Escolar Documentos
Profissional Documentos
Cultura Documentos
Ao pensarmos em Inteligência Artificial, vamos nos deparar com um termo difícil de se definir
concretamente devido à composição deste pelas palavras inteligência e artificial. Poderíamos
debater durante horas o significado dessas duas palavras, buscaríamos diversas referências,
autores, e definições, entretanto, não chegaríamos a uma definição fechada, tampouco numa
definição aplicada e concreta.
Segundo Russel (2014, p. 20) estamos, por milhares de anos, tentando entender como nós
pensamos, mais especificamente como percebemos, entendemos, predizemos e manipulamos o
mundo à nossa volta. Sendo assim, o campo da Inteligência Artificial tenta não apenas entender,
mas, também, construir máquinas inteligentes.
Nesse sentido, percebemos o quão difícil é estabelecer limites para o comportamento inteligente, e
quão complexo pode ser obtê-lo ou imitá-lo. Para nos auxiliar nessa tarefa a Máquina Turing
(Turing, 1950) foi proposta por Alan Turing, com o objetivo de definir o que se pretende obter de um
comportamento inteligente.
O Teste de Turing, em sua interpretação mais comum, possui três jogadores (A, B e C), sendo que
o jogador C, o qual está fisicamente separado de A e B, tenta descobrir qual deles, A ou B, é um
computador e qual é um humano, a partir de uma simples conversa escrita. Veja, na Figura 1, um
esquemático do Teste de Turing.
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 1/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Ao refletir sobre esse teste podemos, assim como Alan Turing e outros autores, levantar questões
sobre tarefas que o jogador B (computador) deverá processar (LUGER, 2013):
É importante percebermos que o Teste de Turing não é possível de ser reproduzido, nem aplicável.
Ele tem caráter muito mais reflexivo do que científico ou comercial, mas, de fato, como sugere John
McCarthy (1995), o teste levanta questões filosóficas que ajudam a delimitar a área de estudos.
De acordo com Russel (2014) John McCarthy, em 1956, definiu Inteligência Artificial como sendo “a
ciência e a engenharia de se construir agentes inteligentes”, a qual, traz a ideia de máquinas
racionais, ou seja, máquinas que realizam a tarefa de maneira correta. Tais agentes inteligentes
podem ser definidos em termos de sensores, função e atuadores como pode ser observado na
Figura 2.
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 2/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
De fato, a arquitetura de um agente inteligente pode ser encontrada soluções que usam Inteligência
Artificial, e consequentemente, Aprendizado de Máquina para resolver as tarefas a saber:
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 3/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
O Teste de Turing tem caráter reflexivo, levantando questões acerca do que deveria ser
um sistema dotado de Inteligência Artificial.
APRENDIZADO DE MÁQUINA
Vimos que para construirmos um agente inteligente, o qual pode ser, um software
ou uma combinação software e hardware, é necessário especificar uma função que é desconhecida
para resolver uma determinada tarefa. O aprendizado de máquina trata justamente de uma maneira
contextual de descobrir tal função ou como acontece nos problemas reais, uma função, denominada
hipótese, que se aproxima da função verdadeira.
Dentre as diversas definições podemos destacar aquela proposta por Tom Mitchell (1997, p. 1):
Podemos perceber que a definição anterior se encaixa na ideia genérica que temos de aprendizado,
por exemplo, ao aprendermos um esporte (tarefa) precisamos de treinar, praticar esse esporte
(experiência) e somos, por parte do treinador, aferidos pelos resultados apresentados
(desempenho). Portanto, no aprendizado de máquina é importante que tenhamos familiaridade com
os itens em destaque na definição anterior (GOODFELLOW; BENGIO; OURVILLE, 2016).
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 4/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Os itens anteriores serão abordados com maiores detalhes nos próximos tópicos, o que devemos
ter em mente, por enquanto, é que os ditos modelos de aprendizado de máquina seguem esse
padrão, mesmo que em seu estudo possam mudar de nome ou sejam apresentados de maneira
diferente. Para termos uma ideia da variedade de técnicas e modelos de aprendizado de máquina
disponíveis, um mapa mental está descrito na Figura 4. Para tanto, todos os itens e subitens do
mapa mental se encaixam na definição de aprendizado de máquina, além disso, algumas das
técnicas serão abordadas nesse e em outros módulos do curso.
Outra definição apresentada por Russel (2014) indica quatro itens análogos aos expostos na
definição anterior:
Nesse caso, percebemos que a definição é mais abstrata do que a anterior, mas contempla os
mesmos princípios: tarefa, desempenho e experiência.
APRENDIZADO SUPERVISIONADO
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 5/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Uma das formas mais evidentes que nós, seres humanos, aprendemos pode ser considerada
supervisionada, na qual há uma relação pareada entre as informações que se deve aprender e seu
significado semântico. Pensemos num exemplo bem prático, um bebê que começou à comer frutas,
sua mãe mostra para ele frutas como, bananas, laranjas e maçãs, à medida que o bebê toca
nessas frutas e as vê, sua mãe, diz o nome da fruta em questão, o bebê tem à disposição várias
frutas de cada tipo, sejam maçãs, laranjas ou bananas. À medida que o bebê tem contato com
essas frutas e com sua mãe dizendo o nome delas, ele vai aprendendo, de maneira supervisionada,
o nome de cada uma, até que em um dado momento ele recebe a ordem de sua mãe para pegar
uma banana e ele pega justamente uma banana entre várias frutas, ou então, ele pode pegar uma
banana e dizer o nome dela.
O exemplo mencionado indica como um problema de classificação, no caso identificar frutas, pode
ser abordado de forma supervisionada, ou seja, os elementos (frutas) que devem ser classificados
recebem uma identificação (nome), que costumamos chamar de label ou target.
Onde cada foi gerado por uma função desconhecida , descubra uma
função do espaço de hipóteses que aproxima a função verdadeira .
Podemos pensar num conjunto de dados ou base de dados como uma matriz onde cada linha é
composta pelos pares entrada-saída em questão, vejamos o exemplo na Figura 5, que indica um
conjunto de treinamento que pode ser usado para classificar indivíduos, a partir de algumas
características, em grupo de risco para problemas cardíacos.
Percebemos que o conjunto é composto por vários atributos (features), os quais, na Figura 6,
são: Peso, Altura, Idade, Fumando e Diabetes, e a (label) é composta pelo atributo Risco, sendo
que cada linha representa um exemplo (instance) dos disponíveis, ou seja, o exemplo 6 é
composto pelo par, e .
Em modelos e algoritmos, que são guiados pelo aprendizado supervisionado, a cada exemplo
apresentado o algoritmo emite uma resposta, denominada que é usada em comparação com a
saída verdadeira do par em questão. Essa comparação é chamada de métrica de erro ou
simplesmente erro, o qual será utilizado para “corrigir” o modelo em questão, tal correção é
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 6/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
realizada pela regra de aprendizado. Esse ciclo de apresentação do exemplo, verificação do erro e
correção por meio da regra de aprendizado é repetido inúmeras vezes, compondo, assim, a fase do
aprendizado supervisionado chamada: “fase de treinamento”.
Após essa fase outros exemplos, os quais não foram utilizados no treinamento, são submetidos ao
modelo e a saída apresentada pelo modelo é usada na métrica de erro junto à saída verdadeira
para que se verifique, de fato, com exemplos nunca vistos o modelo realmente aprendeu, essa fase
é chamada de “fase de testes”. A Figura 6 mostra o esquemático padrão usado no aprendizado
supervisionado:
Com relação à Figura 6, vale destacar a presença de um componente denominado “Anti Overfitting”,
o qual já é previsto para tratar o super-treinamento (overfitting), um efeito colateral existente em
modelos de aprendizado supervisionado que faz com que o erro na fase de treinamento seja muito
baixo, e o erro na fase de teste seja muito alto, é como se o modelo aprendesse única e
exclusivamente os exemplos do conjunto de treinamento não generalizando o aprendizado com os
exemplos do conjunto de testes.
APRENDIZADO NÃO-SUPERVISIONADO
No aprendizado não-supervisionado a definição está ligada diretamente ao aprendizado
supervisionado, pois no aprendizado supervisionado não existe, no conjunto de dados, um (label)
que direcione o aprendizado em questão, ao invés disso, o objetivo do aprendizado não-
supervisionado é inferir características intrínsecas ao conjunto de dados (HASTIE, TIBSHIRANI;
FRIEDMAN, 2009).
Para termos uma melhor ideia do conceito de aprendizado não-supervisionado, bem como entender
como ele pode ser aplicado, podemos citar a clusterização (agrupamento), a qual funciona da
seguinte maneira:
Vamos supor que temos um conjunto de blocos, contendo diversas formas geométricas misturados
que formam nossa base de dados, conforme a Figura 7. Dando continuidade à “base de dados”,
temos dois algoritmos de agrupamento, os quais formaram dois grupos (clusters) baseados nas
características inerentes aos próprios exemplos da base de dados, assim, um agrupou os
elementos por forma e o outro agrupou por cor.
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 7/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Veja o vídeo complementar deste primeiro ciclo com o objetivo de verificar a biblioteca, denominada
“Scikit-learn”, a qual será usada para as demonstrações práticas dessa disciplina.
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 8/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Ordenar elementos
Aprendizado Não-Supervisionado
CONSIDERAÇÕES
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 9/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
INTERATIVIDADE NO FÓRUM
OBJETIVO
Reconhecer o significado/sentido da disciplina e sua relação com
o curso, identificando as contribuições da mesma para a formação humana e futura
atuação profissional.
DESCRIÇÃO DA INTERATIVIDADE
A partir da leitura das orientações do(a) tutor(a) e as informações iniciais contidas na
Introdução da disciplina (ementa e objetivos específicos), apresente suas considerações
acerca do significado/sentido da disciplina em sua articulação com o curso, bem como de
sua(s) contribuição(ões) para a formação humana e futura atuação profissional.
PONTUAÇÃO
A interatividade vale de 0 a 0.5 ponto.
CRITÉRIOS DE AVALIAÇÃO
Na avaliação desta interatividade serão utilizados como critérios:
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 10/11
16/12/2020 Ciclo 1 – Conceitos de Aprendizado de Máquina – Fundamentos de Machine Learning
Acesse o Fórum
https://mdm.claretiano.edu.br/funmaclea-g04120-2020-02-grad-ead/2020/01/16/ciclo-1-conceitos-de-aprendizado-de-maquina/ 11/11