Slide 1 estudos disciplinares I

Prévia do material em texto

Prof. Dr. Kauê Rosalem
UNIDADE I
Estudos Disciplinares 
Inteligência Artificial
 IA é um ramo da Ciência da computação cujo objetivo é desenvolver sistemas 
computacionais que exibam características que nós associamos com inteligência no 
comportamento humano.
 IA é o estudo de ideias as quais permitem ao computador fazer coisas que façam as pessoas 
parecerem inteligentes.
 IA é uma subdivisão da Ciência da Computação preocupada em criar software e hardware
com o objetivo de produzir resultados como os produzidos pelas pessoas.
 IA é o estudo para fazer com que computadores façam coisas que até o momento as 
pessoas fazem melhor.
Definição de Inteligência Artificial
Fonte: 
https://www.cidademarketing.com
.br/marketing/2019/08/09/intelige
ncia-artificial-vs-inteligencia-
humana-porque-together-is-
better/
IN – Inteligência Natural
 Criativa enquanto IA não tem nenhuma 
inspiração.
 Possibilita às pessoas se beneficiarem e 
usarem experiências sensórias.
 Raciocínio humano faz uso da experiência 
de um amplo contexto.
IA – Inteligência Artificial:
 Mais permanente.
 Fácil de duplicar e disseminar.
 Pode ser menos cara.
 Mais consistente.
 Pode ser documentada.
IA x IN
Humano racional
Pensamento
Sistemas que pensam 
como seres humanos
Sistemas que pensam 
racionalmente
Comportamento
Sistemas que agem 
como seres humanos
Sistemas que agem 
racionalmente
 Machine Learning e Deep Learning são métodos para treinar modelos, ou seja, mostrar às 
máquinas como elas devem aprender a classificar dados. 
 A Inteligência artificial, por sua vez, engloba os dois, e pode ser definida como qualquer 
técnica que capacite uma máquina a imitar a inteligência humana.
Áreas relacionadas com IA
Fonte: https://opencadd.com.br/machine-learning-ou-deep-learning/
ARTIFICIAL 
INTELLIGENCE
MACHINE 
LEARNING DEEP LEARNING
Qualquer técnica 
que capacite uma 
máquina a imitar a 
inteligência 
humana
Métodos estatísticos 
que possibilitam que as 
máquinas aprendam a 
partir dos dados sem 
programação
Redes Neurais com múltiplas 
camadas que assimilam 
tarefas e reconhecem símbolos 
a partir dos dados
 Turing, em 1950, propôs o famoso Teste de Turing no artigo “Computing machinery and 
intelligence”.
 O teste foi proposto para fornecer uma definição operacional de inteligência.
 O computador passará no teste se um interrogador humano, depois de propor algumas 
perguntas por escrito, não for capaz de distingui-lo de um humano.
Teste de Turing
Para passar no teste, o computador precisaria ter como capacidades:
 Processamento de linguagem natural.
 Representação de conhecimento.
 Raciocínio automatizado.
 Aprendizado de máquina.
 O teste evita a interação física direta para focar na inteligência.
 O chamado “Teste de Turing Total” inclui um sinal de vídeo 
para testar habilidades de percepção e também permite 
manipulação de objetos (robótica).
 A crítica principal em relação ao teste é que ele não é uma 
definição a partir de princípios básicos e sim de imitação.
Teste de Turing
 A ideia de que inteligência significa a mesma coisa que comportamento inteligente foi desafiada 
por alguns estudiosos. O contra-argumento mais conhecido é o experimento da Sala Chinesa, de 
John Searle.
 Searle descreve uma experiência em que uma pessoa que não conhece chinês está trancada em 
uma sala. Do lado de fora da sala existe uma pessoa que pode enviar notas escritas em chinês 
para dentro da sala através de um espaço para correspondência. 
 A pessoa dentro da sala recebe um grande manual, no qual ela pode encontrar instruções 
detalhadas para responder às anotações que ela recebe do lado de fora.
 Searle argumentou que mesmo que a pessoa de fora da sala tenha a impressão de que ela esteja 
conversando com outra pessoa que fala chinês, a pessoa dentro da sala não entende chinês.
O argumento da sala chinesa
Fonte: 
https://opencadd.com.br/machine
-learning-ou-deep-learning/
É um subcampo do aprendizado de máquina, que em si é um subcampo da IA, que em si é um 
subcampo da ciência da computação. Essa é a definição de:
a) IA (Inteligência Artificial).
b) Deep Learning (Aprendizado Profundo).
c) Data Science (Ciência de Dados).
d) Visão Computacional.
e) Machine Learning (Aprendizado de Máquina).
Interatividade
É um subcampo do aprendizado de máquina, que em si é um subcampo da IA, que em si é um 
subcampo da ciência da computação. Essa é a definição de:
a) IA (Inteligência Artificial).
b) Deep Learning (Aprendizado Profundo).
c) Data Science (Ciência de Dados).
d) Visão Computacional.
e) Machine Learning (Aprendizado de Máquina).
 No deep learning, as grandes redes neurais artificiais são 
alimentadas com algoritmos de aprendizado e quantidades cada 
vez maiores de dados, ampliando continuamente sua capacidade 
de "pensar" e "aprender”. "Deep" se refere às muitas camadas 
que a rede neural acumula com o tempo, e o desempenho 
melhora quanto mais profunda a rede for. Hoje, grande parte do 
deep learning acontece sob a supervisão humana, mas o objetivo 
é criar redes neurais que consigam treinar a si mesmas e 
"aprender" de modo independente.
Resposta
 Talvez estejamos mais familiarizados com aplicações de probabilidade em jogos.
 No entanto, muito mais importante, a probabilidade também pode ser usada para 
quantificar e comparar riscos na vida cotidiana: quais são as chances de bater seu carro 
se você exceder o limite de velocidade ou dirigir falando ao celular? Quais são as 
chances de que as taxas de juros sobre sua hipoteca subam? Ou quais são as chances 
de que a IA automatize tarefas específicas, como detectar ossos fraturados em imagens 
de raios-x ou identificar comportamentos suspeitos em pessoas por reconhecimento 
facial?
 O fato de que a incerteza pode ser quantificada é de suma 
importância, por exemplo, na decisão referente à vacinação 
ou outras políticas públicas.
 Os riscos nunca são conhecidos nos mínimos detalhes, 
mas sua magnitude é geralmente conhecida em grau 
suficiente para que se possa argumentar se os benefícios 
superam os riscos.
Probabilidade e Incerteza
 O algoritmo Naive Bayes recebe este nome por ser baseado no Teorema de Bayes.
 O classificador Bayes é uma técnica de aprendizado de máquina que pode ser usada para 
classificar objetos como documentos de texto em duas ou mais classes. 
 O classificador é treinado analisando um conjunto de dados de treinamento, para os quais as 
classes corretas são fornecidas.
 O algoritmo tem como objetivo calcular a probabilidade que uma amostra desconhecida pertença 
a cada uma das classes possíveis, ou seja, predizer a classe mais provável. 
 Este tipo de predição é chamada de classificação estatística, pois é completamente baseada em 
probabilidades. 
 Esta classificação também é chamada ingênua (a palavra Naive em inglês significa ingênuo), pois 
ela considera que o efeito do valor de um atribuído sobre uma determinada classe é independente 
dos valores dos outros atributos, o que simplifica os 
cálculos envolvidos.
Classificação Naive Bayes
Thomas Bayes
(1702-1761) 
Fonte: 
https://br.pinterest.com/pin/
464926361529915932/
Dentre as diversas formas em se definir o conceito de aprendizagem de máquina, temos:
 Aprendizado é a capacidade de se adaptar, modificar e melhorar seu comportamento e suas 
respostas, sendo portanto uma das propriedades mais importantes dos seres ditos 
inteligentes, sejam eles humanos ou não.
 Ou seja, estamos tentando reproduzir nas máquinas o mesmo processo de aprendizagem 
dos seres humanos e fazemos isso através de algoritmos de Machine Learning, que em 
última instância nada mais são do que Matemática e Estatística.
 Existem muitos algoritmos que permitem fazer isso, cabendo a um Cientista de Dados 
escolher o algoritmo que melhor se encaixa em cada tipo de problema a resolver.
Aprendizagem de Máquina
Aprendizagem deMáquina – Aplicabilidades
Fonte: 
https://isitics.com/2018/05/
10/principais-sub-divisoes-
e-aplicabilidade-da-
aprendizagem-de-maquina/
Reconhecimento 
de imagens
Retenção 
de clientes
Diagnósticos
Previsões de 
mercado
Decisões em 
tempo real
Navegação 
de robôs
Aquisição de 
conhecimento
Tarefas de constante 
aprendizagem
Segmentação 
de clientes
Sistema de 
recomendação
Visualização 
de atributos
Elicitação de 
atributos
Aprendizagem 
supervisionada
Aprendizagem 
não 
supervisionada
Aprendizagem 
por reforço
Aprendizagem 
de máquina
 Aprendizagem Supervisionada: o supervisionamento é feito através do treinamento com 
dados rotulados, ou seja, etiquetados com algum tipo de classe. Por exemplo, produtos 
podem ser classificados em duas classes: com defeito e sem defeito.
 Aprendizagem Não Supervisionada: ao contrário da supervisionada, aqui não se faz 
necessário o uso de etiquetas. Aqui são encontrados algoritmos de recomendação, 
agrupamento e segmentação.
 Aprendizagem por Reforço: a aprendizagem por reforço é muito utilizada em sistemas de 
decisão em tempo real. Neste caso, não existe um grande conjunto de dados históricos para 
que seja gerado um conjunto de treinamento e consequentemente seja possível criar um 
modelo de aprendizado.
Aprendizagem de Máquina
Podemos definir como uma aplicação real de IA o seguinte exemplo:
a) Um Filtro de SPAM.
b) Um Classificador de Documentos.
c) Um Identificador de Faces.
d) Um Gerador automático de Códigos.
e) Todas as alternativas estão corretas.
Exemplo
Podemos definir como uma aplicação real de IA o seguinte exemplo:
a) Um Filtro de SPAM.
b) Um Classificador de Documentos.
c) Um Identificador de Faces.
d) Um Gerador automático de Códigos.
e) Todas as alternativas estão corretas.
Resposta
 Em seu estado atual, a IA encontra apenas algumas aplicações especializadas, como 
ferramentas de apoio à decisão para radiologistas. 
 No futuro próximo, teremos a triagem automática rápida de imagens normais versus
imagens anormais (cerca de 80% dos exames são geralmente normais, 15% são anormais, 
mas fáceis de interpretar, e 5% são difíceis de interpretar).
 Muitos especialistas acreditam que a radiologia baseada em IA irá superar com grande 
margem as capacidades de radiologistas bem treinados, e uma das razões é a maneira 
como o Big Data será usado. O diagnóstico por imagem é uma tarefa essencialmente 
visual, ou seja, quanto mais imagens o radiologista vê ao longo de sua profissão, melhor 
ele será no diagnóstico. 
Medicina Diagnóstica e IA
Fonte: 
https://forumsaudedigital.com.br
/fidi-e-aidoc-firmam-parceria-
para-aplicar-inteligencia-
artificial-a-radiologia/
 A velocidade com que as perdas financeiras podem ocorrer por conta de fraude de cartão de 
crédito torna as técnicas inteligentes de detecção de fraudes cada vez mais importantes.
 Devido à disponibilidade de grandes volumes de dados de clientes e de dados transacionais, a 
Inteligência Artificial pode ser usada para identificar com eficiência padrões de comportamento 
de cartões de crédito irregulares para clientes específicos.
 As empresas de segurança cibernética podem se concentrar na implementação de 
aprendizado profundo para criar impressões digitais de usuários e transações, usando modelos 
matemáticos através da criação de clusters que podem então ser monitorados.
 Conseguir isso reduzirá os custos gerais dos bancos e melhorará sua reputação com os 
clientes, que provavelmente serão mais leais a uma instituição que proteja melhor seu dinheiro.
Detecção de fraudes e IA
Fonte: 
https://computerworld.com.br/segu
ranca/maioria-das-financeiras-
sofreu-tentativa-de-fraude-nos-
ultimos-anos/
A melhor abordagem para o raciocínio sob incerteza e quase todas as aplicações atuais de IA pode 
ser definida por:
a) Probabilidades.
b) Incertezas.
c) Certezas.
d) Dúvidas.
e) Pesquisa e Desenvolvimento.
Interatividade
A melhor abordagem para o raciocínio sob incerteza e quase todas as aplicações atuais de IA pode 
ser definida por:
a) Probabilidades.
b) Incertezas.
c) Certezas.
d) Dúvidas.
e) Pesquisa e Desenvolvimento.
 O campo de pesquisa em computação probabilística não é novo, mas os avanços em 
processamento de alto desempenho e algoritmos de aprendizagem profunda podem levá-lo a 
uma nova era. 
 Nos próximos anos, devemos acompanhar o desenvolvimento 
significativo dos sistemas de Inteligência Artificial em termos de 
confiabilidade, segurança, facilidade de manutenção e 
desempenho, incluindo o surgimento de hardware projetado 
especificamente para computação probabilística. Esses avanços 
são essenciais para o uso dessas aplicações no mundo real – de 
casas até cidades inteligentes.
Resposta
Dados, Características e Algoritmos
Fonte: 
https://www.datageek
s.com.br/machine-
learning/
Algoritmos de Machine Learning
Fonte: https://www.geeksforgeeks.org/
Clustering
Unsupervised 
Learning
Machine 
Learning
Reinforcement 
Learning
Supervised 
Learning
Regression
Dimensionality 
Reduction
Classification
Navie Bayes
SVM
K-Nearest Neighbor
Decision Tree
Linear Regression
Logistic Regression
Principal Component Analysis (PCA)
Feature Selection
Linear Discriminant Analysis (LDA)
K-Means
Mean Shift
K-Medoids
 O M significa Modificado, e NIST significa Instituto Nacional de Padrões e Tecnologia.
 O MNIST é um dataset de dígitos escritos à mão amplamente usado por quem está 
estudando sobre Machine Learning.
 Esses dígitos manuscritos foram então digitalizados e etiquetados.
 No total são 60.000 imagens de treinamento e 10.000 imagens de teste.
 O MNIST é gratuito e pode ser usado para você treinar seus algoritmos de Machine Learning 
antes de usar datasets maiores e mais complexos. 
 Este é o site oficial do MNIST: http://yann.lecun.com/exdb/mnist/
 O que gostaríamos de alcançar é um método de IA que possa 
receber uma imagem e automaticamente citar o rótulo correto 
(um número entre 0 e 9).
MNIST
 O classificador de vizinho mais próximo está entre os classificadores mais simples possíveis. 
 Quando recebe um item para classificar, ele encontra o item de dados de treinamento mais 
semelhante ao novo item e exibe seu rótulo.
 Distância geométrica padrão/distância euclidiana.
 A ideia é usar um princípio muito simples de que os usuários com comportamentos passados 
e semelhantes tendem a ter um comportamento futuro também semelhante.
 Exemplos: sistema de recomendação de músicas e filmes que coleta dados sobre o 
comportamento dos usuários e realiza novas sugestões.
Classificador do vizinho mais próximo (K nearest neighboors – KNN)
Fonte: 
http://computacaointelige
nte.com.br/algoritmos/k-
vizinhos-mais-proximos/
Rótulo A
Rótulo B
Distância
k = 7
 A regressão linear é uma metodologia desenvolvida a partir da estatística e da econometria.
 Este método serve para avaliar os efeitos que outras variáveis causam sobre uma variável 
analisada.
 A ideia básica na regressão linear é somar os efeitos de cada uma das variáveis de recurso para 
produzir o valor previsto. 
 O termo técnico para o processo de soma é a combinação linear. 
 A palavra linear significa que o aumento na saída quando uma característica de entrada é 
aumentada por alguma quantidade fixa é sempre a mesma.
 Regressão linear simples (2 variáveis)
 Regressão linear múltipla (3 ou mais variáveis)
 Exemplo: analisar a venda de 
um produto relacionada ao 
crescimento populacional de 
um país.
Regressão linear
Fonte: 
https://www.dicionariofinanceiro.
com/regressao-linear/
 Dados observados
Regressão linear
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4
 Um dos casos particulares dos modelos lineares generalizados são os modelos em que a variável 
resposta apresenta apenas duas categorias, assumindo valores 0 ou 1, sendo o modelo de 
regressão logística o mais popular desses modelos.
 A regressãologística é usada para problemas de classificação, em que trabalhamos com 
variáveis categóricas. 
 O modelo de regressão logística é semelhante ao modelo de regressão linear. 
 Uma variável binária assume dois valores, como por exemplo, Y = 0 e Y = 1 denominados 
“fracasso” e “sucesso”.
 A regressão logística é amplamente usada em ciências médicas e sociais, e tem outras 
denominações, como modelo logístico.
Regressão logística
Fonte: 
https://aimlsite.wordpress.com/
2017/08/13/regressao-logistica-
gradiente-descendente/
P
ro
b
a
b
il
it
y
 (
1
/1
0
)
Model Output
1
0,8
0,6
0,4
0,2
0
-20 -10 0 10 20
0’s
1’s
Sobre os itens abaixo, é correto afirmar:
I. No caso de reconhecimento de dígitos MNIST, uma maneira comum de medir a 
similaridade de imagem é contar as correspondências pixel a pixel.
II. Um exemplo típico de uma aplicação do método do vizinho mais próximo é prever o 
comportamento do usuário em aplicativos de IA, como sistemas de recomendação.
III. Os sistemas de recomendação atuais usam filtragem colaborativa em vez dos metadados 
inseridos manualmente.
a) Somente I é correto.
b) Somente I e III são corretos.
c) Somente II é correto.
d) Somente II e III são corretos
e) I, II e III são corretos.
Interatividade
Sobre os itens abaixo, é correto afirmar:
I. No caso de reconhecimento de dígitos MNIST, uma maneira comum de medir a 
similaridade de imagem é contar as correspondências pixel a pixel.
II. Um exemplo típico de uma aplicação do método do vizinho mais próximo é prever o 
comportamento do usuário em aplicativos de IA, como sistemas de recomendação.
III. Os sistemas de recomendação atuais usam filtragem colaborativa em vez dos metadados 
inseridos manualmente.
a) Somente I é correto.
b) Somente I e III são corretos.
c) Somente II é correto.
d) Somente II e III são corretos
e) I, II e III são corretos.
Resposta
 Uma rede neural pode significar uma rede neural biológica “real”, como a do cérebro, ou uma 
rede neural artificial simulada em um computador.
 Uma rede neural, biológica e artificial, consiste de um grande número de unidades simples, 
neurônios, que recebem e transmitem sinais uns aos outros. 
 Redes neurais artificiais formam um conjunto de algoritmos de Machine Learning, que tentam 
simular o funcionamento do cérebro humano para realizar atividades complexas.
 Uma das razões para o interesse é a esperança de entender nossa própria mente, que 
emerge do processamento neural em nosso cérebro.
Definição de Redes Neurais
Fonte: 
https://deeplearningbr
asil.wordpress.com/
Dendritos (terminal de recepção)
Corpo
Axônio
Bainha de Mielina
Nodo de Ranvier
Terminal do Axônio 
(terminal de transmissão)
Sentido de propagação
 Seu primeiro conceito foi introduzido em 1943, mas ganhou popularidade algumas décadas 
depois com a introdução de algoritmos de treinamento como retropropagação (backpropagation), 
que permite a realização de um treinamento posterior para aperfeiçoar os resultados do modelo.
Atualmente, há diversas topologias das RNA’s que 
buscam resolver diferentes tipos de problemas, tais como:
 Processamento de linguagem natural.
 Reconhecimento de fala e imagens.
 Previsão de valores.
A operação de uma unidade de processamento, proposta por 
McCullock e Pitts em 1943, pode ser resumida da seguinte maneira:
 Sinais são apresentados à entrada.
 Cada sinal é multiplicado por um número, ou peso, que indica a 
sua influência na saída da unidade.
 É feita a soma ponderada dos sinais que produz um nível de 
atividade.
 Se este nível de atividade exceder um certo limite (threshold), a 
unidade produz uma determinada resposta de saída.
Redes Neurais Artificiais
Fonte: 
http://deeplearningbook.com.br/o-
perceptron-parte-1/
 Um dos primeiros modelos formais de computação neural e por causa de seu papel 
fundamental na história das redes neurais: “mãe de todas as redes neurais artificiais”.
 Pode ser usado como um classificador simples em tarefas de classificação binária. 
 Um método para aprender os pesos do perceptron a partir dos dados, chamado de algoritmo 
Perceptron, foi introduzido pelo psicólogo Frank Rosenblatt, em 1957.
 O princípio básico é alimentar os dados de treinamento da rede, um exemplo de cada vez. 
Cada erro de classificação leva a uma atualização no peso.
Algoritmo Perceptron
Fonte: 
http://deeplearningbook.co
m.br/o-perceptron-parte-1/
 O Perceptron é uma rede neural de camada única. 
 Um Perceptron de várias camadas é chamado de Rede Neural Artificial.
 O Perceptron é um classificador linear (binário).
Algoritmo Perceptron
Fonte: 
http://deeplearningbook.co
m.br/o-perceptron-parte-1/
 Utilizada para o reconhecimento de um objeto em qualquer lugar de uma imagem, não 
importando onde ela tenha sido observada nas imagens de treinamento.
 Os neurônios convolucionais são normalmente colocados nas camadas inferiores da rede, que 
processa os pixels brutos de entrada. Neurônios básicos (como o neurônio do perceptron 
discutido anteriormente) são colocados nas camadas mais altas, que processam a saída das 
camadas inferiores.
 As camadas inferiores geralmente podem ser treinadas usando aprendizado não supervisionado, 
assim com fotos de animais, características típicas serão orelhas e focinhos.
 Isso significa que camadas convolucionais pré-treinadas podem ser reutilizadas em muitas tarefas 
de processamento de imagem diferentes.
 As camadas superiores são sempre treinadas por técnicas 
supervisionadas de 
aprendizado de máquina, 
como retropropagação 
(backpropagation).
Redes Neurais Convolucionais (CNNs)
Fonte: 
http://deeplearningbook.com
.br/introducao-as-redes-
neurais-convolucionais/
Input 
layer
hidden 
layer 1
hidden 
layer 2
hidden 
layer 3
Ouput 
layer
 Uma das redes é treinada para gerar imagens como as dos dados de treinamento. 
 A tarefa da outra rede é separar as imagens geradas pela primeira rede das imagens reais dos 
dados de treinamento, ela é chamada de rede adversária, e todo o sistema é chamado de Rede 
Adversária Generativa ou GAN (Generative Adversarial Network).
 O sistema treina os dois modelos lado a lado. 
 No início do treinamento, o modelo contraditório tem uma tarefa fácil de diferenciar as imagens 
reais dos dados de treinamento e as tentativas desajeitadas do modelo generativo.
 À medida que a rede generativa lentamente se torna melhor, o modelo adversário também 
precisa melhorar, e o ciclo continua até que, finalmente, as imagens geradas são quase 
indistinguíveis das imagens reais.
Redes Adversárias Generativas (GANs)
Fonte: 
http://deeplearningboo
k.com.br/introducao-
as-redes-adversarias-
generativas-gans-
generative-
adversarial-networks/
Training set
Random 
noise
Generator Fake image
Discriminator
Real
Fake
 Para construir um classificador de rede neural, precisamos formalizar o problema de uma 
maneira que possamos resolvê-lo usando os métodos que aprendemos. A GAN é um tipo de 
rede neural que gera as imagens reais a partir de pontos de dados. Portanto, devemos 
utilizá-la para nos auxiliar a solucionar nossos problemas. Verdadeiro ou Falso?
 Redes incluindo camadas convolucionais são chamadas de redes neurais convolucionais 
(CNNs). Sua principal propriedade é que elas podem detectar recursos da imagem, como 
pontos claros ou escuros (ou cores específicas), bordas em várias orientações e padrões. 
Verdadeiro ou Falso?
Exemplo
 Para construir um classificador de rede neural, precisamos formalizar o problema de uma 
maneira que possamos resolvê-lo usando os métodos que aprendemos. A GAN é um tipo de 
rede neural que gera as imagens reais a partir de pontos de dados. Portanto, devemos 
utilizá-la para nos auxiliar a solucionar nossos problemas. Verdadeiro ou Falso? Falso!
 Redes incluindo camadas convolucionais são chamadas de redes neurais convolucionais 
(CNNs). Sua principal propriedade é que elaspodem detectar recursos da imagem, como 
pontos claros ou escuros (ou cores específicas), bordas em várias orientações e padrões. 
Verdadeiro ou Falso? Verdadeiro!
Exemplo – Resposta
O Perceptron pode ser usado para:
a) Tarefas de classificação binária.
b) Criar hipérboles de IA.
c) Trabalhar como o principal algoritmo durante o inverno da IA.
d) Reconhecimento de imagens.
e) Todas as opções estão erradas.
Interatividade
O Perceptron pode ser usado para:
a) Tarefas de classificação binária.
b) Criar hipérboles de IA.
c) Trabalhar como o principal algoritmo durante o inverno da IA.
d) Reconhecimento de imagens.
e) Todas as opções estão erradas.
Resposta
ATÉ A PRÓXIMA!