WBA0869_v2.
Introdução à Inteligência
Artificial
Aprendizado indutivo e redes
neurais
Aprendizagem indutiva e sua importância;
Aprendizagem estatística na IA
Bloco 1
Vitor Kessler
Vamos refletir?
Por que a aprendizagem indutiva
é considerada um dos pilares da
inteligência artificial moderna?
Quais são os benefícios dessa
abordagem?
Aprendizagem indutiva
• Processo pelo qual um algoritmo ou modelo de IA extrai
padrões, tendências e relações a partir de exemplos
específicos ou dados observados, para então aplicar esse
conhecimento em novas situações.
• Dada uma coleção de exemplos de f, retorna uma função
h que se aproxime de f.
• f é a função-alvo.
• h é a hipótese.
• (x, f(x)) são exemplos de entrada.
Navalha de Occam
• Entre duas ou mais explicações possíveis para um
fenômeno, a mais simples geralmente é a melhor.
• Usos:
• Seleção de modelos.
• Engenharia de características.
• Interpretabilidade.
• Eficiência computacional.
• Prevenção de overfitting.
Tipos de aprendizado indutivo
Aprendizado supervisionado:
• Regressão.
• Classificação.
Aprendizado não supervisionado:
• Agrupamento.
• Regras de associação.
• Redução de dimensionalidade*.
Aprendizado estatístico
• A aprendizagem estatística refere-se ao uso de
métodos e técnicas estatísticas na análise de dados e
no treinamento de modelos de IA.
Figura 1 – Exemplos de regressões
Fonte: James et al. (2023).
Aprendizado indutivo e redes
neurais
Redes neurais como modelos de
aprendizado
Bloco 2
Vitor Kessler
Neurônio
Figura 2 – Anatomia de um neurônio
Fonte: Oliveira (2018).
Redes neurais artificiais
• Conceito:
• Estrutura conexionista, na qual o processamento é distribuído por
um grande número de pequenas unidades densamente
interligadas.
• Realiza mapeamentos não lineares entre suas entradas e saídas.
• Exemplos de uso de RNA:
• Avaliação de imagens captadas por satélite.
• Classificação de padrões de escrita e fala.
• Reconhecimento de faces com visão computacional.
• Identificação de anomalias e de patologias na área médica com
base em imagens.
• Controle automatizado de equipamentos eletrônicos.
Perceptron
• Resolve problemas lineares:
Figura 3 – Exemplo de neurônio básico artificial
Fonte: Russell e Norvig (2013).
Rede multilayer perceptron
Figura 4 – Rede neural artificial multilayer perceptron
Fonte: James et al. (2023).
Backpropagation
Figura 5 – Treinamento de uma RNA por
backpropagation
Fonte: Oliveira (2018).
Funções de ativação
Figura 6 – Exemplos de fontes de ativação
Fonte: [Link]
Aprendizado indutivo e redes
neurais
Introdução à aprendizagem por reforço
Bloco 3
Vitor Kessler
Aprendizado por reforço
Figura 7 – Aprendizado por reforço
Fonte: [Link]
Aprendizado por reforço
• Agente:
• É o sistema de IA que está aprendendo a interagir
com o ambiente e tomar ações.
• Toma decisões com base em políticas para maximizar
a recompensa.
• Ambiente:
• É o mundo com o qual o agente interage.
• Real (por exemplo, um robô em um ambiente físico).
• Simulado (por exemplo, um jogo de computador).
Aprendizado por reforço
• Recompensa:
• É uma medida numérica que o ambiente fornece
ao agente após cada ação tomada.
• O objetivo do agente é aprender ações que
maximizem a recompensa cumulativa ao longo do
tempo.
• Política:
• É a estratégia ou plano que o agente segue para
tomar decisões.
• Ela mapeia estados (ou observações) do ambiente
para ações que o agente deve tomar.
Cenário de utilização
• Agente:
• Um pequeno robô controlado por um programa de IA.
• Ambiente:
• Um tabuleiro quadrado com várias células, algumas
contendo obstáculos e uma contendo o tesouro.
• Recompensa:
• O agente recebe uma recompensa positiva quando
encontra o tesouro e uma recompensa negativa ao colidir
com obstáculos ou sair do tabuleiro.
• Objetivo:
• O objetivo do agente é aprender a política (estratégia) que
maximiza sua recompensa cumulativa ao longo do tempo,
ou seja, encontrar o tesouro com o mínimo possível de
colisões.
Cenário de utilização
• Inicialização:
• O agente começa sem conhecimento sobre o ambiente.
• Ele explora o ambiente fazendo ações aleatórias.
• Recompensas:
• O agente recebe recompensas após cada ação.
• Ele aprende que colidir com obstáculos ou sair do tabuleiro
resulta em recompensas negativas, enquanto encontrar o
tesouro resulta em uma recompensa positiva.
• Aprendizado da política:
• O agente usa um algoritmo de aprendizado por reforço para
ajustar sua política com base nas recompensas recebidas.
• Ele tenta maximizar as recompensas esperadas, aprendendo
a evitar obstáculos e procurar o tesouro.
Cenário de utilização
• Exploration versus exploitation:
• O agente enfrenta o dilema de explorar novas
ações (como tentar uma célula desconhecida)
versus explorar ações conhecidas (como
escolher uma célula que já sabe ser segura).
• Ele deve encontrar o equilíbrio certo para
maximizar a recompensa cumulativa.
• Aprimoramento gradual:
• Com o tempo, o agente aprimora sua política à
medida que aprende a tomar decisões mais
inteligentes com base em suas experiências
passadas.
Quiz
Qual é a principal diferença entre aprendizado
supervisionado e aprendizado por reforço?
O aprendizado supervisionado usa recompensas para treinar
A modelos.
O aprendizado por reforço envolve um agente que interage com
B um ambiente e recebe recompensas.
C O aprendizado supervisionado não usa dados de treinamento.
D A programação de robôs autônomos.
Quiz
Qual é a principal diferença entre aprendizado
supervisionado e aprendizado por reforço?
O aprendizado supervisionado usa recompensas para treinar
A modelos.
O aprendizado por reforço envolve um agente que interage com
B um ambiente e recebe recompensas.
C O aprendizado supervisionado não usa dados de treinamento.
D A programação de robôs autônomos.
Quiz - Resolução
Resposta correta:
B) O aprendizado por reforço envolve um agente que
interage com um ambiente e recebe recompensas.
A resposta correta descreve a característica fundamental
do aprendizado por reforço, em que um agente toma
ações em um ambiente, recebe recompensas com base
em suas ações e aprende a otimizar seu comportamento
para maximizar essas recompensas.
Aprendizado indutivo e redes
neurais
Teoria em Prática
Bloco 4
Vitor Kessler
Reflita sobre a seguinte situação
• O corretor de imóveis está operando em um mercado
imobiliário competitivo, no qual a precisão na previsão
de preços dos imóveis é essencial.
• Os compradores e vendedores confiam na expertise do
corretor para obter informações precisas sobre os
valores dos imóveis.
• Para melhor atender a seus clientes, o corretor deseja
utilizar tecnologia avançada, como redes neurais, para
construir um modelo de previsão de preços de imóveis
com base em várias características, como tamanho,
localização e idade da propriedade.
Norte para a resolução
• Coleta de dados.
• Pré-processamento de dados.
• Divisão dos dados.
• Arquitetura da rede neural.
• Treinamento do modelo.
• Avaliação do modelo.
• Otimização e ajustes.
• Implantação.
Aprendizado indutivo e redes
neurais
Dicas do(a) Professor(a)
Bloco 5
Vitor Kessler
Leitura Fundamental
Prezado aluno, as indicações a seguir podem estar disponíveis
em algum dos parceiros da nossa Biblioteca Virtual (faça o login
por meio do seu AVA), e outras podem estar disponíveis em sites
acadêmicos (como o SciELO), repositórios de instituições
públicas, órgãos públicos, anais de eventos científicos ou
periódicos científicos, todos acessíveis pela internet.
Isso não significa que o protagonismo da sua jornada de
autodesenvolvimento deva mudar de foco. Reconhecemos que
você é a autoridade máxima da sua própria vida e deve,
portanto, assumir uma postura autônoma nos estudos e na
construção da sua carreira profissional.
Por isso, nós o convidamos a explorar todas as possibilidades da
nossa Biblioteca Virtual e além! Sucesso!
Indicação de leitura 1
Livro sobre Inteligência Artificial disponível na
Biblioteca Virtual. Recomenda-se a leitura da
Unidade 4 – Redes Neurais Artificiais.
Referência
OLIVEIRA, Ruy Flávio de. Inteligência artificial. Londrina:
Educacional, 2018.
Indicação de leitura 2
Artigo que versa sobre a utilização de redes neurais
artificiais na resolução de um problema específico.
Referência
CAVALCANTE, E. S. et al. Soft sensor baseado em redes neurais
artificiais para a predição de temperaturas de partes da carroceria
em estufas de secagem e cura de pintura automotiva. Revista De
Gestão e Secretariado, v. 14, n. 4, p. 5540-5555, 2023.
Dica do Professor
Aqui há duas dicas, uma de filme e uma de série:
• "Her" (Ela): Este filme de ficção científica aborda
questões de inteligência artificial e redes neurais.
• "Black Mirror" (Episódio: "Be Right Back"): O
episódio "Be Right Back“, da série "Black Mirror“,
explora a ideia de criar uma versão digital de uma
pessoa usando dados e inteligência artificial.
Referências
CAVALCANTE, E. S. et al. Soft sensor baseado em redes neurais artificiais para a
predição de temperaturas de partes da carroceria em estufas de secagem e cura
de pintura automotiva. Revista De Gestão e Secretariado, v. 14, n. 4, p. 5540-
5555, 2023. Disponível em: [Link]
sensor-baseado-em-redes-neurais-artificiais/docview/2811293409/se-2. Acesso
em: 18 out. 2023.
JAMES, Gareth et al. An introdution to Statistical Learning with applications in R.
Nova Iorque: Springer New York, 2023. Disponível em
[Link] Acesso em: 07 out. 2023.
MOHRI, Mehryar; ROSTAMIZADEH, Afshin; TALWALKAR, Ammet. Foundations of
Machine Learning. 2. ed. Cambridge: The MIT Press, 2018.
OLIVEIRA, Ruy Flávio de. Inteligência artificial. Londrina: Editora e Distribuidora
Educacional S.A., 2018. Disponível em: [Link]
[Link]/ebook/[Link]. Acesso
em: 18 out. 2023.
RUSSEL, Stuart; NORVIG, Peter. Inteligência Artificial. 3. ed. Rio de Janeiro:
Elsevier, 2013.
Bons estudos!