PDF 03
Machine Learning e Deep Learning
Pesquisa sobre aprendizagem supervisionada, não supervisionada, redes neurais,
treinamento, validação e limites dos modelos.
Mini pesquisa em português - Computadores e Inteligência Artificial
Gerado em 16/06/2026
Computadores e IA - mini pesquisa
Resumo
Machine learning é uma área da IA em que sistemas aprendem padrões a partir de dados. Deep
learning é um subconjunto de machine learning baseado em redes neurais com múltiplas
camadas. A IBM define deep learning como técnica movida por redes neurais multicamadas,
hoje presente em visão computacional, IA generativa, veículos autônomos e robótica [1].
Objetivos da pesquisa
• Explicar a diferença entre IA, machine learning e deep learning.
• Apresentar tipos de aprendizagem usados em modelos de IA.
• Mostrar o ciclo básico de criação de um modelo.
• Alertar para problemas comuns: overfitting, viés, falta de dados e baixa interpretabilidade.
Mapa rápido do assunto
Tipo de Como funciona Exemplo
aprendizagem
Supervisionada Treina com exemplos rotulados. Imagens marcadas como "gato" ou "
cachorro".
Não supervisionada Busca padrões sem rótulos Agrupar clientes por comportamento.
prévios.
Por reforço Aprende por tentativa, erro e Agente aprendendo estratégia em
recompensa. jogo/simulação.
Auto-supervisionada Cria tarefas de treinamento a Modelos de linguagem prevendo partes
partir dos próprios dados. de texto.
1. IA, machine learning e deep learning
Inteligência artificial é o campo amplo. Machine learning é uma abordagem dentro da IA em que
algoritmos aprendem padrões a partir de dados. Deep learning é uma área de machine learning
que usa redes neurais profundas.
A diferença prática é o nível de complexidade e a forma como os padrões são representados.
Em machine learning clássico, muitas vezes humanos definem características importantes dos
dados. Em deep learning, o próprio modelo aprende representações internas em várias
camadas.
Uma forma simples de lembrar: IA é o objetivo geral, machine learning é uma maneira de alcançar
esse objetivo, e deep learning é uma técnica poderosa dentro de machine learning.
2. Como um modelo aprende
O treinamento começa com dados. O modelo faz uma previsão, compara com a resposta
esperada e calcula um erro. Depois ajusta seus parâmetros para reduzir esse erro. Repetindo
esse processo muitas vezes, o modelo melhora.
O conjunto de dados costuma ser dividido em treino, validação e teste. O treino ensina o
modelo; a validação ajuda a ajustar escolhas; o teste mede desempenho em dados que o
Página 2
Computadores e IA - mini pesquisa
modelo não viu durante o aprendizado.
Uma etapa essencial é medir se o modelo generaliza. Um modelo que decora exemplos de
treino pode parecer ótimo internamente, mas falhar no mundo real.
• Entrada: dados brutos ou processados.
• Modelo: estrutura matemática com parâmetros ajustáveis.
• Função de perda: mede o erro.
• Otimização: ajusta pesos para reduzir erro.
• Avaliação: verifica desempenho em dados novos.
3. Redes neurais e camadas
Redes neurais artificiais são formadas por nós conectados em camadas. Cada nó faz operações
matemáticas simples, mas a combinação de muitas camadas permite aprender padrões
complexos.
Segundo a IBM, deep learning usa redes neurais multicamadas, e modelos desse tipo
impulsionam grande parte da IA de ponta atual [1]. A mesma fonte destaca que deep learning
exige grande quantidade de dados e recursos computacionais, o que explica o papel de GPUs e
nuvem.
A força das redes neurais vem da flexibilidade. O problema é que essa flexibilidade pode reduzir
interpretabilidade: às vezes é difícil explicar exatamente por que o modelo gerou uma saída.
4. Problemas e cuidados
Modelos de IA podem errar por dados ruins, dados enviesados, rótulos incorretos, mudanças no
ambiente, falta de monitoramento ou uso fora do contexto. A avaliação precisa considerar não
só acurácia, mas também segurança, privacidade, robustez e impacto social.
O overfitting acontece quando o modelo se adapta demais aos dados de treino. Já o underfitting
ocorre quando o modelo é simples demais para capturar o padrão. Ambos prejudicam o
resultado final.
• Overfitting: o modelo decora, mas não generaliza.
• Viés: dados históricos podem carregar injustiças ou distorções.
• Drift: o mundo muda e o modelo fica desatualizado.
• Explicabilidade: nem sempre é fácil entender a decisão do modelo.
Conclusão
Machine learning e deep learning são o motor técnico de muitos sistemas de IA atuais. Eles
permitem criar soluções mais adaptáveis do que programas de regras fixas.
Porém, bons resultados dependem de dados confiáveis, validação, infraestrutura adequada e
acompanhamento humano. Um modelo não deve ser tratado como verdade absoluta, mas
como ferramenta probabilística.
Página 3
Computadores e IA - mini pesquisa
Referências utilizadas
[1] IBM. "What Is Deep Learning?" - explicação de deep learning como subconjunto de machine learning baseado em
redes neurais multicamadas. [Link] Acesso em 16 jun. 2026.
[2] IBM. "What Is Artificial Intelligence (AI)?" - definição geral de IA como tecnologia que permite a computadores e
máquinas simular aprendizagem, compreensão, solução de problemas, tomada de decisão, criatividade e
autonomia. [Link] Acesso em 16 jun. 2026.
[3] Stanford HAI. "The 2025 AI Index Report" - relatório que acompanha, reúne e visualiza tendências de pesquisa,
desempenho técnico, políticas e adoção de IA. [Link] Acesso em 16
jun. 2026.
Página 4