron
Um dos primeiros modelos formais de computação neural e por causa de seu papel
fundamental na história das redes neurais: “mãe de todas as redes neurais artificiais”.
Pode ser usado como um classificador simples em tarefas de classificação binária.
Um método para aprender os pesos do perceptron a partir dos dados, chamado de algoritmo
Perceptron, foi introduzido pelo psicólogo Frank Rosenblatt, em 1957.
O princípio básico é alimentar os dados de treinamento da rede, um exemplo de cada vez.
Cada erro de classificação leva a uma atualização no peso.
Fonte:
http://deeplearningbook.co
m.br/o-perceptron-parte-1/
Algoritmo Perceptron
Fonte:
http://deeplearningbook.co
m.br/o-perceptron-parte-1/
Redes Neurais Convolucionais (CNNs)
Uma das redes é treinada para gerar imagens como as dos dados de treinamento.
A tarefa da outra rede é separar as imagens geradas pela primeira rede das imagens reais dos
dados de treinamento, ela é chamada de rede adversária, e todo o sistema é chamado de Rede
Adversária Generativa ou GAN (Generative Adversarial Network).
O sistema treina os dois modelos lado a lado.
No início do treinamento, o modelo contraditório tem uma tarefa fácil de diferenciar as imagens
reais dos dados de treinamento e as tentativas desajeitadas do modelo generativo.
À medida que a rede generativa lentamente se torna melhor, o modelo adversário também
precisa melhorar, e o ciclo continua até que, finalmente, as imagens geradas são quase
indistinguíveis das imagens reais.
Training set
Discriminator
Real
Fonte: Random
http://deeplearningboo Fake
noise
k.com.br/introducao-
as-redes-adversarias-
generativas-gans-
generative-
Generator Fake image
adversarial-networks/
Exemplo