Slides de Aula - Unidade I

Prévia do material em texto

Prof. Me. Bruno César
UNIDADE I
Estudos Disciplinares
Inteligência Artificial
e Educação
 Primeiros estudos sobre Inteligência Artificial (IA) são de 1940, na II Guerra Mundial. 
Necessidade de tecnologia para: análise de balística, quebra de códigos e cálculos para 
projetos de armas nucleares. 
 “Inteligência Artificial”: termo denominado por Minsky, McCarthy, Newell e Simon na 
Conferência de 1956, na Universidade de New Hampshire.
 Inteligência Artificial: expressão utilizada para designar um tipo de inteligência construída 
pelo homem para dotar máquinas de comportamentos inteligentes.
Introdução à Inteligência Artificial: História
 Entre 1943 e 1950: Pesquisas voltadas ao desenvolvimento de modelos de neurônios 
artificiais para o desenvolvimento de máquinas que fossem capazes de aprender.
 Entre 1951 e 1969: 1os programas capazes de jogar xadrez, de provar teoremas de lógica e 
emulação da forma de raciocínio do ser humano, de planejar tarefas etc.
 Entre 1970 e 1980: desenvolvimento de aplicações práticas em áreas como manufatura, 
robótica, processamento de imagens etc.
 Inteligência Artificial (IA) é o estudo da inteligência humana e 
das ações replicadas artificialmente, de modo que o resultado 
tem em seu desenho um nível razoável de racionalidade. Essa 
definição pode ser mais refinada ao estipular que o nível da 
racionalidade pode até substituir os humanos, por questões 
específicas e tarefas bem definidas.
Introdução à Inteligência Artificial: História
 Pensando como um humano: máquinas com mentes (sentido total e literal); automatização 
de atividades que associamos ao pensamento humano, atividades como a tomada de 
decisões, a resolução de problemas, o aprendizado.
 Agindo como seres humanos: máquinas que executam funções que exigem inteligência 
quando executadas por pessoas; estudo de como os computadores podem fazer tarefas que 
hoje são melhor desempenhadas pelas pessoas.
 Pensando racionalmente: estudo das diversas faculdades 
mentais pelo uso de modelos computacionais; estudo das 
computações que tornam possível perceber, raciocinar e agir.
 Agindo racionalmente: Inteligência Computacional é o estudo 
do projeto de agentes inteligentes; AI relacionada a um 
desempenho inteligente de artefatos.
Abrangência nas definições de IA
Síntese: Categorias da IA
Fonte: Adaptado de: https://abre.ai/gY0F 
Pensamento/Raciocínio
Desempenho
Ideal
Desempenho
Similar a
Humanos
Comportamento
Sistemas que
pensam como
humanos
Sistemas que
agem como
humanos
Sistemas
que pensam
racionalmente
Sistemas
que agem
racionalmente
 Uma área de estudo no campo da Ciência da Computação, preocupada com o 
desenvolvimento de computadores capazes de se envolver em processos de pensamento, 
como aprendizagem, raciocínio e autocorreção.
 O conceito de que as máquinas podem ser aprimoradas para assumir algumas capacidades, 
sendo normalmente pensadas para funcionar como a inteligência humana, como 
aprendizagem, adaptação, autocorreção etc.
 A extensão da inteligência humana por meio do uso de 
computadores (com o uso de ferramentas mecânicas).
Em um sentido restrito, o estudo de técnicas para usar 
computadores de forma mais eficaz a partir de técnicas de 
programação aprimoradas.
IA pode ser vista como sendo:
Agente denota um hardware ou, mais comumente, um sistema de computador baseado em 
software, e possui as seguintes propriedades: 
 Proatividade: os agentes não agem simplesmente em resposta ao seu ambiente; eles são 
capazes de exibir um comportamento direcionado a um objetivo, tomando a iniciativa.
 Reatividade: os agentes percebem seu ambiente (pode ser o mundo físico, um usuário por 
meio de uma interface gráfica, uma coleção de outros agentes, a internet) e respondem em 
tempo hábil às mudanças que ocorrem nele.
 Habilidade social: os agentes interagem com outros agentes 
(e possivelmente humanos) por meio de algum tipo de 
linguagem de sua comunicação.
 Autonomia: os agentes operam sem a intervenção direta de 
humanos e têm algum tipo de controle sobre suas ações e seu 
estado interno.
O que é um agente?
 Roseli Gimenes, ao intitular seu livro Inteligência artificial não é um bicho-de-sete-cabeças, 
relata que os efeitos da IA nos discursos são hiperbólicos e dicotômicos: “a IA dominará os 
seres humanos” (apocalípticos); “a IA facilitará o cotidiano das pessoas (idealistas)”...
 Devido ao desconhecimento, é necessário ter contato com a IA: as conquistas, as limitações 
tecnológicas e de uso, várias áreas (engenharia, matemática, biologia etc.) envolvidas no 
desenvolvimento da IA – é fundamental para a despolarização, aumento do acesso ao uso 
da IA, entre outros.
Inteligência artificial não é um bicho de sete cabeças...
Qual é o principal argumento apresentado no livro Inteligência artificial não é um bicho-de-sete-
cabeças, escrito por Roseli Gimenes, em relação aos discursos sobre a IA?
a) Os discursos sobre a IA são sempre baseados em fatos concretos e não
envolvem especulações.
b) A IA é uma tecnologia apocalíptica que inevitavelmente dominará os seres humanos. 
c) A IA é uma tecnologia idealista que facilitará o cotidiano das pessoas sem limitações. 
d) Os discursos sobre a IA são frequentemente caracterizados por exageros e dicotomias. 
e) O desenvolvimento da IA não envolve múltiplas áreas, sendo exclusivamente relacionado
à engenharia.
Interatividade
d) Os discursos sobre a IA são frequentemente
caracterizados por exageros e dicotomias. 
 O trecho destaca que os discursos sobre a IA são
hiperbólicos e dicotômicos, com alguns prevendo que
a IA dominará os seres humanos (apocalípticos) e
outros afirmando que a IA facilitará o cotidiano das
pessoas (idealistas).
Resposta
Fonte: https://abre.ai/gY33
 A IA pode ser vista como sendo a parte da Ciência da Computação preocupada em projetar 
sistemas de computador inteligentes para atividades de planejamento ou ações necessárias 
para resolver problemas. O algoritmo pode ser a ferramenta. Por exemplo: a pessoa quer ir 
de Foz do Iguaçu para Curitiba.
IA – resolução de problemas
Mapa rodoviário do Paraná
Fonte: Adaptado de: Medeiros (2018, p. 54).
Londrina
Campo Mourão Ponta Grossa
Maringá
Guarapuava
Curitiba
Cascavel Irati
União da VitóriaPato Branco
Foz do Iguaçu
Na busca pela informação (ir do ponto A para o ponto B), o algoritmo é preparado para:
 Formulação de objetivo: é fundamental para o desempenho do agente e reduz a 
quantidade de dificuldade do código necessário para verificar os loops cíclicos (dias da 
semana, por exemplo); 
 Formulação de problema: processo de decisões para a resolução do problema. Os 
algoritmos de busca local operam usando um único estado atual (em vez de
vários caminhos).
 Extra, extra: Learning Loops é uma estratégia de design
instrucional e aprendizagem, o qual pode ser dividido em 
quatro fases diferentes: aprender, aplicar o que foi aprendido, 
analisar essa aplicação e, finalmente, revisar onde chegamos 
para planejar o próximo ciclo.
IA – resolução de problemas
Algoritmo é uma sequência finita de ações executáveis que visam obter uma solução para um 
determinado tipo de problema. Neste sentido, o algoritmo de busca recebe um problema na 
entrada e apresenta uma solução na saída, descrita sob a forma de uma sequência de ações 
definidas. O algoritmo para a resolução simples segue 3 passos: 
1. Formulação do objetivo e do problema.
2. Busca de uma sequência de ações que resolvem o problema.
3. Execução das ações uma por uma.
Algoritmo de busca 
1. Completo: um algoritmo de pesquisa é denominado completo porque garante o retorno da 
solução, mesmo nos casos em que haja pelo menos qualquer solução existente para 
qualquer entrada aleatória.
2. Ótimo: ajuda a entregar soluções ótimas, pois fornece a melhor solução entre todas as 
alternativas disponíveis.
3. Complexidade de tempo: é a medida do tempo que leva para completar uma tarefa por 
um algoritmo de busca, bem como o número máximo de nóscriados.
4. Complexidade do espaço: indica o espaço máximo de 
armazenamento necessário durante a pesquisa, dependendo 
da complexidade do problema.
Algoritmo de busca: propriedades
 Google: algoritmo mais conhecido, com segredo bem guardado. Trabalha com palavras-
chave para busca e acúmulo de dados de plataformas adquiridas (e também sugeridas).
 Facebook (Meta): 1ª a usar algoritmo para categorizar os posts. Desenvolve relação de 
engajamento, relevância, tempo, hashtags, frequência de uso, conexões de bases de dados 
e curtidas, anúncios etc. 
 Spotify: aprimora sugestões e listas de música, aprende as preferências e identifica se a 
música é “triste” ou “feliz”.
 Youtube: algoritmo considera o tempo médio de visualização.
 X (Antigo Twitter): não usa exclusivamente o algoritmo por 
causa do seu caráter cronológico mantido pela rede. Contudo, 
as mudanças estão cada vez mais radicais.
Onde estão presentes os algoritmos? 
 Tik-Tok: algoritmo exibe vídeos com base nas preferências da pessoa, com dificuldade de 
calibragem inicial (ou já trabalha com base de dados de outras plataformas?).
 Waze: baseado na navegação por GPS com detalhes da localização via satélite e diferentes 
formas de colaboração e interação com seus usuários, de forma gameficada.
 Alexa: interpreta comandos de voz para facilitar o uso de outros apps e serviços.
 Siri: assistente digital da Apple, presente em diferentes plataformas de conteúdo.
 Netflix, Prime, Star, Apple TV+: provedoras globais de filmes, 
séries e conteúdos audiovisuais e jogos.
Onde estão presentes os algoritmos? 
 Amazon: empresa no e-commerce, computação em nuvem, streaming e inteligência artificial, 
que faz um cruzamento de estilos, influências e produtos/serviços à venda (rs!).
 Mercado Livre: plataforma para internauta anunciar, comprar, pagar, vender produtos e 
serviços, em diferentes modos de negociação (B2B, B2C, B2B2C e C2C).
 Booking e AirBnb: plataformas que ofertam unidades hoteleiras ou espaços de habitação 
para locação, em diferentes partes do mundo. Ofertam também demais serviços como 
experiência local (turismo), deslocamento amigável (transporte) etc.
 Uber/99: requisição e distribuição da viagem, definindo preço 
e tempo de chegada. Há o acompanhamento e navegação da 
jornada, bem como a classificação e comentários, os quais 
são frutos da otimização de rotas e a variação de preços 
dinâmicos (demanda).
Onde estão presentes os algoritmos? 
 “Aumento da automação” e “Redução de custos operacionais”.
 “Mais comodidade” e “Suporte de avaliação de indicadores e tomadas de decisão”.
 “Otimização e automatização dos processos”, bem como a “Potencialização das campanhas 
de marketing”.
 “Melhora do atendimento ao cliente”.
Usos dos algoritmos
Você percebeu que já usa a Inteligência Artificial no seu dia a dia. Uma das aplicações da 
Inteligência Artificial é fornecer ao computador a capacidade de aprender e melhorar 
automaticamente com a experiência sem ser explicitamente programado. Como se dá esse 
processo de aprendizagem?
 O processo de aprendizagem do algoritmo começa com observação de dados de modo a 
procurar padrões e tomar decisões com base nos exemplos fornecidos. O objetivo é permitir 
que os computadores aprendam automaticamente sem intervenção humana.
Para pensar 
Qual das seguintes afirmações melhor descreve o uso da Inteligência Artificial na educação?
a) A Inteligência Artificial não tem impacto significativo na educação.
b) A Inteligência Artificial envolve o desenvolvimento de robôs para substituir professores.
c) A Inteligência Artificial inclui o uso de algoritmos e tecnologias para melhorar a 
aprendizagem e o ensino.
d) A Inteligência Artificial é restrita a tarefas administrativas em escolas.
e) A Inteligência Artificial na pedagogia concentra-se apenas na avaliação de alunos.
Interatividade
c) A Inteligência Artificial inclui o uso de algoritmos e 
tecnologias para melhorar a aprendizagem e o ensino.
 A IA envolve o uso de algoritmos e tecnologias para 
melhorar a aprendizagem e o ensino, oferecendo 
personalização de conteúdo, análise de desempenho 
dos alunos e suporte ao ensino, entre outras 
aplicações. Ela não se limita a tarefas administrativas e 
vai muito além da avaliação de alunos, transformando a 
forma como a educação é entregue e recebida.
Resposta 
Fonte: Adaptado de: https://abre.ai/gY8z 
PENSEM BEM ANTES
DE ESCOLHER A MODALIDADE
DE ATLETISMO QUE VOCÊS
VÃO PRATICAR ESTE ANO.
CORRIDAS DE VELOCIDADE
EXIGEM EXPLOSÃO MUSCULAR
POR UM PERÍODO CURTO. JÁ
MARATONAS DURAM MUITO TEMPO
E EXIGEM RESISTÊNCIA FÍSICA.
MARATONA!
MARATONA!
EU
TAMBÉM!
VOCÊS
SABEM QUE
MARATONA
DE SÉRIES
NO NETFLIX
NÃO CONTA,
NÉ?
AAAAHHHHHHH...
 Redes Neurais podem ser caracterizadas como modelos computacionais com capacidades 
de adaptar, aprender, generalizar, agrupar ou organizar dados, nos quais a estrutura 
operacional é baseada em processamento paralelo. Elas possuem arquiteturas baseadas em 
blocos construtivos semelhantes entre si e que realizam o processamento de forma paralela. 
 Uma rede neural é formada por um conjunto de unidades básicas de processamento que se 
comunicam enviando informações uma para a outra por meio de determinadas conexões. O 
componente elementar desse modelo são as unidades de processamento, também 
chamadas nós, neurônios ou células. Essa unidade de processamento é um modelo 
matemático que possui inspiração no modelo biológico de um neurônio.
Redes neurais artificiais
 Modelo de neurônio biológico: sistema nervoso central que possui milhões de células 
nervosas (neurônios), que se interligam entre si, formando uma rede disposta em camadas. 
 Nessas redes são processadas todas as informações referentes a uma determinada 
funcionalidade, como visão, audição, aprendizado etc.
Redes Neurais – Modelo biológico
 Microfotografia de neurônios humanos
 Ilustração de um neurônio biológico
Fonte: Adaptado de: Lopes; Santos; Pinheiro (2014, p. 48).
Dendritos
Axônio Axônio
Núcleo
(Corpo Celular)
Núcleo
(Corpo Celular)
Direção do Impulso
 Modelo matemático em que cada 
informação de entrada é multiplicada por 
um número ou peso, sendo devidamente 
totalizadas (somadas) em um nó ou ponto 
de soma. 
 Caso a informação resultante exceda certo 
limiar definido por uma função chamada 
ativação, é gerada uma resposta na saída 
do modelo.
Modelo de neurônio artificial
 Modelo matemático básico de um neurônio
Fonte: Adaptado de: Lopes; Santos; Pinheiro (2014, p. 48).
f(a)
0
y
X1
X2
Xp
W1
W2
Wp
∑
X1, X2, ..., Xp são as informações de entrada.
W1, W2, ..., Wp são os pesos aplicados nas entradas.
∑ é um nó ou ponto de soma, tendo como saída uma informação
“a” (função líquida).
f(a) é a função de ativação que, no caso do neurônio de
McCullock-Pitts, é uma função de limiar.
Y é a saída do modelo.
 RNA é um modelo matemático simplificado de um neurônio biológico, que consiste na 
conexão de várias unidades básicas denominadas elementos de processamento. Esses 
elementos são organizados em camadas, em que cada elemento tem conexões ponderadas 
com outros elementos. Essas conexões podem tomar diferentes configurações, dependendo 
da aplicação desejada.
Modelos de Redes Neurais Artificiais – RNA
 Uma RNA é, geralmente, constituída de uma camada de entrada, que recebe os estímulos 
do modelo, e de uma camada de saída, que produz a resposta correspondente. Algumas 
redes podem ter uma ou mais camadas internas. A capacidade computacional de uma rede 
neural está nas conexões entre os elementos processadores. Nos pesos que ponderam cada 
conexão são armazenadas as informações que a rede “aprendeu”.
Modelos de Redes Neurais Artificiais – RNA
Fonte: Adaptado de: Lopes; Santos; Pinheiro (2014, p. 52).
Camada de saída
Camadas internas (escondidas)
Conexões
Camada de entrada
Como elas são melhores na identificação de padrões ou tendências em dados, são adequadas 
para previsões ou necessidades deprevisão, incluindo: 
 Previsão de vendas.
 Controle de processo industrial.
 Pesquisa de cliente. 
 Data de validade.
 Gerenciamento de riscos etc.
Aplicação das redes neurais – Parte 1 
As redes neurais também são usadas em: 
 reconhecimento de falantes em comunicações; 
 diagnóstico de hepatite; 
 detecção de minas submarinas; 
 análise de textura; 
 reconhecimento de objeto tridimensional, palavras escritas à mão, facial; 
 reconhecimento de placas do Detran, reconhecimento de padrão etc.
Aplicação das redes neurais – Parte 2
Em suma... 
Fonte: Gabriel (2024, p. 60).
De acordo com Martha Gabriel, quais são algumas das principais diferenças entre a 
Inteligência Artificial (IA) e a inteligência humana?
a) A IA é sempre mais rápida do que a inteligência humana, enquanto os humanos são
mais criativos.
b) A IA não pode aprender com experiências passadas, mas os humanos podem aprender
e adaptar-se.
c) A IA é incapaz de processar grandes volumes de dados, enquanto os humanos são 
especialistas em processamento de informações.
d) A IA é restrita a tarefas específicas, enquanto a inteligência 
humana é altamente versátil.
e) A IA é capaz de sentir emoções e empatia, enquanto os 
humanos são puramente lógicos.
Interatividade
De acordo com Martha Gabriel, quais são algumas das principais diferenças entre a 
inteligência artificial (IA) e a inteligência humana?
d) A IA é restrita a tarefas específicas, enquanto a inteligência humana é altamente versátil.
 De acordo com Martha Gabriel, uma das principais diferenças entre a inteligência artificial e a 
inteligência humana é que a IA é muitas vezes restrita a tarefas específicas e não é tão 
versátil quanto a inteligência humana, que pode lidar com uma ampla gama de tarefas e 
situações. As demais opções não representam as diferenças essenciais entre essas formas 
de inteligência.
Resposta
 Ontologia: é a especificação explícita de uma conceitualização.
 Conceitualização representa uma visão abstrata e simplificada do mundo. Ela é estruturada 
de acordo com os padrões apresentados e percebidos de uma determinada realidade ou 
fenômeno que se observa. Tal fenômeno é observado por um conjunto de agentes 
(comumente humanos) que mapeia os padrões de apresentação em partes.
 Estas partes constituem a reificação de objetos, que são finalmente modelados para 
representar uma conceitualização. 
Conhecimento: marcação de ontologias
 Aplicações relacionadas à gestão do conhecimento: processamento da linguagem natural, 
recuperação de informação, modelagem de banco de dados e integração, bioinformática, 
educação e outros.
 Por exemplo: construir a representação de uma cadeira para um sistema inteligente fazer um 
tipo de raciocínio sobre ela. Cadeiras existem em vários formatos e substâncias.
Conhecimento: marcação de ontologias
Fonte: Medeiros 
(2018, p. 200).
1º passo: categorizar a cadeira, descrevendo-a em linguagem natural. Pode-se usar os critérios 
do filósofo Aristóteles: 
 Substância: do que é feita (madeira, aço, plástico etc.).
 Objetivo: a que se destina (descanso, trabalho, ornamento etc.).
 Composição: partes que compõem a cadeira (assento, encosto, pés, rodinhas etc.).
 Propriedades (número de pés, altura, largura, reclinável ou 
não, preço etc.).
Conhecimento: exemplo
1º passo: categorizar a cadeira, descrevendo-a em linguagem natural. Pode-se usar os critérios 
do filósofo Aristóteles:
 Tempo de uso (nova, usada).
 Estado (normal, precisa de conserto, inutilizada).
 Hierarquia (isolada, parte de um conjunto com mesa etc.).
 Diferença (banco, mesa de centro, pufe etc.).
Conhecimento: exemplo
Representação da cadeira como uma ontologia 
Fonte: Adaptado de: Medeiros (2018, p. 212).
% Cadeiras: c1, c2, c3, c4; Banco: c5; Sofá: s1; Mesa: m1
pe(c1,4). encosto(c1). assento(c1).
pe(c2,4). encosto(c2). assento(c2).
rodinha(c3,3). encosto(c3). assento(c3).
pe(c4,3). assento(c4). encosto(c4).
pe(c5,4). assento(c5).
sofa(s1).
mesa(m1).
cadeiraTradicional(X) :- pe(X,Y),encosto(X),assento(X),Y>=3.
cadeiraGiratoria(X) :- rodinha(X,Y),encosto(X),assento(X),Y>=3.
banco(X) :- pe(X,Y),assento(X),Y>=3,not(encosto(X)).
cadeira(X) :- cadeiraTradicional(X), write(‘Cadeira Tradicional - ‘),write(X),!.
cadeira(X) :- cadeiraGiratoria(X), write(‘Cadeira Giratória - ‘),write(X).
conjuntoCadeira(cc1,c1).
conjuntoCadeira(cc1,c2).
salaDeJantar(X,Z) :- mesa(X), conjuntoCadeira(Y,Z), cadeira(Z).
 Web de Documentos – A web já possui diversos tipos de dados, mas os dados não estão 
interligados. A heterogeneidade dos dados dificulta a sua integração. Existem hiperlinks entre 
as páginas, mas não existem links entre os dados! 
 XML – Extensible Markup Language – Provê a base para a criação de outras linguagens 
(RDF, RDFS e OWL).
Linguagens de marcação para ontologias
 RDF – Resource Description Framework – é padrão para publicação de dados na 
Web. Modelo de dados baseado em grafos (associações) e descritos por triplas, ex.: Jorge 
Amado (sujeito) escreveu (predicado) Mar morto (objeto) (grafos: Gabriela, cravo e canela/ 
Seara do mar).
Linguagens de marcação para ontologias
Fonte: autoria própria.
 Dois grafos RDF para o objeto “cadeira giratória”.
Representação da cadeira como uma ontologia 
Fonte: Adaptado de: Medeiros (2018, p. 214).
<Class rdf:about=“#Cadeira_Giratoria”>
<rdfs:comment=“Cadeira giratória tem rodinhas”
<rdfs:subClassOf rdf:resource=“#Cadeira”/>
</Class>
“Cadeira”
“Cadeira giratória
possui rodinhas”
Cadeira_Giratória
Subclasse de
 Recursos em uma tripla RDF podem ser acessados por endereço na web. Exemplo: as 
classes “cadeira” e “cadeira giratória” estão publicadas em http://www.example.org/ontology.
Representação da cadeira como uma ontologia 
Fonte: Adaptado de: Medeiros (2018, p. 216).
<Class rdf:about=“http://www.example.org/ontology#Cadeira_Giratoria”>
<rdfs:comment=“Cadeira giratória possui rodinhas”/>
<rdfs:subClassOf rdf:resource=“http://www.example.org/ontology#Cadeira”/>
</Class>
ChatGPT (Generative Pre-Trained Transformer):
 é um modelo de linguagem;
 utiliza um algoritmo baseado em redes neurais que permitem estabelecer uma conversa com 
o usuário a partir do processamento de um imenso volume de dados;
 se apoia em milhares de exemplos de linguagem humana. Isso 
permite que a tecnologia entenda em profundidade o contexto 
das solicitações dos usuários e possa responder às demandas 
de maneira mais precisa;
 é integrado a outras ferramentas, como: Word, Bing, Chatbot, 
WhatsApp Business.
Linguagens de marcação para ontologias
 Processamento de Linguagem Natural.
 Assistência virtual (capacidade para responder perguntas e realizar tarefas).
 Análise de dados (identificação de padrões).
 Robótica (ajuda na construção de robôs inteligentes, capazes de realizar tarefas complexas). 
 Medicina (ajuda no diagnóstico e no tratamento de doenças).
 Jogos (melhora a Inteligência Artificial em jogos, tornando-os 
mais desafiadores e realistas).
Aplicação da inteligência artificial do ChatGPT
 A Inteligência Artificial refere-se a um campo de conhecimento que está associado à 
aprendizagem, uma vez que esta é uma capacidade puramente humana; contudo, este 
campo está associado à linguagem e à inteligência, ao raciocínio e à resolução
de problemas.
 A IA aprende com e sem supervisão: no aprendizado supervisionado há a intromissão de um 
ser humano, que fornece um conjunto de entradas e suas saídas respectivas, esperando que 
a máquina “aprenda” com base nestes padrões. 
 No aprendizado não supervisionado, o próprio algoritmo deve 
avaliar os dados e identificar padrões desconhecidos, 
agrupando os dados de acordo com esses padrões.
Para finalizar
Qual é a principal diferença entre o aprendizado supervisionado e o aprendizado não 
supervisionado na Inteligência Artificial?
a) No aprendizado supervisionado, a IA aprende por si só, enquanto no aprendizado não 
supervisionado umser humano fornece os padrões de aprendizado.
b) No aprendizado supervisionado, a IA identifica padrões desconhecidos, enquanto no 
aprendizado não supervisionado um ser humano fornece os padrões de aprendizado.
c) No aprendizado supervisionado, a IA avalia os dados por conta própria, enquanto no 
aprendizado não supervisionado um ser humano fornece os padrões de aprendizado.
d) No aprendizado supervisionado, a IA recebe dados não 
rotulados, enquanto no aprendizado não supervisionado um 
ser humano fornece os padrões de aprendizado.
e) No aprendizado supervisionado, a IA aprende com base em 
dados rotulados, enquanto no aprendizado não 
supervisionado a IA deve avaliar os dados e identificar 
padrões desconhecidos.
Interatividade
Qual é a principal diferença entre o aprendizado supervisionado e o aprendizado não 
supervisionado na Inteligência Artificial?
e) No aprendizado supervisionado, a IA aprende com base em dados rotulados, enquanto
no aprendizado não supervisionado a IA deve avaliar os dados e identificar
padrões desconhecidos.
 A principal diferença entre o aprendizado supervisionado e o 
aprendizado não supervisionado é que no aprendizado 
supervisionado a IA aprende com base em dados rotulados 
fornecidos por um ser humano, enquanto no aprendizado não 
supervisionado a IA deve avaliar os dados e identificar 
padrões desconhecidos por conta própria.
Resposta
 GABRIEL, Martha. Inteligência artificial: do zero ao metaverso. Barueri: Atlas, 2024.
 GIMENES, Roseli. Inteligência artificial não é um bicho-de-sete-cabeças. Rio de Janeiro: Ciência 
Moderna, 2023.
 LOPES, Isaías Lima; SANTOS, Flávia Aparecida Oliveira; PINHEIRO, Carlos Alberto Murari. 
Inteligência artificial. Rio de Janeiro: Elsevier, 2014.
 MEDEIROS, Luciano Frontino. Inteligência artificial aplicada. Curitiba: Intersaberes, 2018.
 RUSSELL, Stuart Jonathan. Inteligência artificial. Trad. Regina Célia Simille. Rio de Janeiro: LTC, 
2021.
 SANTOS, Marcelo Henrique. Introdução à Inteligência Artificial. Londrina: Editora e Distribuidora 
Educacional S.A., 2021.
Referências 
ATÉ A PRÓXIMA!
	Número do slide 1
	Introdução à Inteligência Artificial: História
	Introdução à Inteligência Artificial: História
	Abrangência nas definições de IA
	Síntese: Categorias da IA
	IA pode ser vista como sendo:
	O que é um agente?
	Inteligência artificial não é um bicho de sete cabeças...
	Interatividade
	Resposta
	IA – resolução de problemas
	IA – resolução de problemas
	Algoritmo de busca 
	Algoritmo de busca: propriedades
	Onde estão presentes os algoritmos? 
	Onde estão presentes os algoritmos? 
	Onde estão presentes os algoritmos? 
	Usos dos algoritmos
	Para pensar 
	Interatividade
	Resposta 
	Redes neurais artificiais
	Redes Neurais – Modelo biológico
	Número do slide 24
	Modelo de neurônio artificial
	Modelos de Redes Neurais Artificiais – RNA
	Modelos de Redes Neurais Artificiais – RNA
	Aplicação das redes neurais – Parte 1 
	Aplicação das redes neurais – Parte 2
	Em suma... 
	Interatividade
	Resposta
	Conhecimento: marcação de ontologias
	Conhecimento: marcação de ontologias
	Conhecimento: exemplo
	Conhecimento: exemplo
	Representação da cadeira como uma ontologia 
	Linguagens de marcação para ontologias
	Linguagens de marcação para ontologias
	Representação da cadeira como uma ontologia 
	Representação da cadeira como uma ontologia 
	Linguagens de marcação para ontologias
	Aplicação da inteligência artificial do ChatGPT
	Para finalizar
	Interatividade
	Resposta
	Referências 
	Número do slide 48