INTELIGÊNCIA

ARTIFICIAL
Prof. Kleber Galvão
kleber.jose@ifal.edu.gov.br
IOT

■ Uma pessoa comum, produz uma enorme quantidade de dados de

forma não estruturada. Tal produção não se limita a geração de
documentos de escritórios ou arquivos multimídias, como foto ou
vídeos.
■ Essa grande produção de dados ampliou-se exponencialmente com a
popularização dos dispositivos físicos interconectados que são
incorporados com sensores, software e tecnologia de rede para
coletar e trocar dados, chamados de Internet das Coisas (IoT).
BIG DATA

■ O termo BIG DATA (Grandes Dados, em português) faz referencia a um

conjuntos de dados extremamente grandes, complexos e diversificados, que
não podem ser facilmente gerenciados, processados ou analisados com
ferramentas tradicionais de processamento de dados.
■ É lidar com volumes massivos de dados com uma alta velocidade de
geração e variedade de formatos e fontes distintas de dados. Sendo seu
objetivo principal extrair valor desses dados por meio de análise, obtenção
de insights e tomada de decisões baseadas em dados.
■ O Big Data apresenta desafios técnicos, mas também oferece
oportunidades para impulsionar a inovação e melhorar os resultados em
diversos setores.
CIÊNCIAS DE DADOS

■ A Ciência de Dados é um campo multidisciplinar que envolve a

extração de conhecimento, insights e valor a partir de grandes
volumes de dados. Ela combina habilidades e técnicas de
matemática, estatística, ciência da computação e domínio do assunto
para analisar dados complexos e obter informações significativas.
■ A ciência de dados engloba técnicas de mineração de dados,
visualização de dados, análise de dados e aprendizado de máquina,
buscando extrair informações a partir dos dados, mais precisamente
do BIG DATA.
IA NAS ORGANIZAÇÕES

■ Os últimos anos, a análise de dados por intermédio da Inteligência

Artificial tem se tornado fator estratégico para as organizações
espalhadas pelo mundo.
■ Soluções que possuem funcionalidades baseadas em IA otimizam o
ambiente coorporativo e assim causando um impacto maior na
melhoria dos serviços, demandas, vendas, ect.
APRENDIZADO DE
MÁQUINA
O que é Machine Learning?

■ O aprendizado de máquina (Machine Learning) é um ramo da

inteligência artificial que se concentra no desenvolvimento de
Algoritmos e Técnicas que permitem aos computadores aprender e
tomar decisões sem serem explicitamente programados para cada
tarefa específica.
Seus objetivos

■ Objetivo central do aprendizado de máquina é:

■ Capacitar os computadores a aprender a partir de exemplos e
experiências, de forma semelhante ao modo como seres humano
aprendem. Em vez de escrever um código específico para cada
cenário ou tarefa.
■ O aprendizado de máquina permite que os algoritmos sejam
treinados usando dados de entrada e saída para aprenderem
padrões e relações inerentes nos dados.
Abordagens do AM

■ Existem diferentes abordagens e técnicas de aprendizado de

máquina, mas as duas principais são o Aprendizado Supervisionado e
o Aprendizado Não Supervisionado.
■ Existe ainda a Aprendizagem por Reforço.
Aprendizado Supervisionado

■ Nesse tipo de aprendizado, os algoritmos são treinados usando

dados rotulados, ou seja, dados de entrada que são previamente
categorizados ou classificados.
■ O objetivo é aprender a mapear os dados de entrada para as saídas
corretas com base nos exemplos fornecidos.
■ Por exemplo, um algoritmo de aprendizado de máquina pode ser
treinado para reconhecer imagens de gatos e cães com base em um
conjunto de imagens previamente rotuladas.
Aprendizado Não Supervisionado:

■ Nessa abordagem, os algoritmos são expostos a conjuntos de dados

não rotulados, ou seja, dados de entrada sem categorização prévia.
■ O objetivo é encontrar padrões e estruturas intrínsecas nos dados.
Por exemplo, algoritmos de agrupamento (clustering) podem ser
usados para agrupar automaticamente clientes em diferentes
segmentos com base em seus comportamentos de compra, sem a
necessidade de rótulos predefinidos.
Aprendizagem por reforço

■ É uma abordagem do Aprendizado de Máquina em que um agente

aprende a tomar decisões em um ambiente dinâmico para maximizar
uma recompensa cumulativa.
■ Nesse tipo de aprendizagem, o agente não é informado sobre a ação
correta a ser tomada, mas sim recebe feedback na forma de
recompensas ou penalidades após cadta ação executada.
Enfim...

■ O aprendizado de máquina tem uma ampla gama de aplicações em

diversas áreas, como processamento de linguagem natural, visão
computacional, reconhecimento de padrões, diagnóstico médico,
sistemas de recomendação, otimização de processos e muito mais.
■ À medida que os algoritmos de aprendizado de máquina são
treinados com mais dados e se tornam mais sofisticados, eles têm o
potencial de transformar muitos aspectos da sociedade, trazendo
benefícios em termos de eficiência, automação e tomada de decisões
baseada em dados.
 APRENDIZADO
SUPERVISIONADO
Aprendizado Supervisionado

■ O aprendizado supervisionado é uma abordagem comum no campo

do Machine Learning, onde um modelo é treinado para aprender a
mapear entradas para saídas com base em um conjunto de dados de
treinamento rotulado. Nesse tipo de aprendizado, o modelo é exposto
a pares de exemplos de entrada e saída esperada, permitindo que ele
aprenda a relação entre os dados de entrada e as respostas
desejadas.
O processo de aprendizado
supervisionado
■ O processo de aprendizado supervisionado pode ser dividido em
algumas etapas principais:
■ Conjunto de dados de treinamento: É necessário ter um conjunto de
dados de treinamento que contenha exemplos rotulados. Cada
exemplo consiste em uma entrada (também chamada de
características ou atributos) e uma saída (também chamada de rótulo
ou resposta). Esses exemplos servem como referência para o modelo
aprender a fazer previsões corretas.
O processo de aprendizado
supervisionado
■ Escolha do algoritmo/modelo: É necessário selecionar um algoritmo
ou modelo apropriado para o problema em questão. Existem vários
algoritmos disponíveis, como regressão linear, regressão logística,
árvores de decisão, redes neurais, entre outros. Cada algoritmo
possui características diferentes e é adequado para diferentes tipos
de problemas.
O processo de aprendizado
supervisionado
■ Treinamento do modelo: O modelo é treinado utilizando o conjunto de
dados de treinamento. Durante o treinamento, o modelo ajusta seus
parâmetros internos com base nos exemplos de entrada e saída
fornecidos. O objetivo é minimizar uma função de perda ou erro, que
mede a diferença entre as saídas previstas pelo modelo e as saídas
esperadas.
O processo de aprendizado
supervisionado
■ Validação do modelo: Após o treinamento, é importante avaliar o
desempenho do modelo em dados não vistos, chamados de conjunto
de dados de validação. Isso permite verificar se o modelo está
generalizando bem e não está apenas memorizando os exemplos de
treinamento. A validação também ajuda a ajustar hiperparâmetros do
modelo, como taxa de aprendizado, número de camadas em uma
rede neural, etc.
O processo de aprendizado
supervisionado
■ Teste do modelo: Após o treinamento e validação, o modelo é
avaliado em um conjunto de dados de teste separado. Esse conjunto
de dados não deve ser usado durante o treinamento nem a validação,
garantindo uma avaliação imparcial do desempenho do modelo. O
teste fornece uma estimativa realista de como o modelo se sairá em
situações reais.
O processo de aprendizado
supervisionado
■ Implantação e uso do modelo: Após passar por todas as etapas
anteriores e obter um desempenho satisfatório, o modelo está pronto
para ser implantado e usado para fazer previsões em novos dados.
Ele pode ser integrado em sistemas ou aplicativos para realizar
tarefas como classificação, regressão, detecção de anomalias, entre
outras, dependendo da natureza do problema.
O processo de aprendizado
supervisionado
■ O aprendizado supervisionado é amplamente utilizado em diversas
áreas, incluindo reconhecimento de padrões, processamento de
linguagem natural, visão computacional, medicina, finanças e muitas
outras. É uma abordagem poderosa que permite que as máquinas
aprendam com exemplos rotulados e realizem tarefas complexas de
previsão e tomada de decisão.
PRINCIPAIS ALGORITMOS
DO APRENDIZADO
SUPERVISIONADO
■ Existem vários algoritmos populares de aprendizado supervisionado,
cada um com suas próprias características e adequado para
diferentes tipos de problemas. Aqui estão alguns dos principais
algoritmos de aprendizado supervisionado:
■ Regressão Linear: É um algoritmo utilizado para problemas de
regressão, em que a tarefa é prever um valor numérico contínuo. A
regressão linear encontra uma relação linear entre as variáveis de
entrada e a variável de saída.
■ Regressão Logística: É um algoritmo utilizado para problemas de
classificação binária, em que a tarefa é prever uma classe binária
(por exemplo, sim ou não). A regressão logística estima a
probabilidade de uma instância pertencer a uma determinada classe.
■ Árvores de Decisão: São estruturas de árvore que representam decisões e
suas possíveis consequências. Em cada nó da árvore, uma decisão é
tomada com base em um atributo específico, levando a ramos
subsequentes até que uma previsão seja feita. As árvores de decisão
podem ser usadas para problemas de classificação e regressão.
■ Random Forest: É um algoritmo que combina várias árvores de decisão
independentes para realizar tarefas de classificação ou regressão. Cada
árvore na floresta é treinada com uma amostra aleatória do conjunto de
dados e, em seguida, a previsão final é obtida pela média (no caso de
regressão) ou pela votação (no caso de classificação) das previsões
individuais das árvores.
■ Support Vector Machines (SVM): É um algoritmo de aprendizado
supervisionado usado para problemas de classificação. O SVM busca
encontrar o hiperplano que melhor separa as diferentes classes,
maximizando a margem entre elas. É eficaz em conjuntos de dados com alta
dimensionalidade.
■ Redes Neurais Artificiais (RNAs): São modelos inspirados no funcionamento
do cérebro humano. As RNAs são compostas por várias camadas de
neurônios interconectados, que aprendem a partir dos dados por meio do
ajuste dos pesos das conexões. Elas são altamente flexíveis e podem ser
usadas para problemas de classificação, regressão e outros.
■ Naive Bayes: É um algoritmo probabilístico baseado no teorema de
Bayes. Ele assume independência entre os atributos e calcula a
probabilidade de uma instância pertencer a uma classe específica
com base nas probabilidades condicionais dos atributos.
■ Esses são apenas alguns dos algoritmos de aprendizado
supervisionado mais comuns. Cada algoritmo tem suas vantagens e
desvantagens, e a escolha do algoritmo depende do problema
específico, dos dados disponíveis e dos requisitos do projeto.
OVERFITTING E
UNDERFITTING
O que são esses termos?

■ Na aprendizagem supervisionada, existem dois erros principais que

podem ocorrer durante o treinamento de um modelo: o erro de
overfitting e o erro de underfitting.
Overfitting (Superajuste)

■ Overfitting ocorre quando um modelo de aprendizado de máquina se ajusta

excessivamente aos dados de treinamento, capturando não apenas os padrões
subjacentes, mas também o ruído ou variações aleatórias nos dados. Isso leva a um
desempenho muito bom nos dados de treinamento, mas o modelo falha em
generalizar adequadamente para novos dados que não foram vistos durante o
treinamento.
■ Em outras palavras, o modelo memoriza os exemplos em vez de aprender os
padrões gerais que podem ser aplicados a situações diferentes. Isso resulta em
baixo desempenho em dados de teste ou validação.
Soluções para o overfitting

■ Regularização: Adicionar termos de regularização às funções de perda

ajuda a penalizar coeficientes excessivamente altos, impedindo o
ajuste exagerado.
■ Aumentar Dados: Aumentar o tamanho do conjunto de treinamento
através de técnicas como data augmentation pode reduzir o
overfitting.
■ Simplificação do Modelo: Usar modelos mais simples com menos
parâmetros pode limitar a capacidade do modelo de se ajustar
demais aos dados.
Underfitting (Subajuste)

■ Underfitting, por outro lado, acontece quando um modelo é muito

simples para capturar os padrões subjacentes nos dados. Ele não
consegue aprender a relação entre as entradas e as saídas de
maneira satisfatória, nem mesmo nos dados de treinamento. Como
resultado, o modelo não se encaixa bem nos dados, tanto nos dados
de treinamento quanto nos de teste ou validação.
■ Isso leva a um desempenho insatisfatório, onde o modelo não
consegue capturar as nuances do problema.
Soluções

■ Aumentar Complexidade: Usar modelos mais complexos, com maior

capacidade, pode permitir que o modelo aprenda padrões mais
intrincados nos dados.
■ Aumentar Dados: Ter mais dados de treinamento pode ajudar o
modelo a capturar melhor os padrões.
■ Ajuste de Hiperparâmetros: Ajustar os hiperparâmetros do modelo,
como a taxa de aprendizado, o número de camadas e unidades, pode
ajudar a encontrar uma configuração melhor.
■ Ambos overfitting e underfitting são problemas indesejados no
aprendizado de máquina. Encontrar o equilíbrio certo, onde o modelo
é suficientemente complexo para capturar padrões relevantes, mas
não é excessivamente complexo a ponto de memorizar ruídos, é um
desafio essencial no desenvolvimento de modelos de aprendizado de
máquina bem-sucedidos. Isso é frequentemente alcançado através de
técnicas de ajuste de hiperparâmetros, escolha adequada de
arquiteturas de modelos e o uso de conjuntos de treinamento,
validação e teste bem construídos.
ATIVIDADES DE
FIXAÇÃO
 Atividades em Grupo de 3 pessoas

■ Exercício 1: Definição de Aprendizagem de Máquina

– Explique, em suas próprias palavras, o que é Aprendizagem de Máquina. Como ela difere
da programação tradicional? Dê exemplos de áreas onde a Aprendizagem de Máquina é
aplicada.
■ Exercício 2: Conceitos-chave do Aprendizado Supervisionado
– Descreva os princípios básicos do aprendizado supervisionado. O que são dados de
treinamento? E como funcionam os rótulos ou etiquetas? Dê um exemplo concreto de um
problema de aprendizado supervisionado, identificando os elementos essenciais.
■ Exercício 3: Conjunto de Treinamento, Validação e Teste
– Explique a importância da divisão de conjuntos de dados em treinamento, validação e
teste no aprendizado de máquina. Qual é o propósito de cada conjunto? Como essa
abordagem ajuda a avaliar e ajustar o desempenho do modelo?