GE_Machine Learning_Unidade I_DIGITAL PAGES

Prévia do material em texto

VANESSA CRISTINA 
LOURENÇO 
AUTORIA
MACHINE
LEARNING
Machine learning - Unidade1 - Formato A5.indd 1 30/10/2019 16:04:56
© Ser Educacional 2019
Rua Treze de Maio, nº 254, Santo Amaro 
Recife-PE – CEP 50100-160
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Informamos que é de inteira responsabilidade da autoria a emissão de conceitos. 
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio 
ou forma sem autorização. 
A violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo artigo 184 do 
Código Penal.
Imagens de ícones/capa: © Shutterstock
Presidente do Conselho de Administração 
Diretor-presidente
Diretoria Executiva de Ensino
Diretoria Executiva de Serviços Corporativos
Diretoria de Ensino a Distância
Autoria
Projeto Gráfico e Capa
Janguiê Diniz
Jânyo Diniz 
Adriano Azevedo
Joaldo Diniz
Enzo Moreira
Vanessa Cristina Lourenço 
DP Content
DADOS DO FORNECEDOR
Análise de Qualidade, Edição de Texto, Design Instrucional, 
Edição de Arte, Diagramação, Design Gráfico e Revisão.
Machine learning - Unidade1 - Formato A5.indd 2 30/10/2019 16:04:56
Boxes
ASSISTA
Indicação de filmes, vídeos ou similares que trazem informações comple-
mentares ou aprofundadas sobre o conteúdo estudado.
CITANDO
Dados essenciais e pertinentes sobre a vida de uma determinada pessoa 
relevante para o estudo do conteúdo abordado.
CONTEXTUALIZANDO
Dados que retratam onde e quando aconteceu determinado fato;
demonstra-se a situação histórica do assunto.
CURIOSIDADE
Informação que revela algo desconhecido e interessante sobre o assunto 
tratado.
DICA
Um detalhe específico da informação, um breve conselho, um alerta, uma 
informação privilegiada sobre o conteúdo trabalhado.
EXEMPLIFICANDO
Informação que retrata de forma objetiva determinado assunto.
EXPLICANDO
Explicação, elucidação sobre uma palavra ou expressão específica da 
área de conhecimento trabalhada.
Machine learning - Unidade1 - Formato A5.indd 3 30/10/2019 16:04:56
Unidade 1 - Introdução aos Sistemas Inteligentes e aprendizado de máquina
Objetivos da unidade ........................................................................................................... 12
Introdução a sistemas inteligentes .................................................................................. 13
Dado, informação e conhecimento .............................................................................. 17
Tipos de Aprendizado de Máquina ................................................................................... 21
Aprendizado supervisionado ......................................................................................... 24
Aprendizado não supervisionado ................................................................................. 27
Aprendizado por reforço ..................................................................................................... 29
Aprendizagem por reforço passiva .............................................................................. 32
Aprendizagem por reforço ativa ................................................................................... 35
Sintetizando ........................................................................................................................... 39
Referências bibliográficas ................................................................................................. 40
Sumário
Machine learning - Unidade1 - Formato A5.indd 4 30/10/2019 16:04:56
Unidade 2 - Redução de dimensionalidade
Objetivos da unidade ........................................................................................................... 42
Redução de dimensionalidade .......................................................................................... 43
Aplicabilidade .................................................................................................................. 46
Redes neurais (Perceptron, Multicamadas, Backpropagation) .................................. 47
Rede Perceptron ............................................................................................................ 49
Backpropagation ............................................................................................................. 49
Perceptron múltiplas camadas ..................................................................................... 50
Rede de Kohonen .................................................................................................................. 58
Sintetizando ........................................................................................................................... 61
Referências bibliográficas ................................................................................................. 62
Sumário
 MACHINE LEARNING 5
Machine learning - Unidade1 - Formato A5.indd 5 30/10/2019 16:04:57
Unidade 3 - Deep Learning
Objetivos da unidade ........................................................................................................... 66
Deep Learning ....................................................................................................................... 67
Tipos de arquiteturas ...................................................................................................... 72
Redes neurais profundas .................................................................................................... 74
Complexidade da teoria .................................................................................................. 78
Redes convolucionais ......................................................................................................... 80
Arquitetura ........................................................................................................................ 83
Redes neurais recorrentes ............................................................................................ 86
Autoencoders (AE) .......................................................................................................... 89
Sintetizando ........................................................................................................................... 92
Referências bibliográficas ................................................................................................. 93
Sumário
 MACHINE LEARNING 6
Machine learning - Unidade1 - Formato A5.indd 6 30/10/2019 16:04:57
Unidade 4 - Aprendizagem bayesiana, árvores de decisão e algoritmos evolucionários
Objetivos da unidade ........................................................................................................... 96
Aprendizagem bayesiana.................................................................................................... 97
Representação da aprendizagem bayesiana ............................................................. 98
Aplicabilidade ................................................................................................................ 100
Árvores de decisão ............................................................................................................ 102
Vantagens e desvantagens das árvores de decisão............................................... 105
Funcionamento da técnica .......................................................................................... 106
Algoritmos evolucionários ............................................................................................... 112
Origens e conceitos da computação evolutiva ........................................................ 112
Paradigma dos algoritmos evolutivos ........................................................................ 114
Sintetizando ......................................................................................................................... 117
Referências bibliográficas ...............................................................................................118
Sumário
 MACHINE LEARNING 7
Machine learning - Unidade1 - Formato A5.indd 7 30/10/2019 16:04:57
Machine learning - Unidade1 - Formato A5.indd 8 30/10/2019 16:04:57
O crescimento exponencial de dados gerados em praticamente todas as 
áreas de conhecimento humano, caracterizado pela Era da Informação no 
início do século XXI, tem gerado uma grande demanda no aprendizado e no 
aperfeiçoamento de ferramentas apropriadas para extrair dados e gerar infor-
mações úteis. Com isso, surgem os sistemas especialistas baseados em Apren-
dizado de Máquina (Machine Learning), que conseguem auxiliar em tomadas 
de decisões a partir de um conjunto de dados. Portanto, nesta disciplina vamos 
verifi car como os conceitos, as técnicas, os algoritmos, as regras e as aplicações 
são utilizadas para resolver diversos problemas do dia a dia.
 MACHINE LEARNING 9
Apresentação
Machine learning - Unidade1 - Formato A5.indd 9 30/10/2019 16:04:57
Dedico este conteúdo aos meus fi lhos, que me dão força todos os dias para 
continuar lutando.
A professora Vanessa Cristina Lou-
renço é mestre em Engenharia da In-
formação pela Universidade Federal 
do ABC - UFABC (2012), atuando em 
linha de pesquisa em sistemas inteli-
gentes, e possui Graduação em Aná-
lise e Desenvolvimento de Sistemas 
pela Universidade de Cuiabá (2008).
Ministrou aulas nos cursos de Ciência 
da Computação, Sistemas de Informa-
ção e ADS (2012/2013) nas disciplinas 
de Engenharia de Software, Banco 
de Dados e Sistemas de Informação. 
Atualmente ministra aulas nos cursos 
de pós-graduação em Gerenciamento 
em Banco de Dados nas disciplinas de 
Banco de Dados NoSQL, SQL avança-
do e Modelagem de dados. Atua como 
Analista de negócios em empresa de TI.
Currículo Lattes:
http://lattes.cnpq.br/0481052458446153
 MACHINE LEARNING 10
A Autora
Machine learning - Unidade1 - Formato A5.indd 10 30/10/2019 16:04:58
INTRODUÇÃO 
A SISTEMAS 
INTELIGENTES E 
APRENDIZADO DE 
MÁQUINA
1
UNIDADE
Machine learning - Unidade1 - Formato A5.indd 11 30/10/2019 16:05:17
Objetivos da unidade
Tópicos de estudo
 Introduzir sistemas inteligentes e seus conceitos;
 Apresentar componentes e tipos de Aprendizado de Máquina;
 Identificar técnicas que possam ser utilizadas na resolução de problemas 
do dia a dia.
 Introdução a sistemas 
inteligentes
 Dado, informação e 
conhecimento
 Tipos de Aprendizado de Máquina
 Aprendizado supervisionado
 Aprendizado não 
supervisionado
 Aprendizado por reforço
 Aprendizagem por reforço 
passiva
 Aprendizagem por reforço ativa
 MACHINE LEARNING 12
Machine learning - Unidade1 - Formato A5.indd 12 30/10/2019 16:05:18
Introdução a sistemas inteligentes
As recentes pesquisas desenvolvidas na área de inteligência artifi cial de-
monstram as capacidades que um computador tem de realizar atividades que 
normalmente são executadas pelos seres humanos, por meio de dois aspectos 
fundamentais: conhecimento e raciocínio. A ação inteligente está intimamente 
relacionada ao seu desenvolvimento e utilização, nos quais agir com inteligên-
cia é usar o conhecimento adquirido. Esta é base fundamental para que um 
sistema inteligente seja criado.
Dentro de um ambiente organizacional é possível verifi car o quanto uma 
empresa pode se tornar competitiva no mercado a partir do momento em que 
ela apresenta soluções para atender as demandas da sociedade. Esse conheci-
mento é adquirido por meio de experiências adquiridas ao longo dos anos e o 
conceituamos como know-how. Um sistema inteligente se preocupa em siste-
matizar este conhecimento como uma maneira de agilizar e efetivar o processo 
referente à tomada de decisão dentro das empresas. Os sistemas inteligentes 
garantem uma padronização deste processo decisório ligado à sua base de co-
nhecimento (REZENDE, 2005, p. 53).
Os sistemas inteligentes estão inseridos no conceito dos sistemas basea-
dos em conhecimento (SBCs), que são métodos utilizados pelas organizações 
empresariais que se destacam pelo uso de recursos ligados, por exemplo, à 
experiência dos colaboradores das empresas na tomada de decisão. Esse co-
nhecimento, ao ser desenvolvido, pode se tornar plenamente acessível, de fá-
cil recuperação e utilizado pelos outros membros. Você já deve ter notado a 
presença de uma variedade de aplicações SBCs em múltiplas áreas, como a 
engenharia, por exemplo. 
Segundo a autora Solange Rezen-
de, no livro Sistemas Inteligentes: Funda-
mentos e Aplicações, lançado em 2005, 
os sistemas baseados no conhecimen-
to deverão ter a habilidade, dentre 
outros aspectos, de questionamento 
do usuário como uma forma de obter 
as informações que precisam de criar 
 MACHINE LEARNING 13
Machine learning - Unidade1 - Formato A5.indd 13 30/10/2019 16:05:20
uma linha de raciocínio partindo destas informações e do conheci-
mento adquirido para trazer soluções adequadas, consequente-
mente, é necessário explicar a linha de raciocínio adotada, tratar 
de possíveis falhas cometidas e trazer soluções adequadas. 
O conceito de sistemas inteligentes é bem abrangente. No entanto, va-
mos separar este em dois: sistemas e inteligência. 
Podemos chamar de “sistemas” diferentes áreas de atividade humana 
contextualizadas em um mundo real. Dessa forma, não está errado dizer que 
o sistema digestório e o sistema previdenciário são sistemas, pois os dois 
possuem características comuns ao termo, que, derivado do grego, significa 
“combinar”, “ajustar”, “formar um conjunto”. O sistema digestório, por exem-
plo, é composto por vários órgãos e é responsável tanto pela digestão quanto 
pela absorção dos alimentos; o sistema previdenciário, que compreende pes-
soas (aposentados e pensionistas), estrutura, regras e leis e realiza o controle 
de pagamentos de benefícios a quem tem direito. Um sistema existe com o 
intuito de atingir um fim específico e pode ser formado por pessoas, instala-
ções, recursos e métodos.
O termo inteligência é bem mais difícil de ser definido, mas é 
considerado por muitos filósofos como sendo a capacidade de 
compreender e resolver novos problemas ou conflitos, além 
de se adaptar a mudanças e novas situações. Além de promo-
ver a capacidade de raciocinar, tomar decisões e melhorar o desempenho 
de acordo com lições aprendidas. Após abordarmos os termos “sistemas” 
e “inteligência”, podemos então definir como eles podem ser considerados 
nas máquinas, e, assim, obtermos uma definição de sistemas inteligentes.
De acordo com Gonzalez e Zampirolli (2014), em máquinas, a simulação de 
comportamento inteligente reproduz parte das habilidades humanas, como a 
capacidade de aprender. Para os autores, entende-se como sistema inteligente 
aquele que é capaz de melhorar seu desempenho a partir de suas próprias 
experiências, ou seja, tem a capacidade de aprender com informações disponí-
veis ou com seus erros. Desse modo, podemos dizer que um sistema inteligen-
te deve ser capaz de aprender e melhorar o seu próprio desempenho.
Diante deste cenário, um questionamento pode ser feito: em que contexto 
é possível adotar os sistemas inteligentes? Para responder a este questiona-
 MACHINE LEARNING 14
Machine learning - Unidade1 - Formato A5.indd 14 30/10/2019 16:05:20
mento, é necessário observar um aspecto importante: a globalização. Em uma 
economia cada vez mais globalizada, é normal que o mercado demande um 
nível diferente de exigência. Devido à alta competitividade, as organizações 
empresariais têm buscado reduzir a produtividade dos recursos, ao mesmo 
tempo em que o serviço disponibilizado ao cliente passou a ganhar relevância. 
Ainda de acordo com Rezende, a tecnologia é considerada o elemento prin-
cipal de uma revolução que reúne aspectos relacionados aos softwares, com-
putadores e rede mundial. É importante frisar que a tecnologia da informação 
e o melhoramento na comunicação estreitaram a relação entre os países, ge-
rando oportunidades de mercadoe uma concorrência mais elevada. A socieda-
de, por sua vez, apresenta mudanças graças ao uso do conhecimento. 
Vale ressaltar que a tecnologia apresenta um ciclo de vida definido dentro 
deste ambiente de evolução, pois o tempo que a tecnologia apresenta seu valor é 
cada vez mais curto, devido às constantes mudanças. A chamada era do conhe-
cimento se caracteriza, dentre outros aspectos, pelo grau de capacidade que o 
indivíduo e a empresa disponibilizam, e isto é fator principal para sobreviverem 
ao mercado. É notável que a tecnologia estreita a relação entre as pessoas em 
todo o mundo, o que facilita a troca de conhecimento e informações. É dentro 
deste ambiente que os sistemas inteligentes se inserem, pois usam a tecnologia 
da informação como uma maneira de alterar conhecimentos mais específicos.
Para compreender as características principais de um sistema inteligente é pre-
ciso ter em mente dois aspectos fundamentais: o primeiro está relacionado à ha-
bilidade para usar o conhecimento no intuito de realizar atividades ou solucionar 
problemas; o segundo aspecto está ligado à capacidade de usufruir das inferências 
e associações para solucionar problemas mais complexos similares aos problemas 
reais. Estes sistemas normalmente apre-
sentam um conjunto de habilidades, 
como por exemplo, a de arquivar e recu-
perar um volume de informações capa-
zes de solucionar problemas ou auxiliar 
na tomada de decisões. É importante 
que você observe que a habilidade aqui 
está relacionada à racionalidade, que 
permite alterar o nosso comportamento. 
 MACHINE LEARNING 15
Machine learning - Unidade1 - Formato A5.indd 15 30/10/2019 16:05:28
O considerado comportamento inteligente de um determinado sistema 
resulta de decisões encadeadas e múltiplas. Toda decisão escolhida é controla-
da com referência aos critérios relacionados ao desempenho, tempo de dura-
ção e o risco. Vale lembrar que o controle de decisão se caracteriza por dispor 
de soluções e tomada de decisão de maneira sequencial e sincronizada, que 
mantenham uma inter-relação e que sejam direcionadas para disponibilizar um 
desempenho indicando o objetivo estabelecido pelo sistema.
Estes sistemas são desenvolvidos por meio de técnicas-chave, que podem 
ser inseridas de maneira isolada ou em conjunto para facilitar a tomada de de-
cisão. Dentre estas técnicas podemos citar o Machine Learning (Aprendizado 
de Máquina), que se caracteriza por dispor de uma série de habilidades que 
simbolizam o conhecimento humano. 
De fato, é preciso entender que o desempenho e os requisitos mínimos de 
um sistema inteligente são bem distintos em relação aos sistemas mais tradi-
cionais. E por que isto ocorre? É preciso levar em consideração que os mode-
los tradicionais, como programas gráfi cos ou aqueles que envolvem cálculos, 
normalmente utilizam métodos ou ferramentas manuais para a resolução das 
suas atividades. Em contrapartida, um sistema inteligente consegue alterar 
símbolos que representam as áreas atuantes no mundo real, o que demonstra 
a sua capacidade ou habilidade em utilizar o conceito de dado, informação e 
conhecimento, que trataremos a seguir.
QUADRO 1. DIFERENÇAS ENTRE OS SISTEMAS CONVENCIONAIS
E OS BASEADOS EM CONHECIMENTO
Sistemas convencionais Sistemas baseados em conhecimento
Estrutura de dados Representação do conhecimento
Dados e relações entre dados Conceitos, relações entre conceitos e regras
Tipicamente usa algoritmos determinísticos Busca heurística 
Conhecimento embutido no código do programa Conhecimento representado explicitamente e se-parado do programa que o manipula e interpreta
Explicação do raciocínio é difícil Podem e devem explicar seu raciocínio
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Estrutura de dados
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Dados e relações entre dados
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Tipicamente usa algoritmos determinísticos
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Conhecimento embutido no código do programa
Explicação do raciocínio é difícil
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Conhecimento embutido no código do programa Conhecimento representado explicitamente e se-
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Busca heurística 
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Busca heurística 
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Busca heurística 
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Representação do conhecimento
Conceitos, relações entre conceitos e regras
Busca heurística 
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conceitos, relações entre conceitos e regras
Busca heurística 
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conceitos, relações entre conceitos e regras
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conceitos, relações entre conceitos e regras
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conceitos, relações entre conceitos e regras
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conhecimento representadoexplicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
Conhecimento representado explicitamente e se-
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínio
parado do programa que o manipula e interpreta
Podem e devem explicar seu raciocínioPodem e devem explicar seu raciocínio
Fonte: REZENDE, 2005. (Adaptado).
MACHINE LEARNING 16
Machine learning - Unidade1 - Formato A5.indd 16 30/10/2019 16:05:28
Dado, informação e conhecimento
Esses conceitos já fazem parte do cotidiano das pessoas que trabalham com 
sistemas, mais precisamente sistemas computacionais, desde a Era da Infor-
mação. Vamos defi nir cada um deles para melhor entendimento, pois os mes-
mos fazem parte da base do aprendizado.
Dado é um fato que não foi tratado, ou seja, a partir de um dado não se tem 
exatamente determinado o seu signifi cado. Ele pode ser: idade, dia do mês, 
tamanho do calçado, saldo bancário, nota de aluno, velocidade máxima na ro-
dovia etc., e se caracteriza por ser um elemento utilizado para demonstrar 
algo ou uma situação específi ca, sem estar ligado aos resultados. O dado é 
considerado uma fonte primária utilizada para o desenvolvimento de infor-
mações que podem ser apresentadas em forma de códigos, como por exem-
plo, uma palavra. 
Basicamente os dados podem ser classifi cados de três maneiras distintas. 
Primeiramente podem ser tipados como estruturados, que se caracterizam 
por estarem arquivados em bancos de dados, o que indica a sua utilização ou 
recuperação para necessidades futuras. O principal papel do banco de dados é 
selecionar os dados mais importantes e transformá-los em informações. 
A segunda tipologia são os semiestruturados. É interessante mencionar que 
estes dados disponibilizam uma estrutura heterogênea, ou seja, não são consi-
derados como estritamente tipados, tampouco são desestruturados. Estes da-
dos apresentam algumas características bem específi cas, como o fato de serem 
defi nidos a posteriori, ou seja, os seus projetos são inseridos após a visualização 
da existência dos dados; outro aspecto está ligado à sua estrutura irregular e 
implícita, graças às formas variadas em que esses dados se apresentam. 
A terceira classifi cação são os dados não estruturados, que são 
aqueles que não passaram pelo processo de codifi cação ou algum 
tipo de estruturação em linhas e colunas, ou até mes-
mo registros. Estes dados simbolizam a maioria dos 
elementos encontrados, são conhecidos por não 
estarem inseridos na rede e geralmente não estão 
no banco de dados. Normalmente, estão dispostos 
em boa parte das redes sociais.
MACHINE LEARNING 17
Machine learning - Unidade1 - Formato A5.indd 17 30/10/2019 16:05:28
Quando analisamos os dados e 
verificamos a sua utilidade é preciso 
ter em mente que eles são a fonte 
geradora de informações, portanto 
estes elementos precisam estar con-
textualizados. E o que isso significa? 
Coletar dados requer qualidade para 
que falhas sejam evitadas e, conse-
quentemente, gerem informações 
distorcidas. Imagine, por exemplo, se 
uma determinada organização resol-
ve fazer pesquisas de satisfação con-
siderando apenas um segmento especifico da sua empresa, logicamente a 
pesquisa estará enviesada e não apresentará um resultado confiável, pois 
considerou somente alguns dados para estabelecer um parâmetro geral. 
É importante citar que a circulação de dados faz parte do nosso cotidiano 
de maneira geral. A internet é um dos caminhos utilizados para a visualização 
dos dados em larga escala e, dentro das empresas, a utilização dos dados 
eleva o nível das operações, atendendo a demanda em novos mercados. Um 
setor que vem se destacando por conta do uso maciço de dados é o agrone-
gócio, que está elevando o nível da sua área estratégica com o uso da tecno-
logia avançada em sua plataforma de produção. Pesquisas acadêmicas têm 
sido cada vez mais empregadas no agronegócio no intuito de adquirir dados 
e transformá-los em informação.
Quando os dados apresentam alguma relação entre si, eles são contextua-
lizados ou interpretados, adquirindo, dessa forma, um significado. Assim, a 
informação envolve dados contextualizados ou padrões de associação escon-
didos numa coleção de dados.
Atributo importante para as empresas e a sociedade, de maneira geral, a 
informação tem um peso extremamente relevante nas decisões empresariais. 
Pode ser conceituada, em linhas gerais, como fio condutor entre o dado bruto 
e o conhecimento. Você pode observar que os dados são compreendidos como 
observações iniciais, enquanto as informações estão ligadas à relevância e obje-
tivos dos dados coletados. 
MACHINE LEARNING 18
Machine learning - Unidade1 - Formato A5.indd 18 30/10/2019 16:05:32
Geralmente, as informações que apresentam características capazes de ele-
var os processos de produção e viabilizar o seu desenvolvimento das empresas 
são as mais requisitadas. Elas podem ser classificadas quanto a sua natureza e 
finalidade, como por exemplo: 
• Científica: conhecimento oriundo da pesquisa que se acrescenta ao en-
tendimento universal existente;
• Tecnológica: todo tipo de conhecimento ligado à maneira de fazer um pro-
duto ou prestar um serviço, tendo como objetivo a sua colocação no mercado;
• Estratégica: trata do conhecimento das tendências do mercado, das 
conjunturas econômicas que afetam o comportamento do mercado, das em-
presas fornecedoras de insumos, matérias-primas e produtos das organiza-
ções concorrentes, implantação ou expansão do seu ambiente operacional;
• Negócios: a informação de negócios é aquela que subsidia o processo 
decisório do gerenciamento das empresas industriais, de prestação de ser-
viços e comerciais. 
Quando avaliamos a maneira como as informações são difundidas dentro 
das empresas, é preciso observar não só o volume, mas principalmente o nível 
qualitativo que influencia o comportamento de uma empresa. É possível con-
cluir que as atividades executadas pelos gestores estão ligadas às informações 
obtidas, já que é preciso tomar decisões sobre o planejamento futuro.
DIAGRAMA 1. AMBIENTE ESSENCIAL PARA A DISSEMINAÇÃO DA INFORMAÇÃO
Planejamento estratégico Execução Avaliação
Ambiente competitivo Estratégia da informação Estratégia da tecnologiada informação
Fonte: SIQUEIRA, 2005. (Adaptado).
As informações obtidas atendem uma dupla função estratégica dentro das 
empresas, primeiramente, na análise dos ambientes externo e interno e na ve-
 MACHINE LEARNING 19
Machine learning - Unidade1 - Formato A5.indd 19 30/10/2019 16:05:32
rificação destes ambientes. Portanto, a quantidade de informação não é requi-
sito determinante para a tomada de decisão, porém a tecnologia empregada 
melhora o nível informacional, influenciando o desempenho gerencial. 
O nível das informações gera vantagens competitivas que ajudam no me-
lhoramento da competitividade nas empresas e no desenvolvimento de uma 
rede de contatos de compartilhamento das informações, evidenciando a sua 
função quase que essencial ao ciclo de vida de uma organização. 
O conhecimento surge a partir das informações essenciais para a com-
preensão sobre determinada situação. Ele pode ser considerado o resultado 
das verificações informacionais ligadas a um fato determinado. Podemos con-
siderá-lo um fator determinante para o mundo corporativo, pois são importan-
tes no processo decisório. 
É importante deixar claro que o conhecimento não é algo a ser descrito, 
como ocorre nas informações, assim como não precisa de uma interpretação 
pessoal, pois exige uma experiência do objeto do conhecimento. Diante deste 
contexto, é possível definir o conhecimento em quatro tipos: científico, popu-
lar, filosófico e religioso.
O conhecimento científico caracteriza-sepelo fato de lidar com ocorrências 
e fatos, nos quais as hipóteses podem ser validadas ou descartadas com base 
na experimentação. Também conhecido como um conhecimento sistemático na 
formulação de ideias que abrangem o todo do objeto delimitado para estudo.
Já o conhecimento popular é considerado aquele conhecimento que atra-
vessa gerações, responsável pela criação dos outros tipos de conhecimento. É 
possível afirmar que boa parte dos fatos do nosso cotidiano atual se originou 
no senso comum.
O conhecimento filosófico tem origem a partir da busca pelo entendimento 
coerente da realidade, não podendo ser verificável ou descartado, já 
que não há possibilidade de sua confirmação, além de basear-se na 
dedução e na experiência. 
O conhecimento religioso está relacionado à ex-
plicação de determinados fenômenos sobrenatu-
rais. Neste contexto surge a figura do mito, com a 
função de tranquilizar o homem, porque esse mito 
forneceria a explicação necessária para a sua dúvida.
MACHINE LEARNING 20
Machine learning - Unidade1 - Formato A5.indd 20 30/10/2019 16:05:32
mito
“hard sciences”
(explicação)
ciências
humanas “soft sciences”
(compreensão)
de
sco
be
rta
do
 lo
go
s
doxa
fi losofi a 
epi
ste
me
 
ciê
nci
a c
iên
cia
s
po
siti
vas
SALTO QUALITATIVO
IDADE MÉDIA 
SALTO QUALITATIVO
Grécia/Mileto
THALES ANAXIMANDRO, 
ANAXÍMENES
séc. VII e VI a.C.
Grécia /Atenas
SOCRATES, PLATÃO,
ARISTÓTELES,
séc. V e IV a.C.
França
DESCARTES
séc. XVII e XVIII d.C.
França
COMTE
séc. XIX d.C.
Europa,
América do Norte,
América do Sul,
2ª metade do séc. XX. 
NOVO PARADIGMA
DA CIÊNCIA 
DIAGRAMA 2. DESENVOLVIMENTO DO PENSAMENTO CIENTÍFICO
Fonte: VASCONCELLOS, 2002. (Adaptado).
Vale frisar que as empresas empregam e dão muito valor ao conheci-
mento. Geralmente, elas compreendem que o conhecimento reúne valores 
que são gerados durante determinado período. Organizações passam por 
fases de instabilidade e são nestes momentos que os gestores tendem a 
buscar nos colaboradores o conhecimento prático na solução de situações 
corriqueiras.
Tipos de Aprendizado de Máquina
Aprendizado de Máquina (AM), mais comumente chamado pelo termo em 
inglês Machine Learning, se tornou o queridinho da atualidade. Se em algum 
momento você procurou por artigos ou leituras associadas ao tema, com cer-
teza se deparou com duas situações: artigos acadêmicos cheios de teoremas 
(muitas vezes de difícil entendimento) ou afi rmações sobre essa ser a mágica 
de bons empregos e ótimos salários. 
A ideia por trás da aprendizagem é que percepções devem 
ser usadas não apenas para agir, mas também para melhorar 
a habilidade do agente para agir no futuro (RUSSEL; NORVIG, 
2009, p. 525).
MACHINE LEARNING 21
Machine learning - Unidade1 - Formato A5.indd 21 30/10/2019 16:05:32
DIAGRAMA 3. O APRENDIZADO DE MÁQUINA ESTÁ CONTIDO NA INTELIGÊNCIA ARTIFICIAL
APRENDIZADO
DE MÁQUINA
INTELIGÊNCIA ARTIFICIAL 
Uma coisa é certa, o AM é a menina dos olhos da Inteligência Artificial, ou seja, é 
uma subárea muito importante que estuda métodos computacionais para adquirir 
novos conhecimentos, novas habilidades e novos meios de organizar o conhecimen-
to já existente, dessa forma, pode-se dizer que a máquina faz o que é mandado.
ASSISTA
Para melhor entendimento acerca dos conceitos explica-
dos até agora, assista ao vídeo “O que é Machine Learning 
(Inteligência Artificial)?”.
O Aprendizado de Máquina surgiu pela necessidade das pessoas de obter 
conhecimento acerca de um assunto específico. O único objetivo desse apren-
dizado é prever os resultados com base nos dados recebidos, por exemplo, o 
treinador do time de vôlei precisa obter informações sobre o time adversário. 
Para que ele faça cálculos de pontos a favor e contra de todos os jogadores do 
outro time e entenda melhor a performance de cada um deles, é necessário 
que regras sejam aplicadas às quantidades de acertos e erros para poder de-
cidir como sua equipe deve atuar em quadra. Fazer esses cálculos é fácil, mas 
cansativo. Já uma definição padrão para cada jogador só é possível por meio de 
conhecimento prévio, ou seja, a partir de exemplos, aprendizado e hipóteses.
Para trabalharmos com AM, quanto maior a variedade de amostras, mais 
fácil encontrar padrões importantes e prever algum resultado. Diante disso, 
MACHINE LEARNING 22
Machine learning - Unidade1 - Formato A5.indd 22 30/10/2019 16:05:32
precisamos ter três componentes para ensinar a máquina. São eles: dados, 
variáveis e algoritmos.
Dados: que tipo de dados? Depende do que pretendemos prever.
Quanto maior a diversidade dos dados, melhor será o resultado. Podemos ob-
ter os dados necessários para aplicação de duas maneiras: manual e automática.
Quando coletamos os dados de forma manual, a chance de erro é menor, 
mas o tempo para coleta é maior, tornando o processo mais caro. A coleta au-
tomática é mais barata, mas acabamos reunindo dados que não são relevantes 
e precisam ser excluídos.
Variáveis: podem ser o sexo do usuário, a quilometragem do carro, frequên-
cia de palavras no texto, esses são os fatores que a máquina deve considerar.
Quando os dados analisados estão armazenados em bancos de dados 
como tabelas simples, as variáveis são nomes das colunas. Selecionar variáveis 
corretas costuma levar mais tempo do que todos os outros processos de AM e 
essa não é uma tarefa trivial.
Imagine a seguinte situação: ao definir variáveis para uma base de 500 GB 
de fotos de bebês, não podemos considerar cada pixel como variável, devemos 
definir variáveis do tipo luminosidade, cenários etc.
DIAGRAMA 4. COMPONENTES DE APRENDIZADO DE MÁQUINA
VARIÁVEIS
ALGORITIMOS
Data
mining
Data
science
Programação
clássica
AM
DADOS
MACHINE LEARNING 23
Machine learning - Unidade1 - Formato A5.indd 23 30/10/2019 16:05:33
Para melhor entendimento acerca de AM, vamos ver os tipos de Aprendi-
zado de Máquina que estão subdivididos em aprendizado supervisionado e 
não supervisionado.
DIAGRAMA 5. TIPOS DE APRENDIZADO DE MÁQUINA E SUAS CARACTERÍSTICAS
Aprendizado
de Máquinas
Predição 
categórica 
Classifi cação
Previsão 
numérica
Divide clusters por 
semelhança
Clusterização 
Identifi ca 
sequências 
AssociaçãoRegressão
Dados não 
são rotulados
Supervisionado Não supervisionado
Encontra 
dependências 
ocultas
Dados são 
pré-categorizados 
Redução de 
dimensão 
(generalização)
O que difere um tipo do outro é que no aprendizado supervisionado a máqui-
na tem um supervisor, que funciona como se desse à máquina todas as respostas, 
desse modo, rótulos já foram defi nidos e a máquina só precisa encontrar os parâ-
metros rotulados.
O aprendizado não supervisionado signifi ca que a máquina é deixada so-
zinha. Por exemplo: tentar encontrar, em 100 GB de fotos de veículos, os que 
são de passeio e os que são de transporte. 
Aprendizado supervisionado
A aprendizagem supervisionada é realizada por meio do treinamento de da-
dos categorizados (rótulos), ou seja, classifi cados. Por exemplo, escolas podem 
ser classifi cadas em duas classes: privadas e públicas. Esse tipo de algoritmo 
Fonte: REZENDE, 2005, p. 91. (Adaptado).
MACHINE LEARNING 24
Machine learning - Unidade1 - Formato A5.indd 24 30/10/2019 16:05:33
necessita de um conjunto de dados rotulados para fazer previsão de rótulos/
classes em novos dados. Esses são utilizados em diferentes tipos de aplicação, 
como: estratégias de retenção de clientes, reconhecimento de imagens, previ-
sões de mercado e até em diagnósticos. 
A tarefa de aprendizagem supervisionada é dada da forma como veremos 
a seguir.
Dado um conjunto de treinamento de N pares de exemplos de entrada e saída:
(x1, y1), (x2, y2), ... (xn, yn)
Cada y foi gerado por uma função desconhecida y = f(x). Procure descobrir 
uma função h que se aproxima da função verdadeira f.
No exemplo explanado anteriormente, vemos que x e y podem ter quais-
quer valores, não tendo a necessidade deserem exatamente números. Já a 
função h pode ser determinada como uma hipótese. 
Conforme comentado, a máquina aprenderá mais rapidamente com um su-
pervisor, pois procura por valores verdadeiros imputados anteriormente. Algo-
ritmos de AM podem ser vistos como mecanismos que extraem um padrão de 
comportamento a partir de experimentações. 
Nesse tipo de aprendizado existem dois tipos de técnica:
• Classificação: predição por categoria.
• Regressão: previsão de regressão de um ponto específico em um eixo 
numérico.
Se os rótulos das classes possuem valores discretos, o problema é conhe-
cido como classificação, mas se as classes possuírem valores contínuos, o pro-
blema é conhecido como regressão.
A técnica de classificação é definida como uma forma de modelagem predi-
tiva, ou seja, com base nos atributos de entrada de um objeto, sendo possível 
predizer o atributo de saída. Essa técnica divide os objetos da amostra com 
base em um dos atributos já conhecidos previamente. 
Por exemplo:
1. Separe as roupas com base na cor. Nesse caso, as roupas foram ca-
tegorizadas como claras, e para todas as roupas encontradas, é como se 
o algoritmo fizesse a pergunta: essa roupa é clara? As possíveis respostas 
seriam: sim e não.
2. Separe as aves de acordo com a espécie.
MACHINE LEARNING 25
Machine learning - Unidade1 - Formato A5.indd 25 30/10/2019 16:05:33
3. Separe as músicas constantes na amostra por categoria (gênero).
Nesses três exemplos, a máquina foi treinada para classifi car objetos de 
acordo com os parâmetros passados a ela. Essa técnica é muito utilizada atual-
mente para:
• Detecção de idiomas;
• Pesquisa de documentos iguais;
• Análise de sentimentos;
• Reconhecimento de caracteres;
• Filtros spam;
• Detecção de fraudes.
Uma das técnicas que a classifi cação utiliza é conhecida como k-Nearest 
Neighbors, ou kNN, que consiste em um algoritmo de classifi cação que se carac-
teriza pela popularidade e facilidade de implementação na literatura de Machine 
Learning e mineração de dados. Esta técnica é aplicada da seguinte maneira: 
inserido um objeto desconhecido, o kNN tem a função de buscar pelos vizinhos 
que se localizam mais próximos dentro de uma série de dados conhecidos pre-
viamente, de acordo com uma mensuração, porém, determinada. A classe do 
novo objeto é admitida através do voto majoritário estabelecido entre os seus k 
mais próximos. Por se tratar de uma técnica simples, o kNN é usado amplamen-
te para solucionar vários problemas que ocorrem no mundo real. Portanto, os 
pseudocódigos utilizados para treinamento, além dos testes do kNN, são expos-
tos nos algoritmos 1 e 2, conforme se visualiza no Quadro 2. 
QUADRO 2. OS PSEUDOCÓDIGOS PARA TREINAMENTO E TESTE DO KNN.
Fonte: PADILHA; CARVALHO, 2017. (Adaptado).
Algoritmo 1: Treinamento kNN.
Entrada: conjunto de treinamento T = {xi , yi }i = 1
n , valor de k e uma medida de distância d (.,.)
Saída: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de k.
Algoritmo 2: Teste kNN.
Entrada: classifi cador kNN e um objeto x cuja classe é desconhecida
Saída: classe y atribuída a x
1 – buscar pelos k objetos mais próximos ao x no conjunto de dados de treinamento do classifi -
cador kNN informado;
2 – dentre k vizinhos, determinar y como classe mais frequente entre eles, resolvendo possíveis 
empates de maneira arbitrária.
EntradaEntrada
Saída
Entrada: classifi cador kNN e um objeto 
Saída: classe 
1 – buscar pelos 
cador kNN informado;
: classifi cador kNN e um objeto 
: classe 
1 – buscar pelos 
cador kNN informado;
2 – dentre 
: classifi cador kNN e um objeto 
: classe y atribuída a 
1 – buscar pelos 
cador kNN informado;
2 – dentre 
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
 atribuída a 
1 – buscar pelos 
cador kNN informado;
2 – dentre 
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
 atribuída a 
1 – buscar pelos k
cador kNN informado;
2 – dentre k
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
 atribuída a 
 objetos mais próximos ao 
cador kNN informado;
 vizinhos, determinar 
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
x
 objetos mais próximos ao 
cador kNN informado;
 vizinhos, determinar 
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
 objetos mais próximos ao 
 vizinhos, determinar 
empates de maneira arbitrária.
: classifi cador kNN e um objeto 
 objetos mais próximos ao 
 vizinhos, determinar 
empates de maneira arbitrária.
x cuja classe é desconhecidax cuja classe é desconhecidax
 objetos mais próximos ao 
 vizinhos, determinar 
empates de maneira arbitrária.
 cuja classe é desconhecida
 objetos mais próximos ao 
 vizinhos, determinar 
empates de maneira arbitrária.
 cuja classe é desconhecida
 objetos mais próximos ao 
y como classe mais frequente entre eles, resolvendo possíveis y como classe mais frequente entre eles, resolvendo possíveis y
 cuja classe é desconhecida
 objetos mais próximos ao 
 como classe mais frequente entre eles, resolvendo possíveis 
 cuja classe é desconhecida
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 cuja classe é desconhecida
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 cuja classe é desconhecida
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 cuja classe é desconhecida
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis 
 no conjunto de dados de treinamento do classifi -
 como classe mais frequente entre eles, resolvendo possíveis como classe mais frequente entre eles, resolvendo possíveis 
EntradaEntrada
Saída
Entrada
Saída
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
: classifi cador kNN
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
1 - armazenar o conjunto de treinamento e o valor de 
: conjunto de treinamento 
1 - armazenar o conjunto de treinamento e o valor de 
T = {x
1 - armazenar o conjunto de treinamento e o valor de 
T = {xi T = {xi T = {x , y
1 - armazenar o conjunto de treinamento e ovalor de 
i } = 1
1 - armazenar o conjunto de treinamento e o valor de 
 = 1
1 - armazenar o conjunto de treinamento e o valor de 
, valor de 
1 - armazenar o conjunto de treinamento e o valor de 
, valor de 
1 - armazenar o conjunto de treinamento e o valor de 
, valor de k
1 - armazenar o conjunto de treinamento e o valor de 
 e uma medida de distância 
.
 e uma medida de distância e uma medida de distância e uma medida de distância e uma medida de distância e uma medida de distância e uma medida de distância e uma medida de distância d (.,.)d (.,.)d (.,.)
MACHINE LEARNING 26
Machine learning - Unidade1 - Formato A5.indd 26 30/10/2019 16:05:33
A técnica de regressão busca responder perguntas do tipo: “quantas vezes?”, 
“quanto custa?” ou “quantos existem?”. É utilizada quando o valor previsto difere 
de “sim” ou “não”, e deve ser de um espectro contínuo. Regressão pode ser consi-
derada como uma classifi cação em que se prevê números em vez de categorias. 
Quando a representação é feita por uma linha reta, chamamos de regres-
são linear; quando a representação é curva, chamamos de representação poli-
nomial, conforme ilustrado no Gráfi co 1.
GRÁFICO 1. ILUSTRAÇÃO DE REGRESSÃO POLINOMIAL E LINEAR
Polinomial Linear
Regressão
O ambiente em que a regressão é mais usada é em aplicações de fi nanças. 
Não é uma tarefa complexa, ela pode ser realizada, por exemplo, por uma pes-
soa utilizando apenas caneta e papel, mas a máquina realiza com precisão, 
calculando intervalo médio para cada ponto.
Aprendizado não supervisionado
A aprendizagem não supervisionada entende que o conjunto de exemplos 
não está rotulado. Dessa forma, o sistema tenta classifi car os conjuntos agru-
pando por semelhanças em determinadas classes. O aprendizado não supervi-
sionado não é muito utilizado, já que, na prática, não é possível inferir rótulos e, 
para a maioria das aplicações existentes, é necessário que seja permitido classi-
fi car a amostra. Ou seja, os sistemas devem desenvolver suas próprias conclu-
sões. Geralmente, é útil para a análise exploratória dos dados, mas não como 
MACHINE LEARNING 27
Machine learning - Unidade1 - Formato A5.indd 27 30/10/2019 16:05:34
algoritmo principal. Por outro lado, é muito útil quando temos a necessidade de 
agrupar ou encontrar associações dentro de um grande volume de dados.
Imagine você ter uma loja de roupas on-line e resolver gerar campanhas in-
dividuais para seus clientes. Pode-se descobrir, por meio do aprendizado não 
supervisionado, características de seu cliente. É possível, por exemplo, descobrir 
pela idade, as mulheres que compram um estilo de roupa, e com isso, oferecer a 
elas calçados que combinarão com seus estilos.
As técnicas existentes no aprendizado não supervisionado são: clusterização, 
redução de dimensão (generalização) e associação.
Os algoritmos de clusterização tentam encontrar objetos semelhantes , por 
algum atributo, e separá-los em um cluster. Todos que possuírem muitos atribu-
tos em comum são agrupados em uma classe. Em alguns algoritmos, você pode 
até especificar o número exato de clusters desejados.
EXEMPLIFICANDO
Imagine que você faz uma busca na internet para encontrar os restau-
rantes japoneses próximos. O mecanismo de clusterização os agrupa 
em “bolhas” com um número, caso contrário, seu navegador travaria ao 
tentar exibir todos os milhões de restaurantes japoneses existentes.
Os objetos com base em características desconhecidas são divididos e a má-
quina sempre escolhe o melhor caminho.
Usado atualmente para:
• Realizar segmentação de mercado;
• Mesclar pontos próximos em um mapa;
• Compreensão de imagens;
• Analisar e rotular novos dados;
• Detectar comportamentos anormais.
CURIOSIDADE
Você sabia? O Google fotos e a Apple fotos utilizam clusters complexos 
que estão buscando a todo o momento rostos em fotos para criar álbuns 
para você. A aplicação não sabe quantos amigos você tem e como se 
parecem, mas fica tentando encontrar características faciais comuns.
MACHINE LEARNING 28
Machine learning - Unidade1 - Formato A5.indd 28 30/10/2019 16:05:34
Redução de dimensão (generalização)
Esse método, no início, era mais utilizado por cientistas de dados na intenção de 
encontrar algo importante em grande quantidade de números. Quando os famosos 
gráfi cos de Excel já não eram mais capazes de ajudar, eles forçaram a máquina a fa-
zer descobertas de padrões. Assim, surgiram os métodos de redução de dimensão.
Atualmente, um importante uso desse método são os sistemas de recomen-
dação e fi ltros. Se for utilizado para abstrair as classifi cações dos usuários, é 
provável que você terá ótimos resultados na recomendação de fi lmes, músicas, 
jogos e muito mais.
Aprendizado por reforço
Aprendizado por reforço pode ser considerado algo do tipo: “ah, agora sim 
vamos falar de Inteligência Artifi cial!”. Isso se dá pelo fato de o aprendizado 
por reforço ser usado em casos de problemas que não estão relacionados aos 
dados, mas sim em um ambiente interativo, por exemplo, jogos de videogame.
É um ramo da ciência muito estudado em psicologia, neurociência, ciência da 
computação e estatística, e que vem atraindo muito interesse de pesquisas em 
Inteligência Artifi cial e Aprendizado de Máquina. Também é visto como uma téc-
nica de programação de agentes utilizada por meio de punições e recompensas, 
sem a obrigatoriedade de determinar como uma atividade deve ser executada. 
Este aprendizado visa solucionar problemas visualizados por um agente que pre-
cisa compreender como se portar diante de um ambiente mais dinâmico por 
meio de algumas interações, como por exemplo, “tentativa e erro”.
Dentro de um cenário em que se utiliza o aprendizado por reforço, você irá 
observar que um agente se insere em um ambiente denominado “T” e esta-
belece uma interação com ele por meio de ações e percepções, conforme se 
visualiza no Diagrama 6. A cada etapa, o agente irá receber uma indicação da 
situação atual do ambiente. Sendo assim, o agente seleciona uma ação a ser 
tomada, criando a sua saída. Esta ação muda a situação do ambiente e uma 
parte desta alteração de estado é comunicada ao agente por meio do chamado 
“sinal de reforço”, representado pelo símbolo r. 
Outro conceito que devemos abordar está relacionado à política do agente, 
que se trata da função estruturadora das condições do ambiente nas atitudes 
MACHINE LEARNING 29
Machine learning - Unidade1 - Formato A5.indd 29 30/10/2019 16:05:34
que o agente irá tomar. Espera-se que a política que determina qual comporta-
mento o agente deve ter selecione atividades que elevem o valor final, que é a 
soma de todos os reforços adquiridos em um determinado período. Esta polí-
tica pode ser compreendida por meio de um procedimento “tentativa e erro”, 
norteado por algoritmos distintos.
DIAGRAMA 6. MODELO PADRONIZADO DE APRENDIZADO POR REFORÇO
AGENTE
AMBIENTE
REFORÇO
ESTADO
AÇÃO
Fonte: DIAS JÚNIOR, 2012. (Adaptado).
De maneira formal, é possível entender que este modelo é formado por um 
agrupamento discreto de estados que o ambiente assumirá; um agrupamento 
de ações, também discretas, inerentes ao agente em relação ao ambiente e um 
conjunto de números em nível escalar de reforço, normalmente entre 0 e 1 ou 
até mesmo com uma série de números reais. 
Você pode se questionar: qual o papel do agente neste contexto? Bem, cabe 
ao agente desenvolver uma determinada política capaz de, dentre outras atri-
buições, mapear estados em atividades e elevar a medida de reforço a longo 
prazo. Normalmente este sistema é classificado como não determinístico, ou 
seja, existe a possibilidade de uma ação executada dentro de um mesmo esta-
do ser direcionada à estados distintos, adquirindo valores diferentes para os 
retornos obtidos. 
MACHINE LEARNING 30
Machine learning - Unidade1 - Formato A5.indd 30 30/10/2019 16:05:34
Uma característica bastante pecu-
liar do aprendizadopor reforço em re-
lação ao aprendizado supervisionado 
é o fato dele não adotar os pares “en-
trada/saída” no treinamento. Para que 
isto ocorra, você deve imaginar a se-
guinte sequência: o agente realiza uma 
ação e de imediato recebe um determi-
nado retorno ou recompensa, porém não consegue saber qual ação deveria ser 
a mais adequada para alcançar a meta, que é elevar ao máximo o retorno a longo 
prazo. É preciso adquirir certo nível de experiência, dentre outros aspectos, das 
ações ou transições, para alcançar um nível elevado de otimização.
A sequência em que as ações selecionadas pelo agente são executadas aca-
bam influenciando, de forma direta, na distribuição dos estados prováveis em 
um ambiente. Neste contexto, é possível se questionar sobre qual estratégia de 
experimentação é capaz de gerar um modelo de aprendizagem com um nível 
elevado de eficiência. Diante desta situação, um aprendiz, por exemplo, terá que 
escolher entre a investigação dos estados e atividades desconhecidos, visando 
adquirir novas informações, buscar valores de recompensa mais atrativos. 
É importante frisar que um agente precisa compreender, por meio das suas 
interações estabelecidas com o ambiente, qual a política mais adequada para 
alcançar o seu objetivo. Porém, vale lembrar que este agente não detém o co-
nhecimento total sobre as variáveis contidas no processo. E o que fazer diante 
desta situação? Bem, é preciso que este agente busque políticas alternativas 
às existentes e compare os resultados obtidos. É como se ele tivesse a pos-
sibilidade, mesmo com ações aleatórias, de estabelecer uma taxa da melhor 
alternativa para obter os resultados esperados. Isto é possível através de um 
mecanismo denominado de “taxa de exploração”.
Este mecanismo pode trazer resultados distintos, de acordo com a intensi-
dade da sua utilização. Se esta taxa for extremamente elevada, pode compro-
meter a maximização das recompensas e comprometer o objetivo previsto, pois 
é provável que um agente que explora demasiadamente o seu ambiente pode 
desprezar o conhecimento adquirido. Neste contexto, o mais interessante é 
adotar as chamadas “soluções híbridas”, pois a tendência é que o agente siga 
MACHINE LEARNING 31
Machine learning - Unidade1 - Formato A5.indd 31 30/10/2019 16:05:36
uma sequência mais adequada de aprendizado, onde a taxa de exploração vai 
se manter alta no início do processo, devido as informações restritas do agente, 
porém, posteriormente, esta taxa tenderá a se reduzir, pois o agente aproveitará 
o conhecimento abstraído e consequentemente obter retornos maiores.
Em qualquer situação em que se deseje utilizar o aprendizado por reforço, você 
deverá entender que o agente planeja adotar uma política efi caz para conseguir, ao 
fi m da realização de uma sequência, a recompensa acumulada com o melhor valor. 
Vamos compreender esta ideia com maior clareza observando a equação a seguir:
( (ɣ trt ∑∞t=0=EVπ(S)
À medida que um sistema estiver em um estado (S), o valor adquirido Vπ (s) é 
a recompensa adquirida após a realização das ações alinhadas com a política π. 
Este valor é um somatório das recompensas (rt) adquiridas a cada ação realizada. 
Caso estas ações sejam executadas posteriormente, terão um peso mais reduzido, 
porém compensado através do chamado “fator de desconto temporal” (ɣ ). 
O sistema pode assumir diferentes estados e para cada um deles o valor 
máximo destinado às recompensas acumuladas alinhadas a uma política oti-
mizada π* é estabelecida como:
=V*(s) max E (V (s))
π
*
π
Para que você consiga compreender com maior detalhamento estes temas, 
a aprendizagem por reforço é subdividida nas seguintes subatividades: apren-
dizagem por reforço passiva e ativa.
Aprendizagem por reforço passiva
A aprendizagem por reforço passiva é semelhante à avaliação de política: os 
dois têm como objetivo descrever quais são as melhores tomadas de decisão 
para cada estado do ambiente, porém o aprendizado por reforço passivo não 
conhece o modelo de transição que especifi ca a probabilidade de se alcançar 
o estado desejado. Da mesma forma, não conhece a função “recompensa” que 
defi ne a compensação para cada estado. Nesta situação, o agente não sele-
ciona as ações a serem realizadas, limitando-se a executar a política e adquirir 
aprendizado verifi cando se a política adotada é benéfi ca ou não. 
MACHINE LEARNING 32
Machine learning - Unidade1 - Formato A5.indd 32 30/10/2019 16:05:36
Normalmente, o agente consegue pôr em execução um conjunto de explo-
rações presentes no ambiente utilizando uma política fixa. Para cada explora-
ção, o agente observa uma série de recompensas mais imediatas denomina-
das R, interligadas a cada estado que será atingido. Com isso, espera-se que o 
agente tenha a capacidade de compreender os valores de utilidade utilizados 
em cada estado inserido no sistema. Basicamente, existem três técnicas usa-
das para a aprendizagem por reforço passivo: a estimativa de utilidade direta, 
a programação dinâmica adaptativa e a aprendizagem de diferença temporal. 
Observaremos com mais detalhes a seguir.
A estimativa de utilidade direta foi criada no final da década de 50 por Wi-
drow e Hoff, na área de teoria de controle adaptativo. Esse método tem como 
ideia geral calcular as aproximações sucessivas direcionadas às utilidades, par-
tindo de um modelo sequencial de explorações dentro do espaço dos estados. 
Isso implica afirmar que a utilidade de um estado pode ser considerada com 
a recompensa integral aguardada deste estado e assim por diante. Com isso, 
cada exploração (teste) apresenta uma amostra de valores para cada estado, à 
medida que eles são visitados. 
Você pode se questionar: o que de fato é uma estimativa? Bem, podemos 
definir uma estimativa como procedimento de aprendizagem supervisionada, 
onde cada exploração é considerada com um pareamento d= que liga as re-
compensas com os estados visitados. Se obtivermos um número relevante de 
explorações, é possível extrair uma amostra média que consiga convergir para 
a função utilidade, representada pela equação:
∑
∞
t=0
=Uπ(s) ɣ tR(St ) π,s0= s
Observe que nesta equação, o U* (s) representa a utilidade aguardada para 
o estado denominado de s e o R (st) simboliza a recompensa adquirida pelo 
estado (s), dentro do tempo (t) onde o “ɣ ” significa o fator de desconto. Im-
portante que você saiba que este método também apresenta limitações, pois 
não leva em consideração que diversos estados do sistema são dependen-
tes. Com isso, a utilidade, de acordo com a equação de Bellman direcionada 
para uma política fixa, equivale à recompensa do estado especifico acrescida 
à utilidade aguardada dos seus estados posteriores, conforme se observa na 
equação a seguir:
MACHINE LEARNING 33
Machine learning - Unidade1 - Formato A5.indd 33 30/10/2019 16:05:36
∑ T (s,π(s),s’) U π (s’)Uπ(s) = R(s) + ɣ 
Vale frisar que o U*(s) pode ser definido como a utilidade do estado s, de 
acordo com a política π.
A programação dinâmica adaptativa pode ser considerada como um méto-
do que tem a capacidade de interpretar os modelos de transição do ambiente 
levando em consideração as interações ocorridas, partindo da resolução de 
PDA apropriada. Inserida em ambiente onde a observação é total, esta apren-
dizagem se apresenta com aspectos de simplicidade, onde é possível usar uma 
tabela que estabelece as possibilidades de transição de um estado para outro 
através de certas ações. 
Uma PDA, ou programação dinâmica adaptativa, tem vantagens nas restri-
ções em relação à utilidade de estados, pois aprende o modelo de transição 
que os conecta e indica um processo de decisão de Markov. Isso é o mesmo 
que inserir o modelo de transição aprendido e as recompensas observadas na 
equação de Bellman para obter a utilidade dos estados. Sendo assim, utiliza 
as informações já conhecidas a partir de observações (valor de interação oupolítica), o que faz atingir a utilidade ou a política ótima.
O modelo de aprendizagem passiva se caracteriza por adotar uma política π 
fixa. De uma forma interativa, o agente compreende uma estimativa da função 
de transição de estados e, partindo deste conhecimento e da política pré-esta-
belecida, mede uma nova aproximação direcionada para a função de utilidade.
A chamada “aprendizagem de diferença temporal” se caracteriza pela ten-
tativa de uso do melhor da PDA, além da expectativa da utilidade direta. Es-
sencialmente, esta aprendizagem almeja um agrupamento das equações de 
Bellman, porém sem a necessidade de solucioná-las em todos os prováveis 
estados. Todo este processo é realizado por meio da adequação dos valores de 
utilidade dos estados visualizados, depois de cada transição, 
de maneira que estejam alinhados com as equações de li-
mitações de Bellman. Cada estado apresenta um valor 
da utilidade atualizado através de uma fração existente 
da utilidade presente e o valor que provavelmente 
seria recebido no próximo estado. Isto implica 
afirmar que o método utilizado então é desen-
volvido de forma progressiva. 
MACHINE LEARNING 34
Machine learning - Unidade1 - Formato A5.indd 34 30/10/2019 16:05:36
Observando que a limitação U*(s) = R(s) + U*(s’) precisa ser respeitada, é im-
possível visualizar que a transição s s’, Uπ(s)α passa por uma atualização di-
recionada em Uπ(s) + R(s). Ao atualizá-la com um nível de proporcionalidade à 
diferença de utilidades com os consecutivos estados, é possível estabelecer a 
seguinte equação:
Uπ(s) Uπ(s) + α(R(s) + ɣ Uπ(s’ ) - Uπ(s))
Importante deixar claro que o “α” se refere à taxa de aprendizagem. O U*(s) 
é direcionado, por meio da equação, ao valor determinado pela equação de 
Bellman para políticas fi xas. Entretanto, vale ressaltar que neste processo é 
levado em conta somente o estado consecutivo visualizado (s’ ). Em contra-
partida, a equação original indica previamente a colaboração dos prováveis 
estados consequentes.
Extremamente relevante compreender que um método, mesmo que seja 
aproximativo, não interfere na utilização da regra de atualização, que atinge 
um valor médio de U*(s). Este valor normalmente tenderá ao valor exato de 
acordo com o estado s, que é visitado constantemente. Porém, vale frisar que 
essa convergência ocorre em um nível mais lento em relação à convergência 
adquirida através de um algoritmo de PDA, onde a vantagem da DT está re-
lacionada à sua simplicidade, já que não solicita um modelo de transições e 
aproxima os vetores de uso de acordo com os estados observados.
Aprendizagem por reforço ativa
O problema da aprendizagem por reforço ativa não consiste apenas da des-
coberta de uma função de utilidade, mas também na escolha de uma política 
de ações que aumente a recompensa esperada no futuro. O comportamento 
de um agente de aprendizagem passiva tem uma política fi xa, já um agente de 
aprendizagem ativa precisa decidir quais ações executar. 
Para planejar um agente que tenha a habilidade em agir, é possível iniciar 
partindo do modelo com referência na PDA. De imediato, o agente irá instruir-
-se de um modelo de probabilidades para posteriormente selecionar a ação 
que o transfi ra ao estado de utilidade mais elevada. As utilidades podem ser 
mensuradas através da equação de Bellman, para situações comuns.
MACHINE LEARNING 35
Machine learning - Unidade1 - Formato A5.indd 35 30/10/2019 16:05:37
É possível perceber, nesta situação, que o chamado “operador de maximiza-
ção” estabelece uma não linearidade. O que isto significa? Bem, neste caso a não 
linearidade torna mais difícil a resolução do sistema. Normalmente, a aquisição 
dos valores de utilidade ocorre por meio da utilização de um algoritmo padroni-
zado direcionado ao PDM, como o de interação de política, por exemplo.
Importante que você compreenda que um agente que realiza de maneira 
imediata a política que coloca o estado em um nível de maior utilidade é deno-
minado agente guloso, já que a sua atuação ocorre alinhada com o modelo de 
ambiente aprendido a cada fase. Entretanto, vale ressaltar que pode surgir um 
problema, pois o modelo de ambiente referente a cada fase pode representar o 
ambiente real. Com isso você irá notar que um agente guloso dificilmente con-
segue atuar alinhado com a política ideal, com a possibilidade de ficar atrelado 
ao uso de políticas de baixa qualidade. 
Então você pode se questionar: como solucionar estas questões? Bem, é visível 
a necessidade de buscar uma política de nível elevado de exploração que consiga 
simbolizar em que intensidade o agente deve se atrever em novos estados. De 
fato, este problema apresenta uma solução complexa, entretanto é possível al-
terar a equação Bellman para estabelecer a chamada “utilidade otimista”, que é 
definida como uma inserção de um terno que avalia, de forma positiva, a expecta-
tiva de estados de utilidade elevada. Uma alteração básica na equação de Bellman 
assegura uma convergência acelerada para políticas consideradas ótimas.
No que se refere à aprendizagem Q, é possível defini-la como um método 
que realiza uma adequação da DT na possibilidade de não haver uma política de 
onde a ação seja fixada. É por meio desta aprendizagem que o agente consegue 
compreender uma simbologia denominada de ação – valor ou “valor Q”, no lugar 
de entender as utilidades de forma direta. Diante disso é possível estabelecer 
uma ligação entre e o valor de Q e o valor de U, conforme a equação a seguir:
U(s) = max aQ(a,s)
Podemos compreender que o Q (a,s) simboliza o valor de execução da ação 
a dento do estado s. O principal benefício de arquivar informações de uso na 
forma de valores Q é o fato de o aprendizado ser independente à existência de 
um modelo. A partir daí, é realizada uma ligação entre o valor de Q com o valor 
estabelecido para estados vizinhos, resultando na equação:
MACHINE LEARNING 36
Machine learning - Unidade1 - Formato A5.indd 36 30/10/2019 16:05:37
Q(a,s) Q(a,s) + α(R(s) + ɣ max a’ Q(a’, s’) - Q(a,s))
Para calcular esta equação, é necessário que a ação “a” seja realizada no 
estado s e posteriormente transferida ao estado s. É preciso levar em consi-
deração que este método objetiva um período mais extenso para realizar a 
conversão, já que não apresenta um modelo de possibilidades de transição, 
sobretudo em ambiente com elevado nível de complexidade.
CURIOSIDADE
O programa de jogo de dama escrito por Arthur Samuel em 1959 foi a pri-
meira aplicação significativa de aprendizagem por reforço. Utilizou-se pela 
primeira vez uma função linear ponderada a fim de avaliar as posições.
Analisando os ambientes dinâmicos, é possível definir algumas soluções. 
Uma solução viável e de certa forma custosa ao sistema é assegurar uma série 
de modelos de ambientes, atrelados às suas políticas respectivas. Uma alter-
nativa seria os modelos parciais, porém não são recomendados, já que estas 
abordagens precisam de um número determinado de modelos.
Outra possibilidade é o desenvolvimento incremental de novos modelos. 
Nesta abordagem, é preciso entender que as alterações ocorridas no ambien-
te são limitadas a uma quantidade reduzida de contextos, que são conheci-
dos como ambientes estacionários e com dinâmicas diferentes. Importante 
frisar que o contexto atualizado não é visualizado de maneira direta, porém 
pode ser estabelecido de maneira alinhada com os modelos de transição e 
recompensas visualizadas. As alterações no contexto do ambiente se carac-
terizam pela independência da ação do agente e pela falta de frequência em 
que ocorrem.
Dentro de um cenário de tráfego, é impor-
tante notar que as suposições estabelecidas 
anteriormente indicam que os padrões de flu-
xo não podem ser classificados como não esta-
cionários, porém eles podem ser partilhados em 
dinâmicas estacionárias sem conhecimento anterior. 
Aos modelos são inseridas políticasótimas que ser-
vem para determinar uma predição de falhas de transi-
MACHINE LEARNING 37
Machine learning - Unidade1 - Formato A5.indd 37 30/10/2019 16:05:37
ções e recompensas. O objetivo é medir a qualidade de um determinado modelo 
parcial. O desenvolvimento de modelos novos é guiado por uma análise cons-
tante de predição de erro criada e inserida aos modelos parciais, de maneira 
individualizada. Estes modelos apresentam transições e recompensas avaliadas.
Outro ponto a ser observado é o fato dos métodos clássicos baseados em 
AR que podem ser utilizados para calcular de forma local, uma política ótima 
em cada modelo parcial. Na medida do possível, o sistema irá reutilizar mo-
delos já existentes e não desenvolver outros modelos novos, já que estes são 
desenvolvidos somente na circunstância de não haver modelos com um valor 
de falha inferior a um limiar estabelecido. 
MACHINE LEARNING 38
Machine learning - Unidade1 - Formato A5.indd 38 30/10/2019 16:05:37
Sintetizando
A área de Inteligência Artificial vem apresentando as suas habilidades, onde 
uma máquina consegue executar ações que são comumente realizadas pelas 
ações humanas, por meio do raciocínio e do conhecimento. A atitude inteli-
gente se relaciona com a sua criação, o uso e aplicação do conhecimento. Esta 
sequência é essencial para o desenvolvimento de um sistema inteligente. 
Neste contexto, é importante evidenciar sobre o Aprendizado de Máqui-
na, ou Machine Learning, bastante usual da atualidade. Inicialmente as lei-
turas ligadas a estes temas geralmente eram recheadas de teoremas e uma 
indicação de empregos e salários atrativos. Para o AM ser realizado, é neces-
sário um nível mais elevado de amostras, o que facilita o uso de padrões e a 
previsão de resultados. Este modelo de aprendizado está relacionado basica-
mente a três componentes: dados, variáveis e algoritmos.
Inserido dentro deste cenário, o aprendizado por reforço pode ser utiliza-
do em casos de problemas ligados ao ambiente em que se vive. Tem grande 
influência em diversas áreas do conhecimento como, por exemplo, a psicolo-
gia. É compreendido com um método de programação de agentes adotada 
através de punições e recompensas. Este aprendizado busca resolver situa-
ções observadas por um agente que necessita entender como se comportar 
em um ambiente mais dinâmico através das interações.
 MACHINE LEARNING 39
Machine learning - Unidade1 - Formato A5.indd 39 30/10/2019 16:05:37
Referências bibliográficas
CASTRO, G. R. Discussão conceitual sobre dado, informação e conhecimen-
to: perspectiva dos alunos concluintes do curso de Biblioteconomia da UFPB. 
2011. 51 f. Trabalho de Conclusão de Curso (Biblioteconomia) - Universidade 
Federal da Paraíba – UFPB, João Pessoa, 2011. Disponível em: <http://www.
ccsa.ufpb.br/biblio/contents/tcc/tcc-2011/discussao-conceitual-sobre-dado-in-
formacao-e-conhecimento.pdf>. Acesso em: 31 jul. 2019.
DIAS JUNIOR, E. P. F. Aprendizado por reforço sobre o problema de revisita-
ção de páginas web. Dissertação (Mestrado em Informática). PUC-RIO, Rio de 
Janeiro, 2012. Disponível em: <http://www2.dbd.puc-rio.br/pergamum/tesesa-
bertas/0912826_2012_cap_3.pdf>. Acesso em: 31 jul. 2019.
DEEPLEARNING. WekaDeeplearning4j: deep learning using Weka. Disponível 
em: <https://deeplearning.cms.waikato.ac.nz/>. Acesso em: 31 jul. 2019.
GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining. 2. ed. Amsterdã: El-
sevier, 2015. E-book.
MACHADO, V. P. Inteligência artificial. Teresina: Editora EDUFPI, 2011.
MITCHELL, T. M. Machine learning. New York: McGraw-Hill, 1997.
O QUE É MACHINE learning (inteligência artificial)? Postado por Marcelo 
Tas. (5 min. 22 s.). Disponível em: <https://www.youtube.com/watch?v=Z1YHbl-
0lh88>. Acesso em: 31 jul. 2019.
PADILHA, V. A.; CARVALHO, A. C. P. L. F. Mineração de dados em Python. 
ICMC/USP. 2017. 
QUILICI-GONZALEZ, J. A.; ZAMPIROLLI, F. A. Sistemas inteligentes e minera-
ção de dados. Assis: Triunfal Gráfica e Editora, 2014.
REZENDE, S. O. Sistemas inteligentes: Fundamentos e Aplicações. Barueri: 
Manole. 2005.
RUSSELL, S. J.; NORVIG, P. Artificial intelligence: a modern approach. 3. ed. 
Upper Saddle River: Prentice Hall, 2009.
SIQUEIRA, M. C. Gestão estratégica da informação. Rio de Janeiro: Brasport, 2005
VASCONCELLOS, M. J. E. Pensamento sistêmico: O novo paradigma da Ciência. 
Campinas: Papirus 2002.
 MACHINE LEARNING 40
Machine learning - Unidade1 - Formato A5.indd 40 30/10/2019 16:05:37