Técnicas Aplicadas de

Inteligência Artificial

Prof. Juan Moises Mauricio Villanueva

jmauricio@cear.ufpb.br
www.cear.ufpb.br/juan
 Aprendizagem de Máquina
(Machine Learning ML)
• O objetivo de ML é desenvolver aplicações para a
identificação de padrões simples ou complexos, mesmo em
extensas quantidades (Big Data), e construir modelos com
base em comportamentos.

2
 Aprendizagem de Máquina
(Machine Learning ML)
• Por meio de algoritmos e tecnologias de coleta dados, se
procura pela aprendizagem e realização os melhores métodos
de resposta e de predição de processos.

• Entre as principais funções, destacamos:

 reconhecimento de rostos;
 aprendizagem e reconhecimento de idiomas diversos;
 diagnóstico médico.

3
 Inteligência Artificial (IA)
• AI (artificial intelligence) atua no desenvolvimento dessas
máquinas e desses sistemas.

• O objetivo é criar “equipamentos com capacidade de pensar”

e tomar decisões sem interferência humana.

4
 Diferenças entre ML e IA
• Enquanto que a IA é responsável pela capacidade das
máquinas de executarem tarefas similares às ações humanas,
o machine learning busca a habilidade de aprendizagem
semelhante ao raciocínio humano.

5
 ¿Que é inteligência computacional?

São técnicas e sistemas computacionais que imitam

aspectos humanos em computadores, tais como:

• Percepção
• Raciocínio lógico
• Aprendizagem
• Evolução
• Adaptação

6
Técnicas de Inteligência Computacional Aplicada

• As técnicas de inteligência computacional estão inspirados na

natureza e compreendem:

 Sistemas Especialistas Inferência Humana

 Algoritmos Genéticos Evolução Biológica

 Redes Neurais Neurônios Biológicos

 Lógica Fuzzy Processamento Linguístico

 Sistemas Híbridos Combinação de Técnicas

7
Redes Neurais Artificiais (RNA)
 O Cérebro Humano
• O cérebro humano pode ser visto como um sistema de três
estágios:

Estímulo Resposta
Receptores Rede Neural Atuadores

Transmissão para frente

Realimentação

9
10
Desenvolvimento histórico de RNA
Deep
Learning

Era de ouro inverno IA

Seu
desenvolvimento
foi aprimorado
devido a potência
computacional
existente

11
 Modelo de um Neurônio
• Modelo computacional inspirado nos neurônios biológicos e
na estrutura do cérebro com capacidade de ADQUIRIR,
ARMAZENAR e UTILIZAR conhecimento experimental.

Neurônio Biológico Ligações entre

os Neurônio 12
 Modelo de um Neurônio
• Um neurônio é uma unidade de processamento de
informação que é fundamental para a operação de uma rede
neural.

13
• Um sinal de entrada xj da sinapse j conectada ao neurônio k é
multiplicada pelo peso sináptico wkj. Os pesos definem a força
da conexão.

• Um somador, para somar os sinais de entrada, ponderados

pelas sinapses do neurônio. Equivalente a um combinador
linear.

• A função de ativação, para restringir a amplitude de saída de

um neurônio. Também é conhecida como uma função
restritiva (limita), no intervalo permissível de amplitude do
sinal de saída a um valor finito.
 O intervalo de saída é normalizado a o intervalo de [0, 1]
ou [-1, 1]

14
 m
• A saída do combinador linear: vk  bk  x w
j 1
j kj

Bias bk>0
Campo Local
Induzido vk
bk=0

bk<0
O "bias" é um elemento
que serve para aumentar
o grau de liberdade dos
ajustes dos pesos.
Saída do combinador
Linear, vk

15
• Tipos de Funções de Ativação yk   (vk )

16
Desenvolver um código em Python e encontrar a saída do
modelo do Neurônio, com as seguintes especificações:

17
18