MACHINE LEARNING E

DEEP LEARNING
VINICIUS PAES 252015
RAFAEL VIDAL 252409
THALYSSON SÉRGIO 252007
VINICIUS ROCHA 252229
LEONARDO HUADA 252091
Machine Learning e Deep Learning transformam nossa realidade
ao capacitar sistemas a aprenderem com dados e a tomarem
decisões complexas, redefinindo os setores econômico e social
Transformação
Digital
Transformação através de
Dados e Padrões
As tecnologias baseadas em inteligência sintética estão cada vez mais integradas ao nosso cotidiano,
impulsionando mudanças em diversos setores. Entre essas tecnologias, o Machine Learning e o
Deep Learning se destacam por permitir que sistemas aprendam a partir de dados e tomem
decisões com alicerce em padrões complexos.
Este aspecto tem como objetivo reconhecer a atuação dessas ferramentas, suas principais
aplicações e os efeitos que podem suscitar na sociedade, tanto do ponto de vista econômico como
social.
O que é o Machine Aprendizado Supervisionado

Learning ? 01 O algoritmo é treinado em um conjunto de dados rotulado, onde as

entradas e saídas desejadas são conhecidas. Usa dados rotulados
para regressão e classificação.
Exemplo: filtro de spam em e-mails.

Machine Learning é um subcampo da inteligência

artificial voltada no desenvolvimento de algoritmos,

02
que permitem que as máquinas aprendam a partir Aprendizado Não Supervisionado
Onde o algoritmo tenta encontrar padrões ou agrupamentos
de dados, por meio de algoritmos, isso dá aos
nos dados sem orientação prévia.
computadores a capacidade de identificar padrões
e serem autonomos, sem a necessidade de serem
programadas.
Aprendizado por Reforço

03 O algoritmo aprende através de tentativa e erro, recebendo

recompensas ou penalidades com base nas ações tomadas.
Usado em Jogos e na robótica.
O que é Deep
01
Camadas de Entrada

Learning? Recebem os dados brutos.

Deep Learning é um subcampo de Machine

Learning que utiliza redes neurais artificiais com

02
múltiplas camadas (também conhecidas como
Camadas Ocultas
Processam os dados através de neurônios artificiais que
redes neurais profundas) para modelar e entender
aplicam transformações e ativações.
padrões complexos nos dados. Inspiradas na
estrutura do cérebro humano, essas redes são
particularmente eficazes em tarefas como
reconhecimento de imagem, processamento de

03
linguagem natural e tradução automática. Camadas de Saída
Fornecem o resultado final ou a previsão do resultado
Aplicações de
Saúde

01
Diagnóstico por Imagem: usados para detectar anomalias em

Machine Learning e radiografias, tomografias e ressonâncias magnéticas. DP

Deep Learning
Medicina Personalizada: ajudam a prever como diferentes pacientes
responderão a tratamentos específicos. ML

Transporte

02 Veículos Autônomos: usado para reconhecer sinais de trânsito e prever

o comportamento de outros motoristas. ML e DP

Otimização de Rotas: algoritmos que analisam dados de tráfego em

tempo real para encontrar as rotas mais eficientes. (GPS) ML e DP

Finanças

03
Detecção de Fraudes: usado em monitoramento de transações para
identificar comportamentos suspeitos. ML

Análise de Risco: usado para prevenir a probabilidade de

movimentações suspeitas. ML
Exemplos Práticos

01 02 03

Mercado de trabalho: Dinâmicas sociais: a Economia: aumenta a

atividades que são automação pode produtividade e a
repetitivas e operacionais gerar desigualdades redução de custos para
são impostas por sistemas se não houver uma as empresas, mas
automatizados, enquanto requalificação também tem o risco de
surgem novas demandas profissional. concentração de renda
por profissionais em empresas que são
qualificados em tecnologia altamente tecnológicas.
e análise de dados.
Automação 01
Machine Learning

com IA Permite a aplicação de sistemas que decidem ou fazem previsões,

baseado em dados que foram recolhidos no passado

02
A automação com IA usa Machine Learning e o Deep Deep Learning
Learning para fazer máquinas aprenderem tomar É um ramo de Machine Learning que usa redes neurais artificiais,
decisões sozinhas. Com ML, a máquina analisa dados muito potentes em reconhecimento de imagens, fala e
processamento de linguagem natural.
e melhora com o tempo. Com DL, ela entende
imagens, sons e textos de forma mais profunda. Isso
permite automatizar tarefas como controle de
qualidade, atendimento ao cliente, até mesmo na
direção automática de carros.
03 Visão Computacional
Permite o sistema interpretar imagens e vídeos para que elas façam
análises
Empresas que
Utilizam

01 02 03
Nubank
Spotify Netflix
Usa Machine Learning Aplica Deep Learning para Emprega Machine
para analisar padrões de sugerir filmes e séries de Learning para análise de
escuta e oferecer acordo com preferências do crédito e detecção de
recomendações usuário, utilizando redes neurais fraudes, melhorando a
musicais especificas profundas que aprendem com segurança e a
para cada usuário. hábitos de visualização e personalização de
classificações anteriores. serviços.
 01
Dados

Desafios e Necessidade de grandes volumes e

qualidade para aprendizado

Limitações
02
Interpretabilidade
Modelos são frequentemente
difíceis de entender.

03
Viés e Ética
Dados tendenciosos podem
gerar resultados injustos.

04
Computação
Necessita de computadores potentes e
custos de componentes elevadas.
O Futuro do
Machine Learning e
Deep Learning
AutoML Aprendizado Federado Novas Arquiteturas Aplicações Futuras
Modelos criados Privacidade preservada durante Pesquisa contínua em redes Saúde, sustentabilidade,
automaticamente, o treinamento distribuído, ideal neurais avançadas para exploração espacial e IA
simplificando desenvolvimento. para empresas necessitadas de otimizar desempenho e generativa.
confidencialíssimo. eficiência.
Conclusão
Machine Learning e Deep Learning continuam a evoluir rapidamente,
oferecendo soluções inovadoras para problemas mais complexos. No
entanto, é essencial abordar os desafios éticos e técnicos associados a
essas tecnologias para garantir que seu impacto seja cada vez mais
positivo e inclusivo, pois, compreender melhor essas ferramentas,
podem trazer maior aproveitamento e trazer um futuro mais
inteligente e tecnológico.
REFERÊNCIAS
[Link]
[Link]
[Link]
BR
[Link]
 Muito Obrigado!

VINICIUS PAES 252015

RAFAEL VIDAL 252409
THALYSSON SÉRGIO 252007
VINICIUS ROCHA 252229
LEONARDO HUADA 252091