CENTRO UNIVERSITÁRIO PADRE ANCHIETA

TECNOLOGIA E SISTEMAS DE INFORMAÇÃO

Alan Felipe Pereira Vaguina, 2101735

Alexia Aparecida Delacorte Manzato, 2104857
Brenda Sthefany Pereira da Silva, 2104516
Daniele da Conceição Souza, 2001364
Dyovana Maria Pereira, 2101343
Kauani Beatriz Martins Bertoldo, 2104587
Lara Ferreira Soares, 2002779
Rafaela dos Santos Soares, 2100823
Renan Abel da Silveira, 2006171
William Vinícius Francisco dos Santos, 2104499

APRENDIZADO DAS MÁQUINAS

“MACHINE LEARNING”

Orientador Professor Alexandre Brunetti

1° SEMESTRE - 2021
SUMÁRIO

RESUMO.................................................................................................................................................3
ABSTRACT...............................................................................................................................................3
INTRODUÇÃO.........................................................................................................................................4
OBJETIVO................................................................................................................................................5
OBJETIVO GERAL:...............................................................................................................................5
OBJETIVO ESPECÍFICO:........................................................................................................................5
METODOLOGIA.......................................................................................................................................6
ESTADO DA ARTE....................................................................................................................................7
MACHINE LEARNING..............................................................................................................................8
O QUE É O MACHINE LEARNING?.......................................................................................................8
COMO FUNCIONA..............................................................................................................................8
ÁREAS DE APLICAÇÃO.........................................................................................................................8
TIPOS DE APRENDIZADO....................................................................................................................8
REDE NEURAL ARTIFICIAL.......................................................................................................................9
VANTAGENS.........................................................................................................................................10
FATORES QUE PODEM LEVAR A FALHA NO MACHINE LEARNING........................................................11
ÁREAS DE APLICAÇÃO...........................................................................................................................13
MACHINE LEARNING NA SAÚDE, COMO FUNCIONA?......................................................................14
DESENVOLVIMENTO DE MEDICAMENTOS.......................................................................................15
CONCLUSÃO.........................................................................................................................................16
BIBLIOGRAFIA.......................................................................................................................................17
 3

RESUMO
Aprendizado de máquina, em essência, é uma sub-área de estudo dentro do campo de
Engenharia e Ciência da Computação. Essa área se expandiu e se transformou a partir da
análise do reconhecimento do arquétipo/padrão e da teoria do processamento
computacional em Inteligência Artificial (IA). Isto permite que os computadores façam suas
próprias escolhas com a ajuda dos algoritmos e das ligações de dados, que reconhecem
tais testes padrões da ação e do raciocínio, e podem simular a complexidade da mente
humana. Fazendo isso um movimento fascinante inserido na tecnologia.

ABSTRACT
Machine learning, in nature, is a sub-area of study inside of field of Engineering and
Computer Science. This area expanded and transformed from the analysis of
archetype/pattern recognition and the theory of computational processing in Artificial
Intelligence (AI). This allows computers to make their own choices with the help of algorithms
and data links, which recognize such patterns of action and reasoning, and can simulate the
complexity of the human mind. Making it a fascinating movement inserted in technology.
 4

INTRODUÇÃO
Nos últimos vinte anos, a evolução do Aprendizado de Máquinas foi realmente estrondosa
em comparação ao seu início, tornou-se um dos pilares da tecnologia da informação (T.I.) e
uma fração muito grande, mesmo passando despercebido pelo habito cotidiano, de nossas
vidas.
O início desse campo começou no século passado. Em 1946, foi criado o primeiro sistema
informático, o ENIAC (Electronics Numerical Intehrator and Computer), sendo operado de
maneira manual, ou seja, iniciasse com o homem sendo uma peça de extrema importância
ao funcionamento das maquinas
Apenas em 1950, com Alan Turing, tivemos os primeiros testes na tentativa de entender a
capacidade que as maquinas poderiam chegar ou estavam naquele momento. Mesmo não
obtendo exido em suas avaliações, foi nesse a partir desse momento que outros sistemas e
métodos começaram a ser desenvolvidos afim de alcançar o mais próximo possível da
perfeição.
O grande marco do IA foi quando no final dos anos cinquenta o Arthur Samuel, o percursor
do movimento, criou um sistema que o superou em um jogo de Damas. O mesmo definiu o
Machine Learning como um campo de estudos que assegura aos computadores a
capacidade de compreender sem necessariamente serem programados para tal tarefa.
 5

OBJETIVO

OBJETIVO GERAL:
Conhecer, explorar e entender as tendências tecnológicas em ascensão, dentro do tema
escolhido, o “aprendizado das máquinas”.

OBJETIVO ESPECÍFICO:

 Compreender o que é o “Machine Learning” e a suas características gerais, como os

possíveis tipos de aprendizado.
 Entender como funciona a Rede Neural Artificial.
 Conhecer os possíveis problemas e falhas.
 Analisar as principais áreas de atuação para o “Machine Learning”
 Explorar campos de pesquisa e desenvolvimento.
 6

METODOLOGIA
Para este trabalho, escolhemos utilizar das ferramentas que dispúnhamos em mãos e de
melhor compartilhamento de informações, a internet. A pesquisa foi baseada em artigos e
sites informativos.
 7

ESTADO DA ARTE

Várias técnicas de Inteligência artificial foram desenvolvidas em 1950, porém só puderam

ser aprimoradas atualmente, já que naquele período não se despunha da quantidade de
dados que os sistemas precisavam para chegar à perfeição. Alan Turing desenvolveu um
teste conhecido como teste de Turing, que visava saber a capacidade que os computadores
teriam de aprender. Esta prova se constituía em um humano tentar descobrir se estava
conversando com outro humano ou com uma máquina, caso não descobrisse seria um
indicativo de que o sistema realmente agia com coerência e havia passado no seu teste. Já
hoje, vários sistemas passariam tranquilamente nesta avaliação, mas deve-se lembrar que a
capacidade de aprendizado dos computadores não é igual à dos humanos.
A inteligência artificial tem oportunidade de pesquisa em diversas áreas, não apenas
referente ao campo de aprendizado, mas em espaços como representação de
conhecimento e tomada de decisão. Haverá aperfeiçoamento nos próximos anos de muitas
aplicações que já estão desenvolvidas parcialmente, como analise de sentimentos, ou seja,
captura de humor, ironia, sarcasmo, veículos autônomos entre outros.
 8

MACHINE LEARNING

O QUE É O MACHINE LEARNING?

Machine Learning, em português, Aprendizado das Máquinas consiste em um sistema de

inteligência artificial que permite que os computadores tomem decisões usando a prática de
previsão, tendo como conceito, segundo a IBM, (s.d., Online) ser uma tecnologia onde os
computadores tem a capacidade de aprender de acordo com as respostas esperadas por
meio associações de diferentes dados, os quais podem ser imagens, números e tudo que
essa tecnologia possa identificar.  Tendo assim, como objetivo final a construção de
algoritmos que atuem de forma autônoma.

COMO FUNCIONA

Diferente dos softwares comuns que geralmente necessitam de regras e dados

(normalmente fornecidos pelo usuário) para que seja gerada uma resposta, o Machine
Learning é desenvolvido a partir dos dados que serão analisados (são coletados pelo
sistema ou previamente estipulados pelo programador) e conforme o usuário utiliza o
software, o sistema aprende e cria previsões de acordo com as escolhas do mesmo, alguns
exemplos do nosso cotidiano com essa ferramenta são os anúncios promovidos por redes
sociais, onde nossas pesquisas viram dados para recomendações de produtos, o mesmo
acontece com o Spotify quando ele te recomenda novos artistas e podcasts de acordo com
os seus últimos cliques e interesses na plataforma.

ÁREAS DE APLICAÇÃO
Atualmente, o Aprendizado de máquinas se tornou algo extremamente utilizado em nossa
vida e no mercado em geral. Podemos citar sua aplicação nas mais distantes áreas, tais
como: atendimento personalizado ao cliente; classificação e separação de e-mails; cálculos
de previsão do mercado financeiro; previsão de rotas rodoviárias e aeroespaciais; previsão
de falha de equipamentos; assistentes de voz; reconhecimento de pesquisa de imagem;
Processamento genético (no campo da Biologia) e reconhecimento de doenças e
medicamentos entre outros.
 9

TIPOS DE APRENDIZADO

O Machine Learning funciona de maneira muito similar ao nosso cérebro, então, para que
ela possa aprender é necessário que primeiro ensinemos a ela, e, nesse processo, será
usada uma grande quantidade de dados (é importante ter convicção de que todos estejam
bem formatados e organizados, pois isso influenciará diretamente nos resultados obtidos) e
o programa melhorará de maneira gradual e automática conforme ele for sendo testado, de
maneira similar a nós que usamos nossa memória e experiências para tomar decisões. A
tendencia é que com o passar do tempo o sistema fique cada vez mais preciso.
Existem diferentes tipos de abordagem para M.L., o que implicará no método a ser utilizado
é a necessidade do usuário ou companhia e o volume de dados a serem processados.

 APRENDIZADO SUPERVISIONADO: Para cada dado apresentado ao algoritmo é

necessário apresentar a resposta almejada (informação rotulada para que possa ser
feita a distinção entre informações). (LUDERMIR, 2021) Cada exemplo é descrito por
seus atributos e rótulo da classe associada. O objetivo do algoritmo é construir um
classificador que possa determinar corretamente a classe de novos exemplos ainda
não rotulados.

 APRENDIZADO NÃO SUPERVISIONADO: Este modelo de aprendizado é

totalmente considerado o oposto do tipo supervisionado onde os dados não são
rotulados sendo utilizados na trajetória dados de teste por similaridade, depois de
agrupados faz-se necessário análise com objetivo de significar cada grupo.

 APRENDIZADO POR REFORÇO: Aprendizado comportamental, o algoritmo recebe

feedbacks com base em suas análises de dados, sequência de decisões a serem
tomadas mediante a treinamento de modelos de aprendizado onde o método de
tratamento de dados se baseia em um sistema de tentativa e erro.

 DEEP LEARNING: É um tipo de aprendizado que tem como objetivo configurar

parâmetros básicos e treinar computadores para realizarem atividades como seres
humanos, reconhecendo padrões em diferentes camadas de processamento,
utilizando redes neurais complexas que “simulam” o cérebro humano. Geralmente
são usados em reconhecimentos de fala, imagem e previsões.
 10

REDE NEURAL ARTIFICIAL

O que inspirou a criação das Redes Neurais Artificiais, foram as redes neurais biológicas,
os neurônios do cérebro, que pode conter 86 bilhões de neurônios, cada neurônio faz em
média 7 mil conexões com outros neurônios, recebendo informações. Com base nessas
conexões se teve a ideia de criar as Redes Neurais Artificiais, que fizessem algo muito
parecido, mas padronizado.
Uma rede neural artificial, também contém neurônios, mas artificiais, são bastante simples,
mas que chegam em resultados padronizados e complexos.
As informações que se recebem podem ser como por exemplo: dígitos numéricos; se
milhares de pessoas fossem escrever algum número, não iria sair exatamente iguais, cada
pessoa também poderia ver números diferentes, e escrever diferente. Exemplo o número
“5”, milhares de pessoas talvez pudessem confundir com outro número ou até mesmo não
entender o que está escrito, por que existe um padrão, mas fazemos como queremos.
Existem camadas nas redes, que fazem obter o resultado, como um cálculo de matemática.

Camada de Entrada: onde os padrões são apresentados à rede;

Camadas Intermediárias ou Escondidas: onde é feita a maior parte do
processamento, através das conexões ponderadas; podem ser consideradas como
extratoras de características;
Camada de Saída: onde o resultado é concluído e apresentado.
(BCG - Boletim de Ciências Geodésicas - AVALIAÇÃO DO TAMANHO DE
AMOSTRAS DE TREINAMENTO PARA REDES NEURAIS ARTIFICIAIS NA
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS UTILIZANDO DADOS
ESPECTRAIS E LASER SCANNER., 2017, p. 271)

Em resumo, é uma simulação em máquinas para fazer o mesmo tratamento das

informações realizadas no cérebro humano, que é capaz de realizar ações em milésimos de
segundos, como reconhecer rostos e vozes, recuperar memórias e muito mais.

VANTAGENS
Praticamente utiliza-se o Machine Learning em diversas áreas com o intuito de facilitar,
automatizar e assim consequentemente tornar um trabalho menos necessitado de mão de
obra humana e mais agilidade nas tarefas, otimizando o tempo de trabalho.
Pode-se citar várias vantagens e especificar-se algumas:
 Aprendizado com dados, ou seja, através do Machine Learning consegue-se dados
mais específicos, mas ao mesmo tempo em todas as respectivas demandas da
organização, dando a possibilidade dos gestores serem ainda mais minuciosos e
calculados em suas decisões, tendo a chance de recolher dados precisos,
 11

informações que eleve cada vez mais a empresa e o trabalho por ela gerada, uma
vez que captar os dados através do Machine Learning não é algo que atrapalhe a
vida dos consumidores, tendo que parar um bom tempo para a pesquisa de
mercado, e sim rapidamente a empresa coleta esses dados.
 Agora que os gestores já possuem os dados para os ajudarem na orientação, eles
vão utilizar do Machine Learning para Aumentar sua produtividade, pois como falado
acima as máquinas substituem o trabalho, muitas vezes manual, que seria feito pelo
homem, elas conseguem fazer mais rapidamente e com uma regularidade maior,
possibilitando atender a mais requisitos para a empresa em questão de horas de
produtividade, além de ser aquele pensamento de “máquina não come, não
descansa e não necessita ir embora” .
 E com o conjunto dessas menções se dará a Redução de Custos, uma vez que ao
invés de comprar de um fornecedor, poderá investir em uma máquina e produzir
toda, ou boa parte, da linha de produção daquele produto. Sem ter que pagar os
honorários de seus colaboradores também elimina uma boa parte dos custos da
empresa, mesmo colocando na conta a energia e a matéria-prima para o
funcionamento da máquina.

FATORES QUE PODEM LEVAR A FALHA NO MACHINE LEARNING

Vivemos numa época muito tecnológica e, para isso, o aprendizado é uma parte
extremamente importante, pois com ele iremos aprender, na maioria das vezes, através dos
nossos erros. No caso do Aprendizado de Máquinas, não é muito diferente, que por mais
que traga uma série de benefícios na sociedade com um todo, ainda haverá alguns erros
neste processo.
Com isso, identificamos e listamos alguns fatores que podem levar ao risco e desafios do
Aprendizado de Máquinas:

 CUIDADO COM A INFORMAÇÃO QUE PROCURA

Com o uso do Aprendizado de Máquinas, trará acesso há uma quantidade muito
vasta e com grandes informações de alto valor. Porém, isso tem que ser levado com
cuidado, pois graças ao grande número de informações obtidas em tão pouco tempo,
poderá pegar uma informação contradizendo do seu propósito de busca, podendo
alterar todo o processo da procura pela informação.
Um dos métodos para minimizar este erro, é a utilização de uma declaração de
hipóteses. Nesta declaração, deve estar claro qual o problema que deverá ser
resolvido e o que será necessário para sua resolução.
 12

 DADOS DE BAIXA QUALIDADE

Atualmente, existe uma grande quantidade de dados sendo processados
simultaneamente, onde que uma quantidade considerável de dados é falsa, podendo
colocar toda a pesquisa por água abaixo. Por isso, sempre é necessário buscar e
estudar sua pesquisa em diversos sites, assim, diminuindo drasticamente a chance
de se pegar algo falso e sem valor.

 UTILIZAÇÃO DESNECESSÁRIA DA TECNOLOGIA

Nem tudo se refere ao uso de tecnologia, por mais que ela traga uma série de
facilidades no nosso dia-a-dia. Porém, em alguns casos, ela não é necessariamente
útil, visto que com outros métodos, se obtém resultados confiáveis e com um custo
ainda menor.
Claro, tudo vai se referir ao nível de complexidade do problema, onde se for para
algo relativamente simples de ser resolvido, ela se tornará desnecessária.

 SENSIBILIDADE DOS DADOS

O Aprendizado de Máquinas utiliza algoritmos, sendo que cada um deles possuem
uma sensibilidade diferente para cada classe. Se isso não for utilizado de maneira
correta, poderá acarretar numa série de erros.
Devido a este fator, a utilização destes dados pode levar a uma conclusão enganosa,
por isso, todas as informações processadas merecem uma boa precisão.

 INSUFICIÊNCIA DE RECURSOS
Para qualquer tipo de aplicação de uma “nova” tecnologia, será necessário recursos,
sejam eles de verba e/ou infraestrutura. No caso do Aprendizado de Máquinas, é de
extrema importância ter recursos que conseguem entender o conceito, de outras
palavras, uma equipe capacitada para verificar e questionar a veracidade destes
dados obtidos. Além da implantação de uma boa infraestrutura.

 MAL PLANEJAMENTO E A DESMOTIVAÇÃO

É muito importante se manter motivado independentemente da situação que
atualmente está vivenciando. Porém, é uma coisa difícil de ser realizado, pois no
início ficamos com grande entusiasmo de dar tudo certo, até começar apresentar os
problemas, ocasionando na desmotivação que tem relação direta com seu
desempenho.
 13

Graças a desmotivação, todo esforço do Aprendizado de Máquinas deverá ser

monitorado com frequência, fazendo com que as coisas continuem em seu pleno
funcionamento.

 NATUREZA DOS PROBLEMAS

É necessário fazer uma boa avaliação da natureza de determinado problema, coisa
que deverá ser levado a fundo e apresentar todos os dados e informações reais.
Com a utilização do Aprendizado de Máquinas, deverá ser levado em consideração
todos os dados obtidos com a utilização desta tecnologia, levando em consideração
se aquelas dúvidas são frequentes ou esporádicas, a data que foi postada, pra onde
é destinado aquela informação, etc.

 NECESSIDADE DO COMPARTILHAMENTO DE INFORMAÇÃO

Se tratando de diferentes tipos de falhas, sempre irá encontrar aquelas que tem uma
grande quantidade de reclamações, junto com uma vasta informação para a
resolução deste problema, e aquelas difíceis de encontrar tanto a reclamação quanto
a resolução.
A ideia é sempre compartilhar os problemas presenciados e o que fez para sua
resolução, assim ajudando outras pessoas que estejam à procura de uma resolução
de um problema parecido. Com este compartilhamento, além de facilitar a todos,
ainda evidenciará um novo problema para que o Aprendizado de Máquinas análise e
aprende com estes dados.

ÁREAS DE APLICAÇÃO

A tecnologia é muito importante para as organizações, o Machine Learning veio para facilitar
os processos, com sua tecnologia podendo dar uma certa independência para
computadores, da forma supervisionada ou não, e assim novas áreas do mercado
demandam dessa tecnologia, para facilitar seus processos.
Áreas essas que podemos citar como, redes sociais, áreas do mercado financeiro, porque
os computadores podem realizar contas rapidamente, empresas e organizações que
também depende dessa tecnologia para dar um atendimento aos clientes, usando métodos
com robôs para se comunicar.
 14

Atualmente o machine learning já está tão inserido dentro de nossos cotidianos, que nós os
vemos como algo natural, as vezes até passando despercebido, sendo amplamente
utilizado para encontrar novas soluções em várias áreas, dentre elas vale destacar:

RECOMENDAÇÕES
O sistema analisa o histórico de pesquisa, opções semelhantes, possível pesquisas futuras
e define uma área de interesse ao qual ele foca as suas sugestões, como por exemplo, a
Netflix que analisa os assistidos, os adicionados à lista, os baixados e os mais assistidos do
público para fazer sugestões muitas vezes assertivo com relação a novos conteúdos.

PROCESSAMENTO DE LINGUAGEM NATURAL (PLN)

O aprendizado das maquinas permite que assistentes digitais como Alexa ou Siri possam
compreender a linguagem humana a ponto de conseguir traduzir e/ou simplificar os idiomas
de maneira rápida e eficaz, assim como também permite que consigam organizar
informações que estejam embaralhadas ou que sejam em grande quantidade para fácil
entendimento do usuário.

CIBERSEGURANÇA
As ciber-ameaças assim como tudo que o ser humano produz tende a evoluir, da mesma
forma a cibersegurança tem que evoluir e de forma mais rápida e eficaz, hoje em dia as
empresas depende do machine learning para essa função, porém o machine learning
quando se trata de cibersegurança não é um sistema infalível, pois existem ameaças que
até mesmo o machine learning não é capaz de conter como por exemplo um ataque
desconhecido até o momento em que são executados, afinal não tem como um sistema
identificar uma ameaça que não existia até o momento em que foi usada.

MACHINE LEARNING NA SAÚDE, COMO FUNCIONA?

Atualmente para os profissionais da saúde conseguir resultados sobre diferentes doenças, é

necessário muito tempo e muito estudo devido a um banco de dados imenso. O Machine
Learning consegue processar esses dados e dar resultados precisos em questão de
segundos, dando assim um tempo a mais para esses profissionais se concentrar em outras
tarefas.
O programa é alimentado com os dados de exames, como ressonância magnéticas,
tomografias computadorizadas e eletrocardiogramas, fazendo assim com que ele processe
todas as informações e aprendam a interpreta-las. Assim, o programa consegue identificar
os padrões nos resultados e apontar possíveis doenças existentes naquele organismo.
 15

É possível utilizar os exames anteriores daquele paciente, avaliações médicas e sinais vitais
em tempo real para fazer uma previsão de alguma doença que possa vir a tona no futuro,
também prevenir ataques cardíacos, acidente vascular e algumas outras complicações.

DESENVOLVIMENTO DE MEDICAMENTOS

Para ser desenvolvido os medicamentos eficazes para diversas doenças são necessários
muitos fatores, como investimento financeiro e muito estudo.
Cada pesquisa realizada gera milhões de dados, dando muito trabalho para que os
softwares utilizados hoje possam processar e lhes devolver uma resposta rápida. Já o
Machine Learning acabaria com o problema dessa demora, pois seus softwares de alta
performance gerariam resultados mais rápido e eficaz a partir apenas de dados coletados
anteriormente e colocados no seu banco de dados.
Com os dados no sistema, o Machine Learning consegue encontrar as origens biológicas da
doença e possíveis alvos para serem tratadas. Também ajuda na escolha dos candidatos
ideais para serem feitos os testes clínicos e faz a detecção da presença de biomarcadores,
que confirmam a presença da doença naquele candidato e em qual nível está.
 16

CONCLUSÃO
Podemos concluir que a tecnologia a cada dia que passa vem evoluindo, desde que a
internet foi criada em 1969, expandiu-se cada vez mais, facilitando cada vez mais nossa
vida, ajudando em muitas áreas, como na manufatura, saúde, indústria, farmacêutica,
finanças, energia, educação, pesquisas, engenharia, entre outros. O machine learning pode
ser considerada vantajosa em muitos aspectos, com esse recurso, podemos fazer algumas
previsões e analisar qual a melhor solução de forma mais lógica e objetiva, ajudando
também na otimização de trabalhos, redução de custo, melhora na solução de dados,
automatizando processos e afins. Mas obviamente não tem apenas o lado bom, o
comprometimento da informação ou o problema na solução de dados, porém com os
rápidos avanços da tecnologia isso logo não será mais um problema.
 17

BIBLIOGRAFIA

COELHO, L. (3 de agosto de 2020). Machine Learning: O que é, conceito e definição.

Acesso em 7 de junho de 2021, disponível em Blog Cetax:
<https://www.cetax.com.br/blog/machine-learning/>
GOMES, P. (14 de março de 2019). Introdução ao aprendizado de máquina. Acesso em
junho de 2021, disponível em Data Geeks:
<https://www.datageeks.com.br/aprendizado-de-maquina/>
HANASHIRO, A. (s.d.). O que é e como funciona Machine Learning? Acesso em 7 de junho
de 2021, disponível em Treina Web: <https://www.treinaweb.com.br/blog/o-que-e-e-
como-funciona-machine-learning/>
HORN, M. (29 de dezembro de 2020). Redes neurais artificiais: o que são e como
funcionam? Acesso em junho de 2021, disponível em Trybe:
<https://blog.betrybe.com/tecnologia/redes-neurais-artificiais/>
IBM. (s.d.). Machine Learning e Ciência de dados com IBM Watson. Acesso em junho de
2021, disponível em Site da IBM: <https://www.ibm.com/br-pt/analytics/machine-
learning>
LUDERMIR, T. (Abril de 2021). Inteligência Artificial e Aprendizado de Máquina: estado atual
e tendências. Acesso em 7 de junho de 2021, disponível em Scielo:
https://www.scielo.br/j/ea/a/wXBdv8yHBV9xHz8qG5RCgZd/?lang=pt
Multiedro. (28 de novembro de 2019). Conheça as aplicações do machine learning na área
da saúde. Acesso em junho de 2021, disponível em Multiedro:
<https://blog.multiedro.com.br/machine-learning-na-area-da-saude/>
PEREIRA, G., & CENTENO, J. (ABRIL-JUNHO de 2017). BCG - Boletim de Ciências
Geodésicas - AVALIAÇÃO DO TAMANHO DE AMOSTRAS DE TREINAMENTO
PARA REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO SUPERVISIONADA
DE IMAGENS UTILIZANDO DADOS ESPECTRAIS E LASER SCANNER. Fonte:
SCIELO BRASIL: <http://dx.doi.org/10.1590/S1982-21702017000200017>
Santo Digital. (s.d.). Veja as 3 principais vantagens do Machine learning para empresas.
Acesso em junho de 2021, disponível em Santo Digital:
<https://santodigital.com.br/veja-3-principais-vantagens-machine-learning-para-
empresas/>
SAS. (s.d.). Deep Learning. Acesso em junho de 2021, disponível em Site da SAS:
<https://www.sas.com/pt_br/insights/analytics/deep-learning.html>
 18

TATIC. (s.d.). 7 grandes desafios do Machine Learning para o seu negócio. Acesso em
junho de 2021, disponível em Site da TATIC: <https://tatic.net/7-grandes-desafios-do-
machine-learning/>
VIOLINO, B. (10 de outubro de 2018). 6 fatores que podem levar a falhas do Machine
Learning. Fonte: CIO: <https://cio.com.br/tendencias/6-fatores-que-podem-levar-a-
falhas-do-machine-learning/>
Wittel. (s.d.). O que é machine learning e quais são as suas aplicações no mercado? Acesso
em junho de 2021, disponível em Wittel: <https://blog.wittel.com/o-que-e-machine-
learning/>