ANÁLISE DE DADOS PARA IOT

Prévia do material em texto

CARLOS MORENO
JEFFERSON SALOMÃO RODRIGUES
NADER GHODDOSI
ANÁLISE 
DE DADOS 
PARA IOT
Coordenador(a) de Conteúdo 
Greisse Moser Badalotti
Projeto Gráfico e Capa
Arthur Cantareli Silva
Editoração
Isabella Santos Magalhães; Laura 
Janke; Lavígnia da Silva Santos; Lilian 
Andreia Hasse; Silvielly dos Santos
Design Educacional
Maíra Vanessa da Rocha
Curadoria
Elziane Vieira Alencar
Revisão Textual
Elias Jose Lascoski
Ilustração
Eduardo Aparecido Alves; 
Geison Ferreira da Silva; 
Wellington Vainer
Fotos
Shutterstock e Envato
Impresso por: 
Bibliotecária: Leila Regina do Nascimento - CRB- 9/1722.
Ficha catalográfica elaborada de acordo com os dados fornecidos pelo(a) autor(a).
Núcleo de Educação a Distância. MORENO, Carlos; RODRIGUES, 
Jefferson Salomão; GHODDOSI, Nader.
Análise de Dados para IoT / Carlos Moreno; Jefferson Salomão 
Rodrigues; Nader Ghoddosi - Florianópolis, SC: Arqué, 2023.
236 p.
ISBN papel 978-65-6083-202-2
ISBN digital 978-65-6083-198-8
1. Análise 2. Dados 3. IOT 4. EaD. I. Título. 
CDD - 004.69
EXPEDIENTE
FICHA CATALOGRÁFICA
N964
19371
https://apigame.unicesumar.edu.br/qrcode/20897
RECURSOS DE IMERSÃO
Utilizado para temas, assuntos ou con-
ceitos avançados, levando ao aprofun-
damento do que está sendo trabalhado 
naquele momento do texto. 
APROFUNDANDO
Uma dose extra de 
conhecimento é sempre 
bem-vinda. Aqui você 
terá indicações de filmes 
que se conectam com o 
tema do conteúdo.
INDICAÇÃO DE FILME
Uma dose extra de 
conhecimento é sempre 
bem-vinda. Aqui você 
terá indicações de livros 
que agregarão muito na 
sua vida profissional.
INDICAÇÃO DE LIVRO
Utilizado para desmistificar pontos 
que possam gerar confusão sobre o 
tema. Após o texto trazer a explicação, 
essa interlocução pode trazer pontos 
adicionais que contribuam para que 
o estudante não fique com dúvidas 
sobre o tema. 
ZOOM NO CONHECIMENTO
Este item corresponde a uma proposta 
de reflexão que pode ser apresentada por 
meio de uma frase, um trecho breve ou 
uma pergunta. 
PENSANDO JUNTOS
Utilizado para aprofundar o 
conhecimento em conteúdos 
relevantes utilizando uma lingua-
gem audiovisual.
EM FOCO
Utilizado para agregar um con-
teúdo externo.
EU INDICO
Professores especialistas e con-
vidados, ampliando as discus-
sões sobre os temas por meio de 
fantásticos podcasts.
PLAY NO CONHECIMENTO
PRODUTOS AUDIOVISUAIS
Os elementos abaixo possuem recursos 
audiovisuais. Recursos de mídia dispo-
níveis no conteúdo digital do ambiente 
virtual de aprendizagem.
4
149U N I D A D E 3
PREDIÇÃO DE DADOS DE IoT COM MACHINE LEARNING 150
PREDIÇÃO DE DADOS DE IoT COM REDES NEURAIS ARTIFICIAIS 176
ANÁLISE DE DADOS EM IoT 204
7U N I D A D E 1
O MUNDO DA INTERNET DAS COISAS 8
BASES DE DADOS DA INTERNET DAS COISAS 34
SÉRIES TEMPORAIS 58
87U N I D A D E 2
PRÉ-PROCESSAMENTO DE SÉRIES TEMPORAIS 88
TÉCNICAS DE CALIBRAÇÃO DE SENSORES 106
REDES NEURAIS ARTIFICIAIS NA CALIBRAÇÃO DE SENSORES 128
5
SUMÁRIO
UNIDADE 1
MINHAS METAS
O MUNDO DA INTERNET
DAS COISAS
Compreender o processo de evolutivo da Internet das Coisas.
Analisar a arquitetura da Internet das Coisas.
Diferenciar os elementos que compõem a Internet das Coisas.
Compreender os elementos dos dispositivos da Internet das Coisas.
Entender a relação das redes no panorama de aplicação na IoT.
Analisar a relação da computação em nuvem com a aplicação na IoT.
Entender a importância da OpenIoT como uma plataforma capaz de suportar o desenvol-
vimento de aplicações baseadas na IoT.
T E M A D E A P R E N D I Z A G E M 1
8
INICIE SUA JORNADA
A utilização da tecnologia no dia a dia da sociedade assegura uma melhor qualida-
de de vida em decorrência da otimização das atividades rotineiras e economizando 
recursos. A IoT (Internet of Things ou Internet das Coisas) já é considerada um 
grande marco na história do desenvolvimento tecnológico. Desse modo, os avanços 
alcançados com o desenvolvimento da IoT devido ao seu potencial transformador 
permitem uma percepção concreta dos efeitos tecnológicos na rotina do cidadão.
Então, imagine a quantidade de dados gerados pelos celulares, que hoje podem 
ser considerados uma extensão do corpo humano, ou pelos smartwatches, que 
são capazes de monitorar os batimentos cardíacos, calorias ingeridas ou tanto que 
caminhamos. Com toda certeza, a IoT está revolucionado a nossa relação com 
a tecnologia, e causando uma nova forma de interagirmos com o nosso mundo.
Por isso, uma das grandes preocupações atuais é sobre a capacidade de in-
fraestrutura que as redes de dados necessitam para conseguir atender à demanda 
dos objetos conectados à Internet. Estima-se que, no Brasil, se tenha mais disposi-
tivos móveis do que habitantes, em uma proporção de 107 dispositivos para cada 
100 pessoas (NEVES, 2021). Junto ao número de dispositivos conectados a um 
servidor local, o consumo diário de dados se torna mais alto do que é esperado 
para um determinado período.
Neste podcast, você irá perceber que o mercado de trabalho em IoT cresce a cada 
dia, já que organizações públicas e privadas buscam aplicar essa tecnologia em seus 
projetos para garantir a inovação e, principalmente, sucesso nos negócios. Recursos 
de mídia disponíveis no conteúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
UNIASSELVI
9
TEMA DE APRENDIZAGEM 1
DESENVOLVA SEU POTENCIAL 
PROCESSO EVOLUTIVO DA IoT
A Internet das Coisas modifica o modo dos modelos de negócios e, ainda, a ma-
neira de interação da sociedade com o seu meio, já que os objetos físicos podem 
perceber estímulos do meio em que estão e, com isso, produzem informações e 
interagem com outros objetos e indivíduos. Conforme Neves (2021, p. 13): 
 “ O termo IoT foi criado em 1999 por Kevin Ashton, um britâni-
co pioneiro em tecnologia. Numa apresentação, Ashton explicou 
a forma como os computadores do futuro iriam estar conectados 
e autossuficientes. O próprio Ashton trabalhava em um projeto de 
otimização de cadeia de abastecimento, e queria atrair a atenção 
da administração da sua empresa, a Procter & Gamble, para uma 
nova tecnologia chamada Radio-Frequency Identification (RFID). 
Por isso, Ashton foi considerado na literatura como o então criador 
desse termo, ao descrever que os objetos do mundo físico poderiam 
se conectar à internet, criando um mundo mais inteligente.
 Agora vamos analisar o processo evolutivo da IOT, sendo:
VAMOS RECORDAR?
Para prosseguirmos com nossos estudos, revisaremos alguns pontos cruciais por 
meio do vídeo a seguir. Neste vídeo, serão abordadas as siglas mais citadas. Então, 
você irá perceber como a Internet das Coisas está auxiliando a mudar o mundo em 
que vivemos, criando oportunidades. Recursos de mídia disponíveis no conteúdo 
digital do ambiente virtual de aprendizagem.
1
1
1990
John Romkey foi o responsável pelo desenvolvimento do primeiro dispositivo em IoT. 
Ele desenvolveu uma torradeira que poderia ser ligada e desligada pela Internet.
1991
Weiser escreveu o artigo The Computer for the 21st Century, que afirma que os dispositi-
vos estarão conectados em todos os lugares de modo transparente para o ser humano, 
sem haver preocupação em instalar, configurar e manter os recursos computacionais.
JUNHO DE 2000
A LG apresenta uma geladeira inteligente conectada à internet e, ainda, gerenciada 
através de um sistema próprio. Essa geladeira poderia ser utilizada também como 
televisão, rádio, vídeo, agenda e câmera digital.
2005
A discussão em relação à IoT ganha importância dos governantes em decorrênciapara o sucesso e a 
relevância em um ambiente empresarial em constante transformação. As vanta-
gens oferecidas pelas tecnologias emergentes, como o Big Data e a Internet das 
Coisas (IoT), são numerosas e estão transformando profundamente a maneira 
como tomamos decisões em nossa vida profissional e além dela.
UNIASSELVI
5
1
1. O processo evolutivo da tecnologia de informação gerou novos modelos de processamen-
to, de armazenamento, de transmissão, de integração, para que o processo de trafegabili-
dade dos dados seja ágil, mas, também, seguro. Agora, com toda certeza, o próximo passo 
evolutivo da tecnologia da informação é a Internet das Coisas (IoT – Internet of Things). A 
IOT será capaz de modificar o modo como os dispositivos vão se comunicar através da 
internet, resultando em ações que irão beneficiar a sociedade.
Considerando a IoT e a bases de dados, assinale a alternativa correta:
a) Os dados são considerados fatos brutos que apresentam as características de um de-
terminado evento, ou seja, são registros que podem estar vinculados a algum evento. 
Isso significa que o dado é uma informação ainda não processada.
b) A informação é compreendida como um elemento básico que compõe um determi-
nado arquivo. O registro dará uma informação completa, já que ele é formado por uma 
sequência de informações juntas.
c) O banco de dados da internet das coisas armazena os dados em memória, ou seja, os da-
dos são conservados em um formato expansivo e com relação com a memória principal.
d) O objetivo principal do banco de dados das coisas é minimizar ou eliminar a necessidade 
de indexação de conhecimento.
e) O banco de dados assegura as taxas de indexação, ingestão e armazenamento de in-
formações baixas.
2. O modelo de banco de dados tem por objetivo mostrar a estrutura lógica de um determi-
nado banco de dados, ou seja, indicar as relações e restrições de como os dados podem 
ser armazenados, alterados e acessados. A escolha do modelo de dados é essencial para 
ajustar as prioridades da organização com o banco de dados.
Diante das informações apresentadas sobre os modelos de bases de dados, avalie as afir-
mações a seguir:
I - Modelo de rede: uma coleção de objetos ou elementos de software reutilizáveis, com 
recursos e métodos associados.
II - Modelo relacional: possibilita que os usuários escrevam consultas que não foram ante-
cipadas por quem projetou a base de dados.
III - Modelo hierárquico: cada registo tem um, e um só, pai (raiz), tal como os arquivos no 
computador, ou seja, um registo não pode ter mais que um pai.
AUTOATIVIDADE
5
1
É correto o que se afirma em:
a) I, apenas.
b) III, apenas.
c) I e II, apenas.
d) II e III, apenas.
e) I, II e III.
3. No paradigma da IoT, uma enorme quantidade de redes de sensores são incorporados em 
vários dispositivos e máquinas no mundo real. Tais sensores implantados em diferentes 
campos podem coletar vários tipos de dados, como dados de ambiente, dados geográfi-
cos, dados astronômicos etc. Equipamentos móveis, instalações de transporte, instalações 
públicas e eletrodomésticos podem ser equipamentos de aquisição de dados.
Considerando os modelos de bases de dados para IoT, assinale a alternativa correta:
a) O banco de dados relacional deve ser utilizado por organizações que exigem operações 
de alta agilidade.
b) A IoT inclui centenas de sensores que enviam inúmeros tipos de dados em tempo real. 
Sendo assim, o banco de dados precisa saber lidar com milhões de mensagens enca-
minhadas por vários sensores presentes no mesmo espaço geográfico.
c) A internet das coisas faz com que as organizações precisem processar dados em tem-
po real, por isso o modelo mais adequado para essa situação é um banco de dados na 
memória.
d) O modelo de banco de dados tem por objetivo mostrar a estrutura racional e numérica 
de um determinado banco de dados primitivos.
e) A escolha do modelo de dados não é importante para ajustar as prioridades da organi-
zação com o banco de dados.
AUTOATIVIDADE
5
1
REFERÊNCIAS
BARBOSA, C. H. Eficiência nutricional de diferentes biofertilizantes produzidos a partir de re-
síduos da Agricultura Familiar no desenvolvimento da pimenta de cheiro. Dissertação (Mes-
trado em Ciências Ambientais) - Universidade Federal do Amazonas, Humaitá-AM, 2019.
COELHO, J. Introdução à base de dados. Universidade Aberta, 2011. Disponível em: https://
repositorioaberto.uab.pt/bitstream/10400.2/3462/1/Introdu%C3%A7%C3%A3o%20%C3%A0%20
Base%20de%20Dados.pdf. Acesso em: 31 out. 2023.
COUTINHO, M. M. et al. Estudo de caso: principais pilares da segurança da informação nas orga-
nizações. Revista Gestão em Foco, n. 9, 2017.
FERREIRA, A.; BERNARDINI, J.; PEDROSA, I. A relação entre (Social) IoT & Big Data. RISTI, n. 35, 
set. 2020.
FERREIRA, G. F. N. Plataforma de análise e visualização de dados para sistemas IoT industriais 
baseada em métodos de Big Data. Bragança: Escola Superior de Tecnologia e de Gestão de 
Bragança, 2020.
HORLLE, W. Big data e internet das coisas: como se relacionam? 2021. Disponível em: https://
blog.csptecnologia.com/big-data-e-internet-das-coisas/. Acesso em: 31 out. 2023. 
MAZIERO, C. Sistemas operacionais: conceitos e mecanismos. Curitiba: UFPR, 2019.
SANTOS, L. Plataforma IoT – Como prototipar nossas ideias (Parte 1). 2019. Disponível em: ht-
tps://embarcados.com.br/plataforma-iot-como-prototipar-nossas-ideias-parte-1/. Acesso em: 
14 set. 2021)
5
4
https://repositorioaberto.uab.pt/bitstream/10400.2/3462/1/Introdu%C3%A7%C3%A3o%20%C3%A0%20Base%20de%20Dados.pdf
https://repositorioaberto.uab.pt/bitstream/10400.2/3462/1/Introdu%C3%A7%C3%A3o%20%C3%A0%20Base%20de%20Dados.pdf
https://repositorioaberto.uab.pt/bitstream/10400.2/3462/1/Introdu%C3%A7%C3%A3o%20%C3%A0%20Base%20de%20Dados.pdf
https://repositorioaberto.uab.pt/bitstream/10400.2/3462/1/Introdu%C3%A7%C3%A3o%20%C3%A0%20Base%20de%20Dados.pdf
https://blog.csptecnologia.com/big-data-e-internet-das-coisas/
https://blog.csptecnologia.com/big-data-e-internet-das-coisas/
https://embarcados.com.br/plataforma-iot-como-prototipar-nossas-ideias-parte-1/
https://embarcados.com.br/plataforma-iot-como-prototipar-nossas-ideias-parte-1/
1. Opção A. O banco de dados da internet das coisas armazena os dados em memória, ou 
seja, os dados são conservados em um formato compacto, mas sem relação com a me-
mória principal. O objetivo principal do banco de dados das coisas é minimizar ou eliminar 
a necessidade de indexação de dados, assegurar as taxas de indexação, ingestão e arma-
zenamento de dados altas.
2. Opção D. Modelo de rede: cada registo pode ter mais que uma raiz (pai). Esse modelo é ba-
seado na teoria de conjuntos matemáticos, sendo que cada conjunto representa um registro 
proprietário (pai), e um ou mais registros de membro (filho). Então, um determinado registro 
pode ser um membro em inúmeros conjuntos, assegurando que esse modelo transmita 
relações mais complexas.
3. Opção C. O banco de dados em memória deve ser utilizado por organizações que exigem 
operações de alta agilidade. A escolha do modelo de dados é essencial para ajustar as prio-
ridades da organização com o banco de dados. A IoT inclui centenas de sensores que enviam 
inúmeros tipos de dados em tempo real. Assim, o banco de dados precisa saber lidar com 
milhões de mensagens encaminhadas por vários sensores presentes em diferentes locais 
geográficos. O modelo de banco de dados tem por objetivo mostrar a estrutura lógica de 
um determinado banco de dados.
GABARITO
5
5
MINHAS ANOTAÇÕES
5
1
MINHAS ANOTAÇÕES
5
1
MINHAS METAS
SÉRIES TEMPORAIS
Compreender a importância das séries temporais.
Entender o que é uma série temporal.
Diferenciar os componentes das séries temporais.
Compreender as etapas de coleta de dados temporais.
Identificar os diferentes modelos para previsões de séries temporais.
Entender a importância da qualidade dos dados.
Compreender o que são os outliers.
T E M A D E A P R E N D I Z A G E M 3
5
8
INICIE SUA JORNADA
Na nossa sociedade,não temos dúvida alguma de que os dados são coletados 
a uma velocidade surpreendente. Com toda certeza, atualmente, o volume de 
dados coletados é superior a qualquer momento da História, e acompanhar esse 
fluxo de dados é um dos desafios da tecnologia da informação.
Uma pergunta importante é: por que temos tantos dados sendo coletados?
Um dos motivos é a instrumentação tanto de aplicativos quanto de sistemas, ou 
seja, tudo o que está ao nosso redor está emitindo dados. Nesse processo de fluxo de 
dados, temos os dispositivos IoT, que podem tanto produzir um único ponto de da-
dos para cada leitura como podem gerar uma dúzia de fluxos de dados. Isso significa 
que se pode monitorar muito mais e gerar inúmeros fluxos de dados por dispositivo.
O que fazer com todos esses dados?
Todo esse fluxo de dados gerados precisa ser armazenado, manipulado, consul-
tado e analisado a cada hora, todos os dias, para que se tire os melhores resultados 
deles. Então, todos os dados são valiosos para que as decisões corretas sejam tomadas.
Neste podcast, você irá perceber a importância da série temporal no processo de 
construção da história da nossa sociedade. Isso porque a nossa sociedade usa as 
séries temporais diariamente, já que todos os dispositivos que utilizamos coletam 
dados a cada segundo e, muitas vezes, sem percebermos, dados sobre nós ou 
sobre o ambiente em que estamos. Esses sistemas são denominados Internet das 
Coisas (Iot), e utilizam esses dados para construir a nossa história. Recursos de 
mídia disponíveis no conteúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Não perca a chance de relembrar e aprofundar seu conhecimento sobre a importância 
das séries temporais. Para você ter uma ideia, em 1662, no livro Natural and Political 
Observations Made Upon the Bills of Mortality, John Graunt publicou o que é considerado 
o primeiro estudo de séries temporais! Ele analisou dados sobre mortalidade. Neste 
vídeo, você verá que o IoT usa séries temporais para análise dos dados. Recursos de 
mídia disponíveis no conteúdo digital do ambiente virtual de aprendizagem.
UNIASSELVI
5
9
TEMA DE APRENDIZAGEM 3
DESENVOLVA SEU POTENCIAL
OS DADOS E AS SÉRIES TEMPORAIS
Conforme Barros (2004, p. 35):
 “ Uma série temporal é um conjunto de observações ordenadas no 
tempo que apresentam dependência entre instantes de tempo. De 
uma maneira um pouco mais formal, uma série temporal é uma 
realização de um processo estocástico, ou seja, é uma coleção de 
variáveis aleatórias indexadas por um conjunto de índices, que re-
presenta a evolução temporal de um sistema.
O que é importante que você saiba é que o pressuposto básico que direciona a 
análise de séries temporais é que existe um sistema causal relativamente cons-
tante, relacionado com o tempo, que exerceu uma determinada influência sobre 
os dados no passado, mas que pode continuar a influência ao longo do tempo. 
Portanto, esse sistema causal cria padrões não aleatórios que podem ser identi-
ficados em um gráfico da série temporal, ou, ainda, por meio de outro processo 
estatístico (LIMA, 2021).
O Quadro 1 apresenta um exemplo de série temporal que considera uma 
determinada sequência de variáveis que denotam o valor obtido pela série no 
primeiro ponto do tempo (T1) e assim por diante.
TEMPO VALOR
T1 120,00
T2 130,00
T3 140,00
T4 150,00
1
1
TEMPO VALOR
T5 160,00
T6 170,00
T8 180,00
T9 190,00
T10 200,00
Quadro 1 - Exemplo de série temporal / Fonte: o autor.
Mas, afinal, qual o verdadeiro objetivo das séries temporais?
O objetivo do processo de análise de séries temporais é identificar padrões 
que não são aleatórios na série temporal, sendo que a observação desse compor-
tamento passado permite realizar previsões sobre o futuro, o que pode direcionar 
uma tomada de decisão. Desse modo, a utilização de dados de séries temporais 
está em constante crescimento, de modo que esses são usados em inúmeras áreas, 
tais como economia, meteorologia, registro de temperatura diária, mercado de 
ações, leitura de eletrocardiograma, dentre outros .
Agora, vamos analisar os componentes das séries temporais, sendo eles:
 ■ Tendência: indica o seu comportamento em longo prazo, ou seja, se 
ela aumenta, diminui ou permanece estável, e, ainda, avalia a veloci-
dade dessas alterações.
 ■ Ciclos: caracterizados pelas oscilações de aumento e de queda nas séries, 
de modo suave e repetido, ao longo de uma determinada tendência.
 ■ Sazonalidade: corresponde às oscilações de subida e de queda que 
podem ocorrer em um determinado período ao longo do tempo, 
sendo, portanto, movimentos facilmente previsíveis e em intervalos 
regulares de tempo.
 ■ Erro: movimentos ascendentes e descendentes da série após a ocorrência 
de um efeito de tendência, um efeito cíclico ou um efeito sazonal.
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 3
O processo de análise de séries temporais é importante devido à obtenção se-
guintes resultados:
 ■ Identificar padrões e tendências: possibilitar a compreensão dos pro-
cessos subjacentes aos dados e a tomada de decisões assertivas.
 ■ Prever eventos futuros: efetuar previsões considerando o comporta-
mento passado dos dados. É importante que você saiba que, com os mo-
delos, tanto estatísticos quanto matemáticos, é possível fazer uma proje-
ção de eventos futuros, bem como antecipar cenários.
 ■ Tomar decisões estratégicas: fazer uma tomada de decisão mais eficaz 
e eficiente.
 ■ Planejar e controlar: ajuda no ato de planejar e controlar de modo ade-
quado inúmeros processos e atividades, sendo possível assegurar me-
tas objetivas, definir estratégias e monitorar o desempenho ao longo do 
tempo.
 ■ Otimizar recursos financeiros e humanos: definir períodos de alta 
e baixa demanda e outros fatores que afetem a utilização de recursos. 
Essa otimização possibilita a alocação de recursos, minimizando custos 
e maximizando a eficiência.
O que você pode perceber é que os métodos que usam a previsão consideram 
que as observações das séries temporais passadas possuem informações sobre 
um determinado padrão de comportamento da série. O objetivo dos métodos é 
identificar esse padrão e o diferenciar de qualquer ruído ou erro que possa estar 
presente contido nas observações. Isso significa que esse padrão poderá ser utili-
zado para prever valores futuros da série.
PENSANDO JUNTOS
A análise de séries temporais é uma faceta crucial na ciência de dados. Para 
aprofundar-se nesse domínio específico, é imperativo conhecer e acessar 
repositórios que disponibilizam conjuntos de dados relevantes. Esses repo-
sitórios gratuitos são instrumentos valiosos, permitindo que profissionais e 
entusiastas testem hipóteses, desenvolvam modelos e ganhem insights sobre 
tendências e padrões temporais. 
1
1
A familiarização com tais fontes de dados é, portanto, um passo essencial para 
uma atuação eficaz na análise de séries temporais. Vamos conferir os principais 
repositórios de bases de dados dentre os quais podem ser encontrados dados de 
séries temporais. 
KAGGLE
Além de ser uma plataforma de competição de ciência de dados, o Kaggle também 
hospeda muitos conjuntos de dados em diversas categorias, disponibilizados tanto 
pela plataforma quanto pelos usuários.
UCI MACHINE LEARNING REPOSITORY
Um repositório icônico e antigo que oferece conjuntos de dados principalmente para 
aprendizado de máquina.
AWS PUBLIC DATASETS 
A Amazon Web Services oferece uma variedade de conjuntos de dados públicos que 
qualquer pessoa pode acessar.
GOOGLE DATASET SEARCH
Uma ferramenta de busca da Google para encontrar conjuntos de dados armazenados 
em toda a web.
DATA GOV
O portal de dados abertos do governo dos EUA oferece uma vasta gama de conjuntos 
de dados, desde dados financeiros até informações ambientais.
DADOS GOV
Portal oficial do governo brasileiro dedicado à transparência de dados. Oferece uma 
variedade de conjuntos de dados em diversas categorias, incluindo séries temporais 
sobre variadostemas, desde economia até saúde e meio ambiente.
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 3
BRASIL IO
Uma plataforma colaborativa que busca organizar, disponibilizar e analisar dados 
públicos brasileiros. É especialmente reconhecida por seus esforços em centralizar e 
tornar acessíveis dados sobre a Covid-19 no Brasil.
MICROSOFT RESEARCH OPEN DATA
Repositório de conjuntos de dados da Microsoft Research disponíveis para o público.
A análise de séries temporais é uma técnica estatística usada para estudar 
padrões, tendências e comportamentos em conjuntos de dados ao longo 
do tempo (BELMONTE, 2023). O processo de análise de séries temporais 
consegue retirar dados e informações úteis e realizar previsões com base no 
comportamento passado dos dados.
O que você pode perceber é que os dispositivos, sensores que captam 
dados, os servidores que os armazenam e os aplicativos que os consolidam 
de modo digerível para o usuário se ligam para estabelecer a Internet das 
Coisas, mas a história que contam é construída sobre uma série de dados 
temporais (VILLEGAS, 2021). 
1
4
COLETA DE DADOS
É fundamental que você saiba que, ao efetuar a análise de séries temporais de 
modo eficiente, é preciso seguir determinados passos e usar as técnicas adequa-
das. Então, agora, vamos conhecer no Quadro 2 as principais etapas para fazer 
uma análise de séries temporais eficaz.
ETAPAS DESCRIÇÃO
COLETAR E ORGANIZAR
Coletar dados relevantes e organizá-los 
em um formato adequado, por exemplo: 
uma planilha eletrônica. Aqui o cuidado 
deve ser de não utilizar dados incomple-
tos ou inconsistentes.
EXPLORAR
Analisar de modo exploratório os dados 
para identificar determinados padrões ou 
comportamentos.
DECOMPOR
Decompor a série temporal em com-
ponentes específicos para identificar 
tendência, sazonalidade ou erro.
SELECIONAR MODELO
A seleção do modelo correto é funda-
mental e deve-se considerar o tipo de 
dados e os objetivos da análise.
ESTIMAR PARÂMETROS
Estimar parâmetros usando métodos 
adequados.
AVALIAR MODELO
Analisar a qualidade do modelo analisa-
do por meio de testes de diagnósticos e 
métricas de desempenho.
PREVER E INTERPRETAR RESULTADOS
Chegou o momento de fazer as previsões 
e interpretação dos resultados obtidos. 
Com isso, é possível tomar decisões ade-
quadas, planejar e controlar atividades.
Quadro 2 - Etapas das séries temporais / Fonte: o autor.
UNIASSELVI
1
5
TEMA DE APRENDIZAGEM 3
Desse modo, o processo de análise de séries temporais é considerado uma técnica 
estatística e matemática para compreender padrões, tendências e comportamen-
tos em conjuntos de dados ao longo do tempo. Assim, uma análise temporal pode 
resultar em inúmeros benefícios para as organizações, pesquisadores e profissio-
nais que queiram compreender o comportamento dos dados ao longo do tempo 
e usar essas informações de modo estratégico.
As séries temporais abrem um vasto leque de oportunidades para a análise de dados, 
desde a refinada calibração de sensores até previsões avançadas de demandas e 
projeções de preços, bem como de qualquer valor contínuo. Em tais cenários, a 
diversidade de técnicas e algoritmos de aprendizado de máquina que podem ser 
utilizados é vasta e intrigante, desde uma simples regressão linear até complexas 
redes neurais de camada profunda.
Nessa direção, vamos explorar algumas bases de dados renomadas na litera-
tura, cada uma acompanhada de exemplos práticos e sugestões de análises 
relevantes. Vale ressaltar que, na prática, as possibilidades vão muito além 
desses conjuntos de dados apresentados. Frequentemente, os profissionais 
combinam várias bases, fazendo uma integração, para alcançar uma análise 
robusta com resultados otimizados. 
1
1
A seguir, você poderá conferir as bases de dados, o link para acessar possíveis 
aplicações (não se limitam a essas sugestões), bem como um repositório de apli-
cação e exemplo prático. 
Beijing PM2.5 Data Set - Beijing PM2.5
Link (notebook exemplo): https://www.kaggle.com/code/aurelegermain/bei-
jing-pollution-with-lstm-time-series
Descrição: concentração de PM2.5 (poluição do ar) coletada a cada hora em Pequim.
Análise possível: monitoramento e previsão da qualidade do ar, análise do impacto 
de eventos.
Daily Minimum Temperatures in Melbourne- Daily Minimum Temperatures
Link (notebook exemplo): https://www.kaggle.com/code/robikscube/tutorial-ti-
me-series-forecasting-with-xgboost/notebook
Descrição: medidas das temperaturas mínimas diárias em Melbourne durante 
10 anos.
Análise possível: previsão de temperatura, tendências e sazonalidade.
Shampoo Sales Dataset - Shampoo Sales Dataset
Link (notebook exemplo): https://www.kaggle.com/code/njbultman/time-series-
-predicting-shampoo-sales/report
Descrição: vendas mensais de xampu durante um período de 3 anos.
Análise possível: previsão de vendas, padrões de vendas e análise sazonal.
APROFUNDANDO
MODELOS PARA PREVISÕES EM SÉRIES TEMPORAIS
O primeiro passo antes de selecionar um modelo para previsões de séries tempo-
rais é o de definir o problema. Você tem ideia de qual é o próximo passo? Então, 
agora, vamos analisar os passos descritos no Quadro 3.
UNIASSELVI
1
1
https://archive.ics.uci.edu/ml/datasets/Beijing+PM2.5+Data
https://www.kaggle.com/amar09/time-series-forecasting-with-lstm-for-daily-air
https://www.kaggle.com/paulbrabban/daily-minimum-temperatures-in-melbourne
https://www.kaggle.com/robikscube/tutorial-time-series-forecasting-with-xgboost
https://www.kaggle.com/pranavpandey2511/shampoo-sales
https://www.kaggle.com/pranavpandey2511/shampoo-sales
https://www.kaggle.com/pranavpandey2511/time-series-forecast-for-shampoo-sales
TEMA DE APRENDIZAGEM 3
ETAPAS DESCRIÇÃO
DEFINIR O PROBLEMA
Está relacionado ao modo como a previsão contribuirá para 
a resolução do problema, para isso, é preciso questionar 
que tipo de métricas deverão ser utilizadas durante as 
previsões, o que se pretende extrair dos resultados e, ainda, 
como o modelo agregará valor ao resultado. Você pode 
perceber que será preciso analisar de modo detalhado o 
problema, e também, avaliar os riscos que envolvem a to-
mada de decisão baseada na previsão dos valores efetuada.
COLETA DOS DADOS
Obtenção de dados históricos significativos e com qualida-
de, sendo preciso planejar como as coletas futuras serão 
realizadas e armazenadas. É preciso considerar que du-
rante o processo de coleta de dados para a aplicação do 
modelo de previsão haverá dados faltantes, entre outros 
problemas que podem prejudicar a coleta.
ANÁLISE DOS DADOS
Definir os possíveis modelos de previsão considerando a 
análise gráfica das séries e os dados estatísticos. Nesta 
etapa é fundamental reconhecer padrões das séries tais 
como: presença de sazonalidade, tendência, níveis da 
série, entre outros.
SELECIONAR 
O MODELO
Selecionar um ou mais modelos de previsão para determi-
nar os seus hiperparâmetros.
VALIDAR O MODELO
Avaliar os modelos selecionados com novos dados, para 
isso, segmenta-se os conjuntos de dados para o treina-
mento e para o teste do algoritmo. O teste do algoritmo 
num conjunto de dados novos permite a análise do de-
sempenho desse com diferentes métricas utilizadas para 
análise de regressões
IMPLANTAR E 
MONITORAR A 
PERFORMANCE 
DO MODELO
Implementar o modelo para previsão em tempo real do 
problema tratado, então é preciso verificar se as métricas 
para avaliar o modelo em tempo real continuam com re-
sultados adequados aos objetivos propostos na definição 
do problema.
Quadro 3 - Etapas para selecionar modelos para previsões de séries temporais
Fonte: adaptado de Silva (2021).
1
8
Agora, chegou o momento de introduzirmos os modelos de previsão de séries 
temporais mais utilizados para análise de dados.
O modelo Arima, conforme Almeida (2018, p. 37), “é um modelo de fácil 
interpretação e que requer pouco recurso computacional, o que o torna, ainda 
nos dias de hoje, bastante atrativo na modelagem e previsão de séries temporais”.
Esse modelo proporciona um desempenho muito próximoa tudo que existe 
de modernidade, principalmente quando se considera conjuntos pequenos de 
dados, em que o aprendizado de máquina ou modelos de aprendizado profundo 
não são os mais adequados.
Esse modelo apresenta dois conceitos fundamentais, sendo:
• Ruído branco: considerado um tipo de sinal em que as amostras são variáveis 
aleatórias independentes, com média zero e variância constante. Essas 
amostras, quase sempre, são indesejadas.
• Estacionariedade: indica que o processo tem a média, variância e função 
de autocorrelação constantes ao longo do tempo. O processo de análise da 
estacionariedade é importante para decidir se será utilizada a série em nível 
ou com uma de suas diferenças na estimativa do modelo. Isso significa que 
os dados oscilam sobre uma média constante, independentemente do tempo, 
com a variância das flutuações permanecendo essencialmente a mesma.
Portanto, esses modelos são flexíveis para lidar com diferentes padrões e carac-
terísticas das séries temporais.
Os modelos de média móvel, em vez de empregarem valores anteriores da 
variável a ser prevista em um modelo de regressão, fazem uso de erros de previsão 
anteriores dentro do contexto de um modelo de regressão.
Assim, esse modelo realiza o cálculo da média de um determinado núme-
ro de dados coletados de modo consecutivo em um período de tempo. Esse 
modelo suaviza as flutuações aleatórias e, ainda, identifica as tendências em 
séries temporais.
UNIASSELVI
1
9
TEMA DE APRENDIZAGEM 3
De acordo com Oliveira (2022, p. 8):
 “ Os métodos de suavização exponencial ori-
ginam-se dos estudos realizados por Robert 
Goodell Brown, publicados em 1956. Pos-
teriormente, Charles Holt e Peter Winters 
apresentaram contribuições para o desen-
volvimento de novos algoritmos baseados 
em suavização exponencial. A técnica de 
suavização exponencial utiliza uma média 
ponderada dos valores passados para prever 
valores futuros.
O que você pode perceber é que o modelo de suavização 
exponencial é eficaz e eficiente para modelar e prever séries 
temporais que apresentam tendência ou sazonalidade. Esse 
modelo se caracteriza por atribuir pesos decrescentes aos 
valores passados com base em uma taxa de suavização. Esse 
modelo é utilizado em situações em que há pouco ou nenhum 
padrão sazonal evidente nos dados (BELMONTE, 2023).
Nicolino (2022, p. 22) salienta que:
 “ O modelo de Floresta Aleatória é baseado em 
árvores de classificação, que lida bem com 
conjunto de dados de alta dimensão, e com 
presença de multicolinearidade. Esse tipo de 
modelo é usualmente utilizado não apenas 
para classificação, mas também para regressão, 
estudo de importância e seleção de variáveis e 
detecção de outliers.
Esse modelo usa a média dos resultados de inúmeras árvo-
res de decisão paralelas para realizar tarefas de regressão. É 
importante que você saiba que esse modelo considera que 
características sobre os dados estejam disponíveis para fazer 
previsões sobre um valor predefinido.
1
1
O processo de análise de decomposição sazonal é utilizado para decompor uma 
série temporal em seus componentes: tendência, sazonalidade e resíduo. Esse 
modelo possibilita a melhor compreensão da estrutura dos dados e da identifi-
cação dos padrões sazonais. Desse modo, esse modelo decompõe uma série em 
um componente sazonal, um componente combinado de tendência e ciclo e um 
componente de “erro” (IBM, 2023).
Figura 1 - Exemplificação de uma árvore de decisão
Descrição da Imagem: a imagem ilustra uma árvore esculpida em madeira, situada em um cenário de fundo azul. 
Ao redor dela, há quadrados coloridos, cada um contendo um ícone de pessoa, com apenas um quadrado no centro. 
Todos esses elementos estão conectados por uma linha branca fina.
Vamos pensar na seguinte situação: um analista ambiental utiliza sensores IoT em 
suas pesquisas para analisar mensalmente as medições da concentração de dióxi-
do de carbono em uma cidade industrializada. O objetivo da pesquisa é encontrar se 
existe alguma tendência nos dados. Para isso, o analista precisa explicar a variação 
nas leituras em decorrência dos efeitos sazonais. Nessa situação, a decomposição 
sazonal pode ser utilizada para remover quaisquer variações sazonais sistemáticas.
PENSANDO JUNTOS
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 3
 Você pode perceber que o processo de análise de séries temporais é uma fer-
ramenta importante para entender, modelar e prever o comportamento dos 
dados ao longo do tempo. Desse modo, com o uso das técnicas coerentes, é 
possível identificar tendências, padrões e sazonalidades, além de tomar deci-
sões informadas e embasadas.
LIMPEZA DE DADOS
Agora, temos que considerar a garantia da qualidade dos dados, e isso, com 
certeza, é um desafio. Por isso, é fundamental a criação de estratégias que contor-
nam esses problemas, de modo a assegurar a integralidade da informação, além 
de dados limpos que não comprometam as análises posteriores. De acordo com 
Larrubia (2021, p. 22):
 “ É comum observamos valores discrepantes em séries temporais de 
forma que parecem estar em desacordo com comportamento geral 
da série. Essas observações são os chamados outliers. A detecção 
dos outliers, em geral, pode ter o objetivo de se fazer um estudo mais 
aprofundado sobre as motivações de ocorrência de tais valores ou, 
então, evitar que tais valores discrepantes influenciem demasiada-
mente nos cálculos estatísticos, como, por exemplo estimativas dos 
parâmetros de um determinado modelo.
Desse modo, o processo de limpeza de dados consiste na identificação e exclusão 
de erros e inconsistências dos dados. Com isso, aumenta a qualidade deles. O mo-
delo de suavização baseia-se na eliminação de ruídos por meio da modificação 
deles. Agora, uma pergunta importante: você sabe o que é um ruído de dados?
Para responder a essa pergunta, imagine a seguinte situação: seis equipes 
estão lançando dardos em um alvo. Cada equipe possui quatro membros, e cada 
um dispara apenas um dardo (Figura 2).
1
1
Você pode observar que a Equipe 1 teve os lançamentos mais centrais no alvo, ou 
seja, um padrão quase perfeito. A Equipe 2 apresentou um padrão porque seus 
lançamentos erraram o centro de modo sistemático, então, provavelmente, se 
lançarem novamente, irão errar o alvo. Agora, quanto às Equipes 3 e 6, podemos 
dizer que são ruidosas, porque seus lançamentos estão amplamente dispersos. 
Caso um membro da equipe tentasse novamente, teríamos poucas chances de 
acertar a localização do lançamento.
EQUIPE 1 EQUIPE 2 EQUIPE 3
EQUIPE 4 EQUIPE 5 EQUIPE 6
Figura 2 - Exemplificação do conceito ruído / Fonte: o autor.
Descrição da Imagem: seis alvos de tiro e, abaixo deles, descritos, na ordem: equipe 1, equipe 2, equipe 3, equipe 
4, equipe 5 e equipe 6 , sendo que, em cada alvo, existem quatro dardos representados pela letra X.
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 3
Agora, vem a próxima pergunta: você sabe o que são os outliers?
Os outliers são considerados valores atípicos e distantes das demais observa-
ções de um determinado conjunto de dados. Lembre-se da Equipe 3 e da Equipe 
6 da Figura 2. Esses dados podem alterar ou distorcer os resultados, levando a 
decisões equivocadas, e, por isso, é fundamental realizar uma análise exploratória 
dos dados (WILHER, 2020).
O modo mais fácil de identificar dados outliers é analisar a tabela ou planilha 
de dados, pois, nesses casos, é possível visualizar dados discrepantes facilmente. 
No entanto, você deve estar pensando na quantidade de dados capturadas por 
sensores IoT. Nessas situações, quando os dados passam da casa dos milhares 
ou milhões, fica impossível encontrar quais são os dados que distorcem a análise. 
Entretanto, a detecção de outliers é um dos processos mais importantes para criar 
dados bons e confiáveis.
O que você pode perceber é que os outliers são considerados pontos de dados 
extremos que estão além das normas esperadas para seu tipo, como, por exemplo, 
os dardos lançados pelas Equipes 3 e 6. No exemplodas Equipes 3 e 6, todo um 
conjunto de dados está confuso e sem uma tendência. No entanto, precisamos 
considerar dois tipos de outliers, sendo:
• Outliers univariados: pontos de dados extremos para uma variável.
• Outlier multivariado: combinação de pontos de dados incomuns, incluindo, pelo 
menos, dois pontos de dados.
Você quer conhecer mais sobre o conceito de ruído? Então, 
dedique parte do seu tempo e leia o livro Ruído. Esse livro foi 
escrito por Daniel Kahneman, considerado um dos maiores es-
pecialistas do mundo em pensamento estratégico e autor dos 
best-sellers Rápido e Devagar e Nudge. Esse livro vai mudar o 
seu modo de pensar e tomar decisões.
INDICAÇÃO DE LIVRO
1
4
Por que precisamos nos procurar com os outliers?
Quando pensamos em IoT, inteligência artificial ou, ainda, aprendizado de 
máquina, o fator que mais preocupa é a qualidade dos dados. E, com toda cer-
teza, hoje, temos uma alta de taxa de outliers em decorrência do crescimento 
do mundo da ciência de dados. Então, dados discrepantes podem resultar em 
impactos significativos nas especificações do modelo, bem como causar confusão 
da estimativa dos parâmetros e, com isso, resultando em informações incorretas.
Desse modo, o processo de detectar os outliers é uma etapa essencial em 
muitas aplicações do cenário IoT e Big Data. Agora, imagine a seguinte situa-
ção: você está analisando os dados do mês de setembro de 2023 dos sensores 
pluviométricos de Passo Fundo (Rio do Grande do Sul) e se depara com dados 
considerados na média e dados que fogem do padrão estabelecido, como, por 
exemplo, 310 mm de chuva acumulados em três dias. 
Nesse exemplo, o normal esperado para o mês de setembro seria de 170 mm de 
chuva. Qual seria a sua reação? Esses dados, apesar de serem dados anômalos 
ou discrepantes, na verdade, nesse caso, carregam informações importantes, que 
indicam a passagem de um ciclone extratropical pelo estado do Rio Grande do Sul.
Desse modo, a compreensão e a identificação sobre os outliers possibilita a com-
preensão sobre o comportamento dos dados. E você também deve considerar 
que as ferramentas estatísticas não compreendem o tema por trás dos dados e, 
por isso, não podem determinar ou não a exclusão de dados de um conjunto. 
Pense no exemplo da precipitação. Se fosse excluído aquele grupo de dados plu-
viométricos, estaríamos desconsiderando a passagem do ciclone extratropical. 
Isso significa que, quando compreendemos o comportamento dos dados, o 
uso de métodos visuais é um modo simples de identificar a presença de outliers, 
para que posteriormente analisemos se é preciso ou não removê-los do conjunto. 
Nem todos os outliers são ruins, e alguns não devem ser excluídos.
UNIASSELVI
1
5
TEMA DE APRENDIZAGEM 3
BANCOS DE DADOS DE SÉRIE TEMPORAL
Os bancos de dados de série temporal foram desenvolvidos para coletar, arma-
zenar e consultar dados de série temporal. Segundo Santos (2003, p.8):
 “ Nas aplicações do mundo real, frequentemente os dados mudam 
com o passar do tempo. A constatação da evolução temporal dos 
dados e da necessidade de manter o registro desta evolução levou 
à criação de bancos de dados temporais. Bancos de dados tempo-
rais (BDT) armazenam todos os valores definidos para os dados, 
associando rótulos temporais que indicam quando essas definições 
foram efetuadas.
Desse modo, o banco de dados temporal está vinculado ao tempo, fornecendo 
a possibilidade de armazenar dados históricos de um determinado objeto. O 
Quadro 4 apresenta a classificação de bancos de dados temporais.
Veja o vídeo sobre a identificação dos outliers em planilhas de Excel. Assim, você 
já terá vários exemplos de como fazer esse processo de detecção para pontos 
únicos como outliers. 
EU INDICO
1
1
CLASSIFICAÇÃO DESCRIÇÃO
Bancos de Dados Ins-
tantâneos
Não tem qualquer mecanismo para tratar com dados 
temporais de modo implícito, ou seja, sempre que um 
valor é alterado, o estado anterior é perdido e apenas o 
último valor armazenado fica disponível para consultas. 
Isso significa que a manutenção dos dados temporais 
só pode ser realizada de modo explícito por meio da 
adição de atributos definidos sobre o domínio tempo, e 
sua manipulação é realizada por meio de programas de 
aplicação.
Bancos de Dados de 
Tempo de Transação
Usam o tempo de transação dos dados como rótu-
lo temporal, ou seja, a modificação do valor de uma 
propriedade não exclui o valor definido anteriormente. 
Todos os valores definidos ficam armazenados perma-
nentemente, sendo válidos a partir do momento de sua 
definição.
Bancos de Dados de 
Tempo de Validade
Usam o tempo de validade dos dados como rótulo tem-
poral, ou seja, o tempo em que o dado foi definido não é 
armazenado, sendo armazenado somente o tempo em 
que a mesma é válida. Desse modo, o tempo de valida-
de é definido pelo usuário.
Bancos de Dados 
Bitemporais
Usam o tempo de validade e o tempo de transação dos 
dados como rótulos temporais, possibilitando o arma-
zenamento dos dados de modo mais completo. Isso 
significa que toda a história do banco de dados fica ar-
mazenada, podendo-se acessar a todos os estados dos 
dados, tanto à história das transações efetuadas quanto 
à história da validade dos dados.
Bancos de Dados 
Multitemporais
Usam de modo simultâneo características de bancos de 
dados de tempo de transação, de tempo de validade e 
bitemporais.
Quadro 4 - Banco de dados temporais / Fonte: adaptado de Santos (2003).
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 3
Os bancos de dados de séries temporais exercem um importante papel no pro-
cessamento e análise desse tipo de dados. Esses bancos de dados de séries tem-
porais são otimizados para lidar com o armazenamento, recuperação e análise de 
dados temporais, tornando-os ideais para aplicações que requerem alta dispo-
nibilidade e desempenho. Eles são projetados especificamente para lidar com a 
natureza sequencial e contínua dos dados ao longo do tempo: 
InfluxDB - InfluxDB é um banco de dados otimizado para séries temporais de alto 
desempenho. Ele permite uma rápida leitura e escrita de dados de séries temporais.
Link para instalação: InfluxDB Install Guide
OpenTSDB - Baseado no HBase do Hadoop, o OpenTSDB foi projetado para ar-
mazenar e servir massivas quantidades de dados de séries temporais sem perder 
granularidade.
Link para instalação: OpenTSDB Install Guide
TimescaleDB - TimescaleDB é uma extensão SQL para PostgreSQL que transfor-
ma o PostgreSQL em um banco de dados de séries temporais de alto desempe-
nho. Oferece a flexibilidade de um banco relacional com o desempenho de um 
banco de séries temporais.
Link para instalação: TimescaleDB Install Guide
Prometheus - É um sistema de monitoramento e alerta de código aberto que foi 
originalmente construído pelo SoundCloud. Oferece um banco de dados de séries 
temporais multidimensional.
Link para instalação: Prometheus Install Guide
Graphite é uma ferramenta de monitoramento/visualização de séries temporais 
que armazena numericamente séries temporais e as retorna através de um gráfico 
em uma web app.
Link para instalação: Graphite Install Guide
Riak TS - Versão do Riak voltada para séries temporais, oferecendo consulta SQL 
e integração com o Apache Spark.
Link para instalação: Riak TS Install Guide
APROFUNDANDO
Assim, conforme os dados de série temporal aumentam, ocorre o aumento da 
necessidade de sistemas específicos para esses dados. Então, o crescimento dos 
dados e o crescimento dos bancos de dados de séries temporais estabeleceu uma 
categoria inteiramente nova de banco de dados de séries temporais. 
1
8
https://docs.influxdata.com/influxdb/v2.0/install/
https://docs.influxdata.com/influxdb/v2.0/install/
http://opentsdb.net/docs/build/html/installation.html
http://opentsdb.net/docs/build/html/installation.html
https://docs.timescale.com/timescaledb/latest/how-to-guides/install-timescaledb/
https://docs.timescale.com/timescaledb/latest/how-to-guides/install-timescaledb/
https://prometheus.io/docs/prometheus/latest/getting_started/https://prometheus.io/docs/prometheus/latest/getting_started/
https://graphite.readthedocs.io/en/latest/install.html
https://graphite.readthedocs.io/en/latest/install.html
https://docs.riak.com/riak/ts/latest/installing/index.html
https://docs.riak.com/riak/ts/latest/installing/index.html
NOVOS DESAFIOS
Assim como a análise de séries temporais desempenha um papel crucial na com-
preensão de dados ao longo do tempo, também pode ser vista como uma analogia 
valiosa para a vida profissional. A eficiência na análise de séries temporais se traduz 
em habilidades e práticas que podem ser aplicadas em diversos aspectos da carreira.
Uma análise de séries temporais realizada de modo eficiente é importante para 
compreender os dados, selecionar as técnicas adequadas, ajustar os parâmetros do 
modelo, bem como interpretar os resultados corretamente para as tomadas de decisão.
Agora, você não pode esquecer que os dados considerados fora do padrão tam-
bém são importantes. Imagine as seguintes situações: votos irregulares ou detecção 
de fraudes. Entretanto, em determinadas situações os dados errados podem levar a 
decisões que prejudiquem um negócio, como, por exemplo, quando uma organização 
é direcionada a fazer uma determinada escolha. Se os dados estiverem errados, isso 
pode acarretar um grande gasto de marketing ou um retorno nada satisfatório. 
Outro exemplo do uso errado dos dados de série temporal é em cidades inteligentes, 
quando os administradores poderão ter dificuldade para tomar decisões precisas 
sobre o planejamento e gerenciamento da cidade.
O que você pode perceber é que a análise de séries temporais disponibiliza in-
sights para inúmeras áreas, auxiliando a melhorar na tomada de decisões, no 
processo de otimização de recursos e na identificação de novas oportunidades. 
Então, o investimento na análise de séries temporais é essencial para conseguir 
um entendimento mais profundo dos dados ao longo do tempo.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este tema.
EM FOCO
UNIASSELVI
1
9
1. Na nossa sociedade, não temos dúvida alguma de que os dados são coletados a uma 
velocidade surpreendente. Com toda certeza, atualmente, o volume de dados coletados 
é superior a qualquer momento da história, e acompanhar esse fluxo de dados é um dos 
desafios da tecnologia da informação.
Considerando o processo de coleta de dados, assinale a alternativa correta: 
a) A coleta de dados com erro deve ser organizada em um formato adequado, por exemplo, 
uma planilha eletrônica.
b) Analisar de modo quantitativo e qualitativo os dados para identificar todos os padrões e 
comportamentos estatísticos dos dados. 
c) Todo esse fluxo de dados gerados precisa ser armazenado, manipulado, consultado e 
analisado a cada hora, todos os dias, para que se tire os melhores resultados desses 
deles.
d) Fazer a decomposição dos dados em componentes gerais para identificar somente os 
dados que apresentam erro.
e) O processo de análise de coleta de dados é considerado uma técnica estatística, mate-
mática, física e química para compreender padrões, tendências e comportamentos em 
conjuntos de dados ao longo do tempo..
2. Uma série temporal é um conjunto de observações ordenadas no tempo que apresentam 
dependência entre instantes de tempo. De uma maneira um pouco mais formal, uma série 
temporal é uma realização de um processo estocástico, ou seja, é uma coleção de variáveis 
aleatórias indexadas por um conjunto de índices, que representa a evolução temporal de 
um sistema.
Diante das informações apresentadas sobre as séries temporais, avalie as afirmações a se-
guir:
I - O objetivo do processo de análise de séries temporais é identificar padrões que não são 
aleatórios na série temporal, sendo que a observação desse comportamento passado 
permite realizar previsões sobre o futuro, o que pode direcionar uma tomada de decisão.
II - A utilização de dados de séries temporais está em constante crescimento, de modo 
que esses são usados em inúmeras áreas, tais como economia, meteorologia, registro 
de temperatura diária, mercado de ações, leitura de eletrocardiograma, dentre outros.
III - A análise de séries temporais é uma técnica estatística usada para estudar padrões, 
tendências e comportamentos em conjuntos de dados ao longo do tempo
AUTOATIVIDADE
8
1
É correto o que se afirma em:
a) I, apenas.
b) III, apenas.
c) I e II, apenas.
d) II e III, apenas.
e) I, II e III.
3. O objetivo do processo de análise de séries temporais é identificar padrões que não são 
aleatórios na série temporal, sendo que a observação desse comportamento passado 
permite realizar previsões sobre o futuro, o que pode direcionar uma tomada de decisão. 
Considerando os componentes das séries temporais, assinale a alternativa correta:
a) A tendência indica o seu comportamento a longo prazo, ou seja, se ela aumenta, diminui 
ou permanece estável, e, ainda, avalia a velocidade dessas alterações.
b) O ciclo corresponde às oscilações de subida e de queda que podem ocorrer em um 
determinado período do ao longo do tempo, sendo, portanto, movimentos facilmente 
previsíveis e em intervalos regulares de tempo.
c) A sazonalidade é caracterizada pelas oscilações de aumento e de queda nas séries, de 
modo suave e repetido, ao longo de uma determinada tendência.
d) O erro é caracterizado por somente movimentos ascendentes da série após a ocorrência 
de um efeito de tendência, um efeito cíclico, ou de um efeito sazonal.
e) O erro é caracterizado por somente movimentos descendentes da série após a ocorrên-
cia de um efeito de tendência, um efeito cíclico, ou de um efeito sazonal.
AUTOATIVIDADE
8
1
REFERÊNCIAS
ALMEIDA, D. M. de. Modelos híbridos de séries temporais aplicados ao sistema automotivo on 
board diagnostics. Dissertação (Mestrado em Ciência da Computação) - Centro de Informática, 
Universidade Federal de Pernambuco, Recife, 2018. Disponível em: https://repositorio.ufpe.br/
bitstream/123456789/32682/1/DISSERTA%C3%87%C3%83O%20Diogo%20Medeiros%20de%20
Almeida.pdf. Acesso em: 26 set. 2023.
BALBINOT, E. J. et al. Modelos de séries temporais aplicados à previsão de radiação solar. Pers-
pectiva, Erechim. v. 41, n. 155, p. 63-71, set. 2017.
BARROS, M. Processos estocásticos. 1. ed. Rio de Janeiro: Papel Virtual, 2004.
BATISTA, R. de A. Busca de padrões em séries temporais. Porto Alegre: Universidade Federal 
do Rio Grande do Sul, 2010.
BELMONTE, P. Análise de séries temporais: o que é e qual sua importância? 2023. Disponí-
vel em: https://awari.com.br/analise-de-series-temporais-o-que-e-e-qual-sua-importancia/. 
Acesso em: 26 set. 2023.
IBM. Decomposição sazonal. 2023. Disponível em: https://www.ibm.com/docs/pt-br/spss-sta-
tistics/saas?topic=forecasting-seasonal-decomposition. 2023. Acesso em: 26 set. 2023.
LARRUBIA, L. F. Detecção de anomalias, interpolação e previsão em tempo real de séries 
temporais para operação de reservatórias e distribuição de água. São Paulo: Universidade de 
São Paulo, 2021.
LIMA, B. F. Otimização de desempenho de algoritmo para detecção de outliers em séries 
temporais. São José do Rio Preto: Universidade Estadual Paulista, 2021.
NICOLINO, R. R. Análise do desempenho de diferentes modelos de predição de eventos biná-
rios em epidemiologia [recurso eletrônico]: estudo com dados de retenção de placenta. 2022. 
Disponível em: https://repositorio.ufmg.br/handle/1843/51327. Acesso em: 26 set. 2023.
OLIVEIRA, E. F. de. Análise de séries temporais para previsão de demanda no INSS. Brasília: 
Escola Nacional de Administração Pública, 2022.
SANTOS, C. da S. Implementação de bancos de dados temporais com versionamento de es-
quemas: um estudo comparativo. Porto Alegre: Universidade Federal do Rio Grande do Sul, 2003.
SILVA, R. R. C. Previsão de séries temporais multivariadas utilizando modelo híbrido interpre-
tável com árvores de decisão Fuzzy. 2021. Disponível em: https://www.ppgee.ufmg.br/defe-
sas/1909M.PDF. Acesso em: 26 set. 2023.
VILLEGAS, J. Sériestemporais, seu uso e importância na análise de dados e manutenção 
baseado em condições. 2021. Disponível em: https://www.fracttal.com/pt-br/blog/a-historia-
-segundo-a-iot. Acesso em: 31 out. 2023. 
WILHER, V. Detecção de outliers. 2020. Disponível em: https://analisemacro.com.br/data-s-
cience/dicas-de-rstats/deteccao-de-outliers-com-o-r/. Acesso em: 31 out. 2023.
8
1
https://awari.com.br/analise-de-series-temporais-o-que-e-e-qual-sua-importancia/
https://www.ibm.com/docs/pt-br/spss-statistics/saas?topic=forecasting-seasonal-decomposition
https://www.ibm.com/docs/pt-br/spss-statistics/saas?topic=forecasting-seasonal-decomposition
https://analisemacro.com.br/data-science/dicas-de-rstats/deteccao-de-outliers-com-o-r/
1. Opção C. Coletar dados relevantes e organizá-los em um formato adequado, por exemplo: 
uma planilha eletrônica. Analisar de modo exploratório os dados para identificar determinados 
padrões ou comportamentos. Decompor a série temporal em componentes específicos para 
identificar tendência, sazonalidade ou erro.
2. Opção E. Todas estão corretas.
3. Opção A. Ciclos: caracterizados pelas oscilações de aumento e de queda nas séries, de modo 
suave e repetido, ao longo de uma determinada tendência. Sazonalidade: corresponde às 
oscilações de subida e de queda que podem ocorrer em um determinado período do ao 
longo do tempo, sendo, portanto, movimentos facilmente previsíveis e em intervalos regu-
lares de tempo. Erro: movimentos ascendentes e descendentes da série após a ocorrência 
de um efeito de tendência, um efeito cíclico, ou de um efeito sazonal.
GABARITO
8
1
MINHAS ANOTAÇÕES
8
4
MINHAS ANOTAÇÕES
8
5
UNIDADE 2
MINHAS METAS
PRÉ-PROCESSAMENTO 
DE SÉRIES TEMPORAIS
Apresentação do pré-processamento de séries temporais.
Métodos para pré-processamento de séries temporais.
Normalização dos dados.
Transformações de dados.
Centralização de dados.
Diferenciação dos processamentos.
Filtros de processamentos.
T E M A D E A P R E N D I Z A G E M 4
8
8
INICIE SUA JORNADA
Você trabalha em uma empresa que vai prestar serviço, o cliente informou que 
tem alguns freezers mais antigos e que está tendo alguns prejuízos com estes 
porque alguns clientes reclamam que alguns produtos estragam. Sua empresa 
foi contratada porque o cliente não tem recurso financeiro para modernizar seus 
freezers, além disso, não há como manter o controle do que há nos equipamentos 
e o que estragou por problemas no resfriamento. O cliente informou, ainda, que 
no inverno, as perdas são bem menores que no verão.
A solução planejada foi a produção de dispositivos IoT que farão leituras 
de temperatura interna e externa dos freezers, verificação do volume interno 
ocupado, umidade, dentre outros. Esses dispositivos apenas coletam os sinais e 
enviam para a nuvem. Contudo percebeu-se que alguns sinais coletados variam 
muito e sofrem muito ruído quando outros fatores variam, como a umidade 
relativa do ar, a tensão elétrica, dentre outros.
Esse tipo de problema é muito comum em qualquer área que use IoT por-
que é muito difícil isolar o sistema em que se realiza a medição do resto do 
mundo. Dessa forma, captura-se outros sinais que se tornam ruídos, além de 
sinais indesejados advindos do próprio sistema que se está analisando. E para 
manter os sinais que não são desejados, existe um impacto muito grande na 
análise feita do sinal. Para modelos de aprendizagem de máquinas, torna-se 
muito mais difícil realizar um treinamento com ruídos e outros sinais não 
importantes “sujando” o sinal desejado.
No podcast de hoje, vamos discutir sobre o que é pré-processamento de séries 
temporais, sua importância e qual a sua atuação em dados de IoT. Afinal, você 
sabe “Por que o pré-processamento é uma etapa importante para a análise de 
dados em IoT”? 
Quer entender mais? Acesse o podcast! Recursos de mídia disponíveis no con-
teúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
UNIASSELVI
8
9
TEMA DE APRENDIZAGEM 4
VAMOS RECORDAR?
Um ruído muito comum em sistemas ligados à 
rede elétrica é o ruído da rede elétrica. Aqui, no 
Brasil, esse ruído costuma ser de 60 Hz. Esse e 
outros ruídos encontrados em sinais enviados 
por dispositivos IoT costumam ser atenuados 
usando filtros. Vamos recordar sobre esses filtros? 
Eles estão em inglês para que você tenha uma 
experiência real da área.
No exemplo dos dispositivos que monitoram free-
zers, é esperado que haja muitos ruídos vindos da 
rede elétrica e da natureza. Filtros são uma impor-
tante solução para esse tipo de problema. 
DESENVOLVA 
SEU POTENCIAL 
O pré-processamento de sinais vindos de disposi-
tivos IoT é importante porque, normalmente, esses 
sinais vêm em conjunto com outros sinais vindos de 
outros sistemas. Um pré-processamento não feito ou 
mal-feito pode fazer com que o melhor previsor não 
seja capaz de fazer uma boa previsão (REIS, 1999).
Os aparelhos de eletrocardiograma (ECG), co-
mumente, recebem sinais que vêm de outros grupos 
musculares. Alguns desses costumam deslocar o sinal, 
podendo causar confusão, fazendo o analisador acre-
ditar que outras ondas são a onda R (a onda mais alta). 
Uma solução para esses casos é realizar uma transfor-
mação que centralize os dados (MONTEIRO, 2017).
9
1
Como não é possível isolar os sistemas na natureza, 
o ideal é encontrar formas de eliminar, ou, pelo me-
nos, mitigar, tudo aquilo que não é de interesse na 
análise (MASTERS, 1993). Para tal, alguns métodos 
são sugeridos:
Figura 1 - Sinal de ECG por dispositivos
Fonte: https://bit.ly/48Zytql. Acesso em: 15 set. 2023.
Descrição da Imagem: a figura apresenta um traçado em vermelho, 
com pontos de pico e descida, representando um eletrocardiograma.
FILTRAGEM
Filtragem é uma técnica muito útil para eliminar ruídos, 
por exemplo. Com os filtros, é possível não permitir 
sinais com frequências que não fazem parte do sinal 
desejado (MASTERS, 1995).
NORMALIZAÇÃO E CENTRALIZAÇÃO
A normalização e centralização são capazes de manter 
o sinal mais homogêneo e remover impulsos resultan-
tes de outros sinais indesejados (REIS, 1999).
UNIASSELVI
9
1
TEMA DE APRENDIZAGEM 4
Primeiramente, vamos remover esse ruído aplicando um filtro rejeita-faixa com 
frequência central em 60 Hz, como visto na Figura 3.
10 -1
10 -2
10 -3
10 -4
10 -5
10 -6
10
10 20 40 60 80 100 120 140 160 180
-7
D
en
si
d
ad
e 
es
p
ec
tr
al
 (m
V
 )2
Frequência (Hz)
Figura 2 - Gráfico com a densidade espectral do sinal de ECG / Fonte: o autor.
Descrição da Imagem: trata-se de um gráfico onde é possível ver dois ruídos, representados por um pico em uma 
linha irregular e um pico principal em 60 Hz.
10 -1
10 -2
10 -3
10 -4
10 -5
10 -6
10
10 20 40 60 80 100 120 140 160 180
-7
D
en
si
d
ad
e 
es
p
ec
tr
al
 (m
V
 )2
Frequência (Hz)
Figura 3 - Gráfico da densidade espectral do sinal após a aplicação do filtro rejeita-faixa / Fonte: o autor.
Descrição da Imagem: trata-se de um gráfico onde é verificada a relação entre a densidade espectral pela 
frequência em Hertz. Aparece ao centro uma linha irregular azul com um pico agudo, invertido e melhor per-
ceptível em 60 Hertz.
9
1
CENTRALIZAÇÃO
A centralização nada mais é que centralizar o sinal a fim de que sua média seja 0. 
Para esse tipo de sinal, é importante para que outras ondas que não a onda R se-
jam confundidas. Pelo dispositivo de monitoração do eletrocardiograma (ECG), 
existe a captura de biossinais, como os sinais de contração muscular. O coração 
também é um músculo e, para capturar seus sinais, o método de aquisição é o 
mesmo para outros músculos, assim, outros sinais e frequências vão junto com 
o sinal desejado (MONTEIRO, 2017).
Assim, para centralizar um sinal, basta subtrair cada ponto pela média de 
cada amostra. Como os sinais de dispositivos são digitalizados, aqui se trata ape-
nas de dados discretos (VASCONCELLOS, 2007).
Imagine que um grupo empresarial focado em saúde contrate sua empresa para 
construir um dispositivoque faça a monitoração cardíaca de seus clientes usando 
um dispositivo capaz de permitir que o usuário se familiarize como se fosse parte 
de sua roupa. Para poupar energia, não é feita nenhuma análise ou processamento 
no dispositivo. Como ficaria o sinal desse dispositivo?
PENSANDO JUNTOS
Se o dispositivo coletar o sinal e enviar para a central, os tratamentos dos dados 
e análise do estado atual de saúde do sistema cardíaco da pessoa, pode ser capaz 
de, com os resultados, indicar um tratamento para ela. Como em um ECG, outros 
biossinais indesejados serão coletados e enviados pelo dispositivo.
FILTRAGEM
Usando os dados enviados pelos dispositivos IoT, fica praticamente impossível 
um modelo de aprendizagem de máquina encontrar algum padrão para o sinal 
envolvido, sem o devido tratamento aparente, apenas ruídos. Na Figura 4, po-
de-se observar um sinal de um ECG ruidoso.
UNIASSELVI
9
1
TEMA DE APRENDIZAGEM 4
Um sinal como esse faria um modelo de aprendizagem de máquina encontrar 
um padrão com muita dificuldade, podendo retornar muitos resultados errados. 
Por isso, existem várias formas de realizar o pré-processamento de dados assim. 
Para isso, podemos começar com filtragem ou, para variar, realizar uma técnica 
de transformação chamada Média Coerente. Essa técnica é capaz de remover os 
ruídos deixando o sinal mais parecido com o sinal representado pela Figura 5.
Figura 4 - Sinal de ECG sem filtragem / Fonte: o autor.
Descrição da Imagem: a figura apresenta um gráfico com um sinal de ECG bastante ruidoso, onde oscilam muito 
os picos e as descidas de um tracejado azul, proporção de ECG por mV em relação ao Tempo.
4
2
0
-2
-4
80 85 90 95 100 105 110
EC
G
 (m
V
)
tempo(s)
4
3
2
1
0
-1
-2
-3
80 85 90 95 100 105 110
EC
G
 (m
V
)
tempo(s)
4
3
2
1
0
-1
-2
-3
80 85 90 95 100 105 110
EC
G
 (m
V
)
tempo(s)
Figura 5 - Aplicação de média coerente em sinal de ECG / Fonte: o autor.
Descrição da Imagem: a figura apresenta um gráfico representando o sinal de ECG com ruído, com uma linha 
irregular com muitos picos próximos, porém com uma margem de distanciamento entre os picos e descidas.
9
4
Como demonstrado na Figura 3, os filtros são componentes importantes para 
atenuar partes não desejadas das frequências em um sinal. Por isso, as imagens 
apresentadas nos dispositivos para relatar o que está sendo analisado aparecem 
limpas e facilmente visualizáveis, pois são filtradas antes de serem apresentadas 
nos visores dos equipamentos. 
Para acompanhar tantas tecnologias, também foram necessários o aperfeiçoa-
mento e criação de novos filtros para executar a filtragem, alguns novos e outros 
utilizados há mais tempo, tudo depende de como a tecnologia avança, pois eles são 
adaptáveis a cada situação ou perfil utilizado que apresente informações que efetuam 
medidas. Para compreensão, veremos alguns desses filtros utilizados atualmente.
FILTRO PASSA-BAIXA
Permite a passagem de frequências mais baixas que a frequência de corte e atenua as 
frequências maiores (REIS, 1999).
FILTRO PASSA-ALTA
Atenua as frequências mais baixas que a frequência de corte e permite a passagem de 
frequências maiores que a frequência de corte (REIS, 1999).
FILTRO PASSA-FAIXA
Permite a passagem de frequências que estão entre as frequências de corte, atenuan-
do as demais (REIS, 1999).
FILTRO REJEITA-FAIXA
Permite a passagem de frequências que não estão entre as frequências de corte, mas 
atenua as que estão (REIS, 1999).
UNIASSELVI
9
5
TEMA DE APRENDIZAGEM 4
Aplicação de filtro na prática
Para exemplificar o uso de filtros, vamos pegar o mesmo exemplo de ECG, mes-
mo com alguns tratamentos. Analisando a densidade espectral do sinal, é possí-
vel ver que há uma frequência de 60 Hz vinda da rede elétrica, como é possível 
identificar na Figura 6.
The Fast Fourier Transform and its Applications
Autor: E. Oran Brigham
Ano: 1988
Editora: Prentice-Hall, Inc.
Comentário: Para melhor entendimento sobre a relação de 
espectros com séries temporais, incluindo suas técnicas, reco-
mendo esse livro.
INDICAÇÃO DE LIVRO
-1
-2
-3
-4
-5
-6
-7
10
10
10
10
10
10
10
0 20 40 8060 100 120 140 160 180
Frequência (Hz)
D
en
si
d
ad
e 
es
p
ec
tr
al
 (m
V
 )2
Figura 6 - Gráfico com a densidade espectral do sinal de ECG / Fonte: o autor.
Descrição da Imagem: a figura representa um gráfico com a densidade espectral do sinal de ECG relacionado à 
frequência por Hertz. Nele, é possível ver dois ruídos, representados pelos traçados curtos entre picos e desci-
das da linha, apresentando, ainda, um pico maior, em 60 Hz, proveniente, muito provavelmente, da rede elétrica.
9
1
Para atenuar esse ruído, foi utilizado um filtro rejeita-faixa, sendo a frequência 
central do filtro em 60 Hz. Após a filtragem (Figura 7), é possível ver que o sinal 
não está mais tão ruidoso quanto antes. O filtro atenuou a frequência injetada 
pela rede elétrica no sinal.
Original
Centralizado e filtrado
3
4
2
1
0
-1
-2
-3
0 1 2 43 5
Tempo (s)
E
C
G
 (m
V
)
Figura 7 - Comparativo de aplicação de filtro e ruídos originais / Fonte: o autor.
Descrição da Imagem: a figura apresenta um gráfico com a comparação entre o sinal original e o sinal tratado. 
Nele, aparecem duas linhas: uma linha alaranjada com picos, porém mantendo uma constância, e uma linha azul, 
a qual apresenta muitos picos curtos com muitas descidas, apresentados de forma irregular.
Uma opção gratuita de implementação de filtros é a biblioteca Scipy do Python, no 
pacote signal. A função lfilter é útil para implementar um filtro digital IIR ou FIR para 
dados unidimensionais. Os parâmetros a e b são, respectivamente, os coeficientes 
normalizados da função de transferência do filtro. Para encontrar os coeficientes do 
exemplo do ECG, foi usada a função iirnotch, com a frequência central em 60 Hz.
APROFUNDANDO
UNIASSELVI
9
1
TEMA DE APRENDIZAGEM 4
A Figura 8 apresenta um exemplo do uso do Simulink™; nesse exemplo é mode-
lado um controle de peso em ratos/humanos usando, como referência, leptina. 
Sabemos que cada situação requer um tratamento diferente, inclusive, os dados 
recebidos podem ser tratados a fim de otimizar o aprendizado de um modelo de 
aprendizagem de máquina.
Agora, na Figura 9, será aplicado um filtro butterworth passa-baixa de segunda 
ordem, com frequência de corte em 200 Hz, no sinal do ECG.
Figura 8 - Exemplo do uso do Simulink™
Fonte: https://commons.wikimedia.org/wiki/File:Simulink_lept.png. Acesso em: 16 out. 2023.
Descrição da Imagem: a figura apresenta um gráfico com a comparação entre o sinal original e o sinal tratado. 
Nele, aparecem duas linhas: uma linha alaranjada com picos, porém mantendo uma constância, e uma linha azul, 
a qual apresenta muitos picos curtos com muitas descidas, apresentados de forma irregular.
9
8
https://commons.wikimedia.org/wiki/File:Simulink_lept.png
Como é possível ver, o sinal, após o tratamento, ficou bem parecido com o origi-
nal, com menos ruído e mais próximo de um modelo de sinal de ECG.
Olhando o gráfico, vemos que a onda R sofreu uma pequena atenuação de 
sua amplitude. Isso pode não ser um problema se estamos querendo avaliar coi-
sas como frequência cardíaca, por exemplo, pois facilita a detecção das ondas R. 
Todas as ondas R que aparecem nessa figura possuem amplitude maior que 1 mV.
NORMALIZAÇÃO
Normalização de um sinal é o ato de ajustar os valores do sinal para que as va-
riáveis envolvidas no sinal tenham um mesmo peso. Também permite que um 
sinal tenha um intervalo bem definido. Isso pode ajudar no processamento de 
modelos de aprendizagem de máquinas.
2
1
0
-1
-2
0 1 2 43 5
Tempo (s)
E
C
G
 (m
V
)
Figura 9 - Gráfico do sinal após aplicação do filtro passa-baixa / Fonte: o autor.
Descrição da Imagem: trata-se de um gráfico de relação entre o ECG pelo tempo, onde aparece uma linha 
quase reta ao centro, com diversos picos e descidas, com padrões parecidos, porém intervalos bem definidos.
UNIASSELVI9
9
TEMA DE APRENDIZAGEM 4
A fórmula de normalização é:
min
max min
( )
( )norm
s t ss t
s s
�
�
�
Em que snorm é o sinal s normalizado.
Também pode haver a normalização de frequências, que é quando se precisa 
transformar as frequências em valores mais fáceis de serem tratados pelos modelos.
TRANSFORMAÇÕES
Transformações são processamentos realizados nos sinais a fim de que estes assu-
mam valores compatíveis com a necessidade do projeto. Os métodos anteriores 
costumam ser suficientes, contudo existem muitos outros métodos, e cabe, em 
cada situação, ser analisada a necessidade (REIS, 1999).
MÉDIA MÓVEL
A média móvel é uma centralização feita em intervalos, muito útil quando o sinal é em 
tempo real. Basicamente, para cada intervalo bem definido, é calculada a média, e 
esta subtraída do sinal, realizando a centralização daquela janela.
MÉDIA COERENTE
A média coerente é uma técnica que diminui o ruído usando a correlação entre as 
amostras do sinal. O método é feito somando várias janelas do sinal, depois, divide-se 
pelo número de janelas. Lembre-se de usar esse método para reduzir ruído de sinais 
periódicos ou quase periódicos. Se o sinal não tem padrões repetidos, esse método 
pode não ser adequado (ZAEYEN, 2005).
1
1
1
Para corrigir os deslocamentos dos sinais aplicados na Figura 6, vamos aplicar 
uma transformação chamada Média Móvel. Com ela, a cada intervalo, o sinal será 
centralizado. Para visualização da aplicação do método de média móvel em uma 
densidade espectral de sinal, é possível ver, na Figura 10, que, após a utilização do 
método de Média Móvel, a intensidade dos picos de sinal varia de forma irregular 
e invertida, como mostra a Figura 10. Um problema que é possível identificar na 
figura é que, aparentemente, foram adicionadas mais frequências no sinal.
10 -1
10 -2
10 -3
10 -4
10 -5
10 -6
10
10 20 40 60 80 100 120 140 160 180
-7
D
en
si
d
ad
e 
es
p
ec
tr
al
 (m
V
 )2
Frequência (Hz)
Figura 10 - Gráfico da densidade espectral do sinal após a aplicação do método de Média Móvel
Fonte: o autor.
Descrição da Imagem: trata-se de um gráfico que coloca a relação da densidade espectral pela frequência. 
Nele, existe uma linha azul, irregular, com diversos picos e descidas próximos uns aos outros, entretanto há 
um pico mais agudo que é perceptível invertidamente para baixo em 60 Hz.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este 
tema. Recursos de mídia disponíveis no conteúdo digital do ambiente virtual 
de aprendizagem.
EM FOCO
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 4
NOVOS DESAFIOS 
Quando vamos lidar com dados coletados por dispositivos IoT, devemos nos 
lembrar de que eles sofrerão com sinais da natureza. Além disso, são digitalizados 
para envio pela internet. Assim, a etapa de pré-processamento é importante para 
formatar o sinal de acordo com a necessidade de cada projeto (MASTERS, 1993).
Em um projeto de diagnósticos de falha, muitos dados são enviados de dife-
rentes sensores para que o modelo de aprendizagem de máquinas encontre uma 
possível falha a fim de que se tenha um diagnóstico precoce e evite acidentes e 
prejuízos enormes. Para um diagnóstico adequado, é importante que não haja 
ruídos que “enganem” o modelo e ative alarmes desnecessários ou, pior, não 
detecte adequadamente as falhas (RODRIGUES, 2021).
Como exemplo do coração, basta nos lembrarmos de que ele é um músculo, 
então, é esperado que sinais de contração de outros músculos sejam detectados 
e enviados junto com o sinal de ECG, deslocando-o.
Lembre-se de que você não deve usar todos os métodos que serão apresen-
tados. Comumente, cerca de dois métodos em cadeia devem resolver muitos 
problemas. Cada caso deve ser analisado à parte. Conheça o sinal com que você 
irá trabalhar e as necessidades do modelo que trabalhará com o sinal recebido. 
As necessidades dos sistemas que receberão o sinal também podem trazer ne-
cessidades de processamentos.
1
1
1
1. Sabemos que existem muitos métodos de pré-processamento de séries temporais, um 
muito importante é a filtragem. 
Qual dos itens a seguir é um tipo de filtro?
a) Forte.
b) Centralizado.
c) Rejeita-faixa.
d) Normalizado.
e) Atenuado.
2. Média móvel é uma técnica muito útil quando se deseja realizar a centralização de dados 
em tempo real.
Sobre a técnica de média móvel, assinale a alternativa correta:
a) Média móvel é quando se remove as frequências movendo o filtro por um intervalo 
bem definido.
b) Média móvel é feita subtraindo cada intervalo do sinal por sua média.
c) Média móvel é quando centraliza o sinal usando sua média geral.
d) Média móvel é quando se divide o sinal por sua média.
e) Média móvel é uma técnica que permite várias características terem um mesmo peso 
antes de enviar os dados para os modelos de aprendizagem de máquinas.
3. A média coerente é uma técnica utilizada para reduzir o ruído de sinais periódicos.
Sobre a técnica de média coerente, assinale a alternativa correta:
a) É uma técnica que diminui o ruído usando a correlação entre amostras do sinal;
b) É uma técnica útil para diminuir ruídos de sinais quase periódicos.
c) É uma técnica útil para remover ruídos de sinais sem padrões repetitivos.
d) É uma técnica que é feita subtraindo cada intervalo do sinal por sua média.
e) É uma técnica que é feita e dividindo o sinal por sua média.
AUTOATIVIDADE
1
1
1
REFERÊNCIAS
BRIGHAM, E. O. The fast Fourier transform and its applications. New York: Prentice-Hall, 1988.
MASTERS, T. Practical neural networks recipes in C++. San Diego: Academic Press, 1993.
MASTERS, T. Neural, novel & hybrid algorithms for time series prediction. New York: John 
Wiley & Sons, 1995.
MONTEIRO, D. M. Estudo comparativo de diferentes métodos de alinhamento no eletrocardio-
grama de alta resolução. Rio de Janeiro: UFRJ – Universidade Federal do Rio de Janeiro, 2017.
REIS, A. J. R. Pré-processamento de séries temporais para um previsor de carga elétrica a 
curto prazo via redes neurais artificiais. Itajubá: Escola Federal de Engenharia de Itajubá, 1999.
RODRIGUES, J. S. Desenvolvimento de sistema para suporte a aplicações de técnicas de de-
tecção e diagnóstico adaptativo de falhas em processos e equipamentos. Belo Horizonte: 
UFMG – Universidade Federal de Minas de Gerais, 2021.
VASCONCELLOS, N. C. M. de. Topografia da coerência espectral dos potenciais eletroencefa-
lográficos relacionados a eventos musculares. 2007. Dissertação (Mestrado em Computação) 
– Universidade Federal Fluminense, Niterói, 2007.
ZAEYEN, E. J. B. Aplicação da coerência ao eletroencefalograma para investigar caracterís-
ticas do Potencial Evocado Auditivo de Média Latência. Rio de Janeiro: COPPE/UFRJ, 2005.
1
1
4
1. Opção C. Conhecemos quatro tipos de filtros: passa-baixa, passa-alta, passa-faixa e rejeita-
faixa. Filtros são um importante recurso para atenuar frequências indesejadas.
2. Opção B. A média móvel é uma centralização feita em intervalos, muito útil quando o sinal é 
em tempo real. Basicamente, para cada intervalo bem definido, é calculada a média, e esta 
subtraída do sinal, realizando a centralização daquela janela.
3. Opção A. A média coerente é uma técnica que diminui o ruído usando a correlação entre as 
amostras do sinal. O método é feito somando várias janelas do sinal, depois, divide-se pelo 
número de janelas.
GABARITO
1
1
5
MINHAS METAS
TÉCNICAS DE CALIBRAÇÃO DE 
SENSORES
Entender o que são sensores.
Compreender que nós também temos sensores.
Analisar sensores relativos ao posicionamento de um dispositivo ou objeto.
Aprender a identificar sensores de temperatura.
Reconhecer sensores para leitura de características de fluidos.
Conhecer sensores de grandezas elétricas.
Reconhecer outros tipos de sensores e técnicas de calibração de sensores.
T E M A D E A P R E N D I Z A G E M 5
1
1
1
INICIE SUA JORNADA
Sensores são dispositivos que permitem a leitura de determinada característica da 
natureza e traduzem para um formato que possaser entendido por dispositivos 
eletrônicos (JIMÉNEZ, PALOMERA; COUVERTIER, 2013). Nós, normalmente, 
podemos fazer leituras de características na natureza a partir de sensores biológicos.
Como os seres humanos percebem e interpretam o mundo ao seu redor usan-
do seus sentidos?
Temos receptores eletromagnéticos, que traduzem a luz que incide na retina 
dos olhos e a transforma em informação. É dividida em dois tipos de sensores: 
os cones, que têm menor sensibilidade à luz, contudo, são capazes de distinguir 
as cores; e os bastonetes, que não diferem cores, mas são mais sensíveis à luz, e 
isso é importante para ambientes mais escuros.
Outra característica interessante é o fato de termos dois olhos, que, a partir 
de triangulação, são capazes de inferir a distância de objetos que focamos.
Temos a audição, responsável por traduzir informações a partir de ondas sonoras. 
O fato de termos dois ouvidos permite que consigamos inferir a posição do objeto 
emissor da onda. Diferentemente da luz, a onda sonora viaja a uma velocidade de 
até 40 m/s. Isso nos permite inferir a posição dos objetos emissores a partir do 
tempo de resposta até a chegada do som em cada ouvido.
Temos receptores táteis pela superfície do corpo, que nos permitem inferir vá-
rias características das coisas que tocamos e que nos tocam. Podemos perceber 
temperatura, umidade, pressão, dentre outros, a partir de mecanorreceptores, 
termorreceptores, dentre outros.
O tato é uma interface muito importante com o meio ambiente, nos permitin-
do, inclusive, perceber quais coisas estamos tocando apenas pelo toque. Também 
temos os nociceptores, que nos permite perceber danos nos tecidos do corpo.
Temos quimiorreceptores, responsáveis por nos permitir sentir o gosto das coi-
sas. Isso define o que iremos ingerir. Também nos permite sentir o cheiro das coisas, 
nos permitindo detectar a existência de determinados componentes no ambiente.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 5
Também tem efeito no gosto das coisas. quimiorreceptores também são respon-
sáveis por avaliar o nível de oxigênio no sangue e vários outros fatores que com-
põem a química corporal.
Convido você a participar de atividades que envolvam testar suas próprias 
habilidades sensoriais e compará-las com as de outras pessoas.
Como podemos ver, nós também temos muitos sensores, que são responsá-
veis por ler a natureza à nossa volta e nos dar informações importantes sobre o 
que está em nós e ao nosso redor. Podemos observar, então, a importância dos 
diferentes sentidos na vida cotidiana e como os sensores naturais dos seres hu-
manos se comparam às tecnologias de sensores artificiais.
No podcast de hoje, vamos discutir o que são sensores, sua importância, suas tec-
nologias e como podemos calibrá-los para realização de leituras mais precisas. 
Quer entender mais? Acesse o podcast! Recursos de mídia disponíveis no con-
teúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Para que possamos dar início ao nosso tema, é importante relembrar um conceito: 
métodos estatísticos de parametrização são métodos que entendem que os dados 
seguem alguma distribuição de probabilidade. O objetivo é fazer a inferência 
desses parâmetros, útil para parametrizar um sensor cujos dados seguem alguma 
distribuição de probabilidade (MEYER, 1983).
Alguns exemplos de métodos:
Intervalo de confiança: escolhe um intervalo dos dados que contenha o valor 
esperado do parâmetro com certa confiabilidade.
Teste T: nele, é feita a comparação entre a média de uma amostra e um valor.
Teste F: nele, é feita a comparação entre as variâncias entre um grupo de duas ou 
mais amostras.
Teste Qui-quadrado: realiza a comparação entre as frequências encontradas 
e esperadas.
1
1
8
DESENVOLVA SEU POTENCIAL 
SENSORES
Os sensores são dispositivos capazes de realizar a leitura de parâmetros físicos 
como temperatura, pressão, deslocamento, aceleração, rotação etc. (BINDAL, 
2017). Um exemplo comum é o sensor de temperatura, que nos fornece infor-
mações vitais sobre o ambiente ao nosso redor. Da mesma forma, os sensores 
de pressão são usados em uma variedade de aplicações, desde medir a pressão 
arterial em dispositivos médicos até monitorar a pressão em pneus de veículos. 
Quando se trata de detectar movimento e deslocamento, os sensores desem-
penham um papel crucial em sistemas de segurança, como os airbags de um 
carro. Além disso, os sensores de aceleração e rotação são essenciais em dispo-
sitivos como smartphones, permitindo que eles determinem sua orientação e 
detectem movimentos.
Em resumo, a variedade de sensores disponíveis é vasta, e eles desempenham 
um papel vital em nossa sociedade, tornando possível medir e interpretar uma 
ampla gama de informações físicas. Vamos apresentar alguns tipos de sensores.
Sensores relativos ao posicionamento de um dispositivo 
ou objeto
Sensores relacionados ao posicionamento de dispositivos ou objetos são compo-
nentes essenciais em uma variedade de tecnologias e aplicações. Esses sensores 
desempenham um papel crucial na determinação da localização, orientação e 
movimento de objetos no espaço tridimensional. Existem diferentes tipos de 
sensores que abordam essa necessidade:
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 5
Figura 1 - Medidor de proximidade com calibração de velocidade do som / Fonte: https://commons.wikime-
dia.org/wiki/File:Proximity_Meter_with_Sound_Speed_Calibration.jpg. Acesso em: 20 out. 2023.
Descrição da Imagem: vemos, na imagem, um sensor de proximidade adicionado a uma placa protoboard com 
vários jumpers conectando com uma placa Arduino e alguns outros componentes eletrônicos. O sensor contém 
duas saídas/entradas em formato cilíndrico.
Sensores de presença
Sensor de presença é um dispositivo capaz de detectar a presença de objetos 
ou pessoas no ambiente de seu alcance. Costuma usar tecnologias como ondas 
sonoras, infravermelho, laser, dentre outras. Útil para sistemas de segurança, 
iluminação automática etc. (ALBUQUERQUE; THOMAZINI, 2005).
Sensores de posição
Sensor de posição é um dispositivo capaz de trazer uma informação de posição 
de um determinado objeto em relação a uma referência. Sensores de posição são 
muito utilizados em processos de fabricação, definindo, por exemplo, a posição 
da ferramenta de corte (ALBUQUERQUE; THOMAZINI, 2005).
1
1
1
https://commons.wikimedia.org/wiki/File:Proximity_Meter_with_Sound_Speed_Calibration.jpg
https://commons.wikimedia.org/wiki/File:Proximity_Meter_with_Sound_Speed_Calibration.jpg
Outras utilidade do sensor de posição é a verificação da posição para leituras de 
outro dispositivo e para exibição de dados.
Sensores ópticos
Sensores ópticos são sensores que trazem medições de raios de luz (ALBUQUER-
QUE; THOMAZINI, 2005).
São usados para diversos fins, como medição de distâncias, detecção de 
objetos, medição da intensidade de luz, dentre outros (ALBUQUERQUE; 
THOMAZINI, 2005).
Figura 2 - Sensor de posição do acelerador / Fonte: https://commons.wikimedia.org/wiki/File:Throttle_po-
sition_sensor_-_1.jpg. Acesso em: 20 out. 2023.
Descrição da Imagem: sensor de posição do acelerador com uma placa eletrônica presa a um corpo metálico que 
determina a posição de leitura.
UNIASSELVI
1
1
1
https://commons.wikimedia.org/wiki/File:Throttle_position_sensor_-_1.jpg
https://commons.wikimedia.org/wiki/File:Throttle_position_sensor_-_1.jpg
https://commons.wikimedia.org/wiki/File:Throttle_position_sensor_-_1.jpg
TEMA DE APRENDIZAGEM 5
Figura 3 - Sensores de luz / Fonte: https://commons.wikimedia.org/wiki/File:Light_sensor.png. Acesso 
em: 20 out. 2023.
Descrição da Imagem: na imagem, constam quatro diferentes sensores de luz, sendo três com conectores para 
conectar diretamente a uma placa de circuito eletrônico impresso ou protoboard.
Sensores de velocidade
Sensor de posição é um dispositivo capaz de trazer uma informação da veloci-
dade de um objeto em movimento (ALBUQUERQUE; THOMAZINI, 2005).
Figura 4 - a) Tacógrafoda 
privacidade e segurança de dados, já que a IoT pode se conectar a qualquer objeto 
e, ainda, transpor alguns desafios como padronização, privacidade, espectro de fre-
quência e questões sociais e éticas. Foi lançado nesse período o Nabaztag, um objeto 
conectado à internet, que poderia ser programado para receber previsão do tempo 
e ler e-mails, dentre outros. Nesse período, a IoT tornou-se a pauta da Agência das 
Nações Unidas para as Tecnologias da Informação e da Comunicação (International 
Telecommunication Union - ITU).
2008-2009
Nesse período, havia mais objetos conectados, como smartphones, tablets e com-
putadores, do que o total da população mundial. Rob Van Kranenburg publicou o 
livro The Internet of Things, que é considerado uma das referências principais sobre o 
assunto.
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
2010
O serviço de Street View da Google e a capacidade de armazenamento de toneladas 
de dados das redes WI-FI suscitam um debate a respeito da indexação do mundo 
físico. No mesmo ano, o governo chinês anunciou a pretensão de tornar a IoT uma 
prioridade estratégica.
2011
O Gartner Hype Cycle incluiu o conceito de Internet das Coisas e houve debates sobre 
a estabelecimento de padrões globais para o desenvolvimento de dispositivos conec-
tados em escala internacional.
2012
A União Europeia sugeriu a realização de uma pesquisa aberta ao público, na qual os 
cidadãos poderiam expressar suas demandas e preocupações relacionadas à Internet 
das Coisas.
2015
A IoT já pode ser considerada uma realidade, sendo que aproximadamente 4,9 bilhões 
de objetos estão conectados e em uso. Isso representa um aumento de 30% em rela-
ção a 2014.
2020
A IoT é considerada uma ferramenta essencial para a transformação da sociedade.
O que você pode perceber é que o IOT representa a evolução da internet, já que 
há um grande passo evolutivo na capacidade de coleta, análise e distribuição de 
dados que podem ser modificados em informação e conhecimento. 
1
1
Entretanto, é preciso considerar que a IoT ainda tem uma trajetória evolutiva 
para percorrer, já que, segundo Souza (2018, p. 17):
 “ A falta de padronização entre as tecnologias IoT existentes é um 
empecilho ao desenvolvimento da Internet das Coisas, pois a falta 
de padronização entre as tecnologias utilizadas impede que os 
diversos dispositivos conectados à internet possam interagir e 
trocar informações.
Em conclusão, é inegável que a Internet das Coisas (IoT) representa um avanço 
significativo na interconexão de dispositivos e na coleta de dados em tempo real. 
ABORDAGEM GERAL IoT
A IoT pode ser resumida como a capacidade de coletar, analisar e tomar decisões 
através de dados gerados por meio de objetos e máquinas conectados à internet. 
Conforme Payão e Santiago (2018, p. 794):
 “ A IoT é considerada, ainda, como a primeira revolução de infraes-
trutura inteligente da história da humanidade com aptidão de 
conectar cada equipamento, organização, residência e veículo em 
uma rede inteligente composta pela Internet das Comunicações, 
a Internet da Energia e a Internet do Transporte, todas embutidas 
em um único sistema operacional. Em uma escala ainda superior, 
a formação das smart cities, ou cidades inteligentes, amplamente 
conectadas à Internet, utilizam a tecnologia para transformar a vida 
e o trabalho da comunidade, monitorando em tempo real o trânsito, 
a segurança e o clima, por exemplo.
Leia o artigo Tendências para 2022: a evolução da Internet das Coisas e como ela 
pode beneficiar sua empresa. Recursos de mídia disponíveis no conteúdo digital 
do ambiente virtual de aprendizagem.
EU INDICO
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
A Internet das Coisas (IoT) se refere à interconexão de elementos comuns na 
vida cotidiana das pessoas, como lâmpadas de iluminação pública e sensores de 
qualidade da água e do ar. Esses objetos são designados com um identificador 
único, suas posições e estados são conhecidos, e devem ser acessíveis por meio 
de uma rede que permita a interoperabilidade.
Visando promover o desenvolvimento sustentável e competitivo da economia 
brasileira, foi instituído o Plano Nacional de Internet das Coisas (IoT), pelo Decreto 
nº 9.854, de 25 de junho de 2019. Recursos de mídia disponíveis no conteúdo 
digital do ambiente virtual de aprendizagem.
EU INDICO
De modo geral, a IoT pode ser entendida como um ambiente de objetos físicos 
interconectados com a internet através de pequenos sensores embutidos que 
estabelecem um ecossistema de computação onipresente, com o objetivo de au-
xiliar nas atividades diárias das pessoas, proporcionando soluções funcionais nos 
processos do dia a dia (MAGRANI, 2019).
Outro fator importante na definição é que a IoT se concentra em como com-
putadores, sensores e objetos interagem uns com os outros e processam infor-
mações/dados em um contexto de hiperconectividade. Podemos destacar os 
seguintes componentes principais em um sistema de IoT:
 ■ identificação: essencial para identificar os objetos para conectá-los à 
internet.
 ■ sensores: consegue dados sobre o meio em que o objeto está localizado 
e, em seguida, o armazena e encaminha esses dados para bancos de ar-
mazenamento.
 ■ computação: executa os algoritmos locais nos objetos inteligentes.
 ■ semântica: corresponde à capacidade de processar o conteúdo da infor-
mação existente com o intuito de fornecer determinado serviço. Podem ser 
utilizadas muitas técnicas como Resource Description Framework (RDF), 
Web Ontology Language (OWL) e Efficient XML Interchange (EXI).
 ■ serviços: fornece inúmeras classes de serviços, como os serviços des-
critos a seguir: 
1
4
Identificação: mapeia as Entidades Físicas (EF) de interesse do usuário em Entidades 
Virtuais (EV). Como, por exemplo, coordenadas geográficas do sensor. Serviços de 
agregação de dados: coletam e sintetizam dados homogêneos ou heterogêneos 
obtidos dos objetos inteligentes;
Colaboração e inteligência: atuam sobre os serviços de agregação de dados 
tomando decisões e reagindo conforme um determinado cenário.
Ubiquidade: promovem serviços de colaboração e inteligência no momento em 
que eles são requisitados.
 ■ Comunicação: técnicas usadas para conectar objetos físicos.
A IoT é considerada eficiente para o gerenciamento de inúmeros dispositivos 
que estão conectados em uma sociedade. Desse modo, os dados coletados são 
encaminhados para as plataformas de software, ou, ainda, para as aplicações, 
para que sejam armazenados e processados proporcionando o desenvolvimento 
de serviços inovadores.
Figura 1 - IoT no meio social
Descrição da Imagem: representação de uma cidade com ruas iluminadas, em vista aérea, conectada por meio 
de dispositivos e sistemas IoT representados por ícones.
UNIASSELVI
1
5
TEMA DE APRENDIZAGEM 1
Uma aplicação bastante útil que pode melhorar a gestão de resíduos urbanos 
é a utilização de sensores de Internet das Coisas (IoT) em contêineres de lixo. 
Esses sensores são capazes de identificar o nível de enchimento e enviar aler-
tas para um centro de controle quando o contêiner está se aproximando da ca-
pacidade máxima (MAGRANI, 2019).
Isso não apenas possibilita uma administração mais eficaz dos resíduos ur-
banos, mas também fornece informações valiosas sobre o comportamento da 
população. Com base nesses dados, estratégias podem ser desenvolvidas, como 
otimização de rotas e horários de coleta, bem como a instalação e realocação de 
contêineres adicionais (MAGRANI, 2019).
ELEMENTOS DA IoT
A IoT possui o potencial considerável de substituir a realização de atividades que 
antes eram executadas por indivíduos. Além do mais, é preciso considerar que 
os computadores disporiam de sistemas inteligentes conectados o tempo todo, 
tornando-se onipresente (Figura 2).
Conexão em Qualquer
HORA
- Em movimentos�
-Em ambientes abertos�
- Em ambientes fechados
- Á noite�
- Durante o dia
Conexão de Qualquer
LUGAR
- Em movimento�
- Em ambientes abertos�
- Em ambientes fechados (longe de umb) Disco de velocidade / Fonte: https://commons.wikimedia.org/wiki/File:Tachoscheibe.
jpg / https://commons.wikimedia.org/wiki/File:LKW-Tachograph_Bj._9.1958.jpg. Acesso em: 20 out. 2023.
Descrição da Imagem: a primeira imagem mostra dispositivo circular que contém marcações da velocidade como 
em um relógio, tendo um indicador que aponta para a velocidade registrada. A segunda mostra um disco de 
velocidade que contém algumas marcas que representam as velocidades registradas.
a ) b)
1
1
1
https://commons.wikimedia.org/wiki/File:Light_sensor.png
https://commons.wikimedia.org/wiki/File:Light_sensor.png
https://commons.wikimedia.org/wiki/File:Tachoscheibe.jpg
https://commons.wikimedia.org/wiki/File:Tachoscheibe.jpg
https://commons.wikimedia.org/wiki/File:Tachoscheibe.jpg
https://commons.wikimedia.org/wiki/File:LKW-Tachograph_Bj._9.1958.jpg
O tacógrafo é um bom exemplo de equipamentos que fazem uso de sensores de 
velocidade. Hoje, é muito importante o conhecimento da velocidade atual de um 
veículo durante seu uso.
Sensores de aceleração
Sensores de aceleração, por exemplo, acelerômetros e giroscópios, retornam 
um sinal relativo à aceleração do equipamento ou sistema (ALBUQUERQUE; 
THOMAZINI, 2005).
Figura 5 - Giroscópio / Fonte: https://commons.wikimedia.org/wiki/File:Gyroscope_toy.jpg. Acesso em: 
20 out. 2023.
Descrição da Imagem: giroscópio, exemplo de sensor de aceleração, contém alguns discos com um disco central, 
onde a variação da posição dos discos retorna o valor.
O sensor de aceleração é útil para fazer a leitura de vibrações, medição de ângulos 
e inclinações e verificação de desvios (ALBUQUERQUE; THOMAZINI, 2005).
UNIASSELVI
1
1
1
https://commons.wikimedia.org/wiki/File:Gyroscope_toy.jpg
https://commons.wikimedia.org/wiki/File:Gyroscope_toy.jpg
TEMA DE APRENDIZAGEM 5
Wall-E
No futuro, a humanidade abandonou a Terra, que estava po-
luída e cheia de lixo. Humanos viveram em uma nave espacial, 
enquanto robôs, como Wall-E, foram deixados para limpar o pla-
neta. Wall-E é o último desses robôs, compactando lixo e cole-
cionando objetos curiosos. Um dia, uma nave traz Eva, um robô 
moderno, e Wall-E se apaixona por ela. Wall-E é um filme em que 
o protagonista é um robô. O robozinho usa alguns sensores para 
identificação de alguns itens, mas, quando encontra uma planta, 
ele identifica como algo importante e guarda. Outro robô entra na 
história e, ao usar o mesmo sensor de presença na planta, ativa 
um comportamento pré-programado, pois este comportamento 
foi definido caso encontrasse possibilidade de vida na terra. Te-
mos o uso de sensores sob a ótica do protagonista.
INDICAÇÃO DE FILME
Sensores de temperatura
Sensores de temperatura são sensores capazes de determinar a temperatura do 
sistema. São amplamente utilizados para os mais diversos fins, nos quais que se 
necessita que um determinado sistema esteja no intervalo de temperatura deter-
minada para sua segurança (ALBUQUERQUE;THOMAZINI, 2005).
Um exemplo é o termômetro de mercúrio, muito utilizado na medição de 
temperatura de pessoas a fim de determinar se está com febre. Febre é um estado 
de uma pessoa em que sua temperatura está mais alta que o normal, normalmente 
causada quando esta está combatendo alguma infecção, por exemplo.
1
1
4
Portanto, esses sensores desempenham um papel fundamental em uma ampla 
variedade de aplicações, desde sistemas de segurança até processos industriais 
e dispositivos de medição. Eles fornecem informações críticas para o controle 
e monitoramento de objetos e equipamentos, contribuindo para a eficiência e 
segurança em diversas áreas.
Sensores para leitura de características de fluidos
Sensores de pressão
Sensores de pressão são usados, principalmente, para realizar a medição de pres-
são exercida por fluidos (ALBUQUERQUE; THOMAZINI, 2005).
Figura 6 - Termômetro / Fonte: https://commons.wikimedia.org/wiki/File:Common_mercury_thermome-
ter_-_term%C3%B4metro.jpg. Acesso em: 20 out. 2023.
Descrição da Imagem: na imagem, há um termômetro de mercúrio, um tubo plástico transparente com um filete 
de mercúrio e uma parte metálica na ponta, com demarcações de 35, 6, 37, 8, 9, 40, 1 e 42.
UNIASSELVI
1
1
5
https://commons.wikimedia.org/wiki/File:Common_mercury_thermometer_-_term%C3%B4metro.jpg
https://commons.wikimedia.org/wiki/File:Common_mercury_thermometer_-_term%C3%B4metro.jpg
https://commons.wikimedia.org/wiki/File:Common_mercury_thermometer_-_term%C3%B4metro.jpg
TEMA DE APRENDIZAGEM 5
Figura 7 - Módulo sensor de pressão Adafruit BMP085 / Fonte: https://abrir.link/JR5U2. Acesso em: 20 out. 2023.
Descrição da Imagem: módulo sensor de pressão Adafruit BMP085, uma placa eletrônica impressa azul contendo 
furos metálicos para ligação com outros componentes metálicos. Contém alguns componentes responsáveis pelo 
processamento dos dados.
Sensores de nível
Sensores de nível são sensores que avaliam o nível de líquidos, mas, também, 
sólidos granulares contidos em reservatórios ou tanques (ALBUQUERQUE; 
THOMAZINI, 2005).
Figura 8 - Medidor de nível flutuante / Fonte: https://abrir.link/pP5G3. Acesso em: 20 out. 2023.
Descrição da Imagem: na imagem, há um desenho de um tanque com um medidor de nível flutuante. Contém um 
tanque azul retangular com um fluido azul perto da metade da capacidade, ligado a um tubo com um componente 
de nível cinza e uma régua para medição.
1
1
1
https://upload.wikimedia.org/wikipedia/commons/7/70/Adafruit_BMP085_pressure_sensor_module.jpg
https://upload.wikimedia.org/wikipedia/commons/3/3d/%D0%9F%D1%80%D0%B8%D0%BD%D1%86%D0%B8%D0%BF_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%8B_%D0%BF%D0%BE%D0%BF%D0%BB%D0%B0%D0%B2%D0%BA%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE_%D1%83%D1%80%D0%BE%D0%B2%D0%BD%D0%B5%D0%BC%D0%B5%D1%80%D0%B0.png
Sensores de vazão
Sensores de vazão são sensores que medem a quantidade de fluidos que pas-
sam por um determinado ponto por unidade de tempo (ALBUQUERQUE; 
THOMAZINI, 2005).
Portanto, os sensores de pressão, nível e vazão desempenham funções críti-
cas em várias áreas industriais, tornando possível o monitoramento e controle 
precisos de variáveis essenciais. À medida que a tecnologia avança, esses sensores 
continuam a evoluir e encontrar novas aplicações em diferentes setores, melho-
rando a qualidade e eficiência de processos em todo o mundo.
Sensores de grandezas elétricas
Sensores de grandezas elétricas são sensores que nos permitem a leitura de 
características elétricas como tensão e corrente.
Sensor de corrente contínua é um sensor que é colocado em série com o pon-
to em que se deseja realizar a medição, possui baixa resistência e cria uma tensão 
proporcional à corrente que passa ali (ALBUQUERQUE; THOMAZINI, 2005).
Semelhante ao sensor de corrente contínua, o sensor de corrente alternada atua em 
circuitos em que a corrente muda de sentido periodicamente, também chamada de 
corrente alternada (ALBUQUERQUE; THOMAZINI, 2005).
Sensores de tensão contínua e alternada. Sensores de tensão são dispositivos 
que medem a diferença de potencial elétrico entre dois pontos dentro de um 
circuito elétrico. O sensor de tensão para corrente contínua utiliza o método de 
divisor de tensão resistivo. O sensor de tensão para corrente alternada utiliza 
outros métodos, sendo o mais utilizado o método de transformador de potencial 
(ALBUQUERQUE; THOMAZINI, 2005).
Os sensores de grandezas elétricas desempenham um papel crucial na medi-
ção e controle de variáveis elétricas, tornando possível o funcionamento eficiente 
de sistemas elétricos e eletrônicos em uma variedade de aplicações. Seu uso con-
tribui para garantir a segurança, confiabilidade e eficiência desses sistemas em 
diversas indústrias e contextos.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 5
Sensores de umidade
Sensores de umidade são sensores que medem a quantidade de vapor de água pre-
sente, geralmente, no ar. Utilizam diferentes tecnologias dependendo da aplicação.
Os sensores de umidade podem sofrer muito com contaminação dependen-
do de sua aplicação, o quepode afetar sua precisão de maneira temporária, sendo 
isso resolvido com uma limpeza, por exemplo, ou definitivamente (ALBUQUER-
QUE; THOMAZINI, 2005).
É importante se lembrar de que, pelo fato de sensores serem componentes 
físicos, eles sofrem com a natureza interna e externa. Assim, nenhuma calibração 
durará para sempre. As características do sensor e o local onde ele será colocado 
determinarão quanto tempo será necessário para sua recalibração ou substituição.
Sensores de pH
Sensores de pH são sensores que medem a acidez ou 
alcalinidade de soluções. Além de conhecer a apli-
cação de cada sensor antes de trabalhar com ele, é 
importante conhecer a tecnologia usada no sensor, 
pois é dela que os dados serão formados (ALBU-
QUERQUE; THOMAZINI, 2005). De acordo com 
Bindal (2017), vamos a alguns exemplos:
SENSORES FOTOELÉTRICOS
São sensores que transformam sinais elétricos a partir de estímulos luminosos.
SENSORES ACÚSTICOS
São sensores que convertem ondas sonoras em sinais. São utilizados para cálculos de 
distâncias, ecolocalização, dentre outros.
Sensores de pH 
são sensores que 
medem a acidez 
ou alcalinidade de 
soluções
1
1
8
Em resumo, os sensores de pH desempenham um papel crucial na medição da 
acidez ou alcalinidade de soluções, sendo essenciais em diversas aplicações. No 
entanto, antes de trabalhar com esses sensores, é fundamental compreender a 
tecnologia subjacente, pois é ela que molda os dados obtidos. Além disso, existe 
uma variedade de outros sensores, como os fotoelétricos, acústicos, magnéticos, 
elétricos e térmicos, cada um com sua própria função e aplicação específica (AL-
BUQUERQUE; THOMAZINI, 2005).
Esses sensores desempenham um papel vital em áreas que vão desde a de-
tecção de luz e som até a medição de temperatura e grandezas elétricas, contri-
buindo para uma ampla gama de aplicações tecnológicas e industriais. Portanto, 
a compreensão desses diferentes tipos de sensores é essencial para a utilização 
eficaz das tecnologias de medição e controle em diversas áreas.
SENSORES MAGNÉTICOS
São sensores que detectam fluxos e campos magnéticos. São sensores capazes de medir 
velocidade e rotação, aberturas de portas e janelas, medir posição e ângulo, dentre outros.
SENSORES ELÉTRICOS
São sensores que detectam grandezas elétricas, como corrente, tensão, capacitân-
cia e potência.
SENSORES TÉRMICOS
São sensores capazes de medir a temperatura.
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 5
TÉCNICAS DE CALIBRAÇÃO DE SENSORES
As técnicas de calibração de sensores variam de acordo com a necessidade e o 
tipo de sensor em que se trabalha. É um processo crucial para garantir a precisão 
e confiabilidade dos dados coletados. A calibração envolve ajustar um sensor para 
que suas medições correspondam o mais precisamente possível ao valor real da 
grandeza que está sendo medida. A seguir, estão algumas técnicas comuns de 
calibração de sensores para análise de dados.
1. Métodos comparativos
Os métodos comparativos têm uma referência conhecida, seja um meio com as 
características conhecidas ou outro sensor já calibrado. O sensor a ser calibrado o 
é com base na referência. Por exemplo, vou calibrar um sensor de pH. Primeiro, 
consigo três soluções com pH conhecido, por exemplo, 4, 7 e 10. Colocamos o 
sensor em cada solução e ajustamos o valor de leitura no potenciômetro.
Método por substituição: é o método em que o sensor e o padrão de refe-
rência são expostos às mesmas condições. Então, as leituras são comparadas, e 
o sensor, ajustado.
Método por ajuste: um sinal conhecido é aplicado no sensor e os parâmetros 
são ajustados até que correspondam ao sinal.
2. Métodos absolutos
Nos métodos absolutos, os sensores calibrados fazem uso de constantes físicas 
conhecidas. Por exemplo, para um sensor de temperatura, é usada a temperatura 
de fusão ou de ebulição da água.
3. Métodos estatísticos
Métodos estatísticos são métodos em que o sensor passa por várias medições e, a 
partir delas, são extraídas informações como erros e incertezas. Utilizando esse mé-
todo, muitas técnicas podem ser utilizadas, por exemplo, aprendizagem de máquinas, 
regressão linear, método dos mínimos quadrados, máxima verossimilhança, dentre 
outras. Também podem ser utilizadas técnicas de aprendizagem de máquina.
1
1
1
A calibração regular dos sensores é essencial, pois esses dispositivos podem sofrer 
desgaste, envelhecimento ou desvio ao longo do tempo. Isso pode levar a medi-
ções imprecisas, o que é especialmente crítico em aplicações como segurança, 
saúde e controle de processos. Portanto, a escolha da técnica de calibração ade-
quada e a frequência da calibração dependem das especificações do sensor e das 
exigências da aplicação em questão.
Após a aquisição dos dados, o próximo passo é a estimação dos parâmetros 
do sensor.
MÉTODOS DE ESTIMAÇÃO DE PARÂMETROS
A partir de medições de dados dos sensores, algumas técnicas podem ser em-
pregadas para inferir os parâmetros dos sensores. De acordo com Meyer (1983): 
REGRESSÃO LINEAR
A técnica de regressão linear usa os dados coletados para inferir os coeficientes angu-
lar e linear de uma reta que se ajusta aos dados.
MÁXIMA POR VEROSSIMILHANÇA
A técnica de máxima verossimilhança busca maximizar a função de verossimilhança, 
ou seja, busca encontrar os valores dos parâmetros do sensor mais prováveis de ocor-
rer naquele conjunto de dados lidos.
MÍNIMOS QUADRADOS
A técnica de mínimos quadrados busca encontrar os parâmetros de um modelo a 
partir da minimização da soma dos quadrados das diferenças entre os valores gerados 
pelo sensor e os valores estimados do modelo.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 5
Essas abordagens permitem não apenas estimar com precisão os valores dos parâ-
metros do sensor, mas também compreender melhor o comportamento dos dados 
e ajustar modelos para otimizar o desempenho dos sensores. Essas ferramentas 
estatísticas são essenciais na calibração e no aprimoramento contínuo dos sensores, 
garantindo medições precisas e confiáveis em uma variedade de aplicações.
Vimos que o corpo humano é cheio de sensores. Mas como é que o corpo faz a 
calibração de seus sensores?
Para tentar responder a essa pergunta, temos que ter em mente que o aprendiza-
do de qualquer coisa se dá por ajustes de erros. Por exemplo, preciso aprender a 
comer um determinado alimento. Na primeira tentativa, eu não gostei. Mas como 
sei que preciso comer, vou insistindo até que meu paladar não ache aquele ali-
mento tão ruim. Há casos que funcionam. De que outras formas meu corpo faz a 
calibração de seus sensores? Recursos de mídia disponíveis no conteúdo digital 
do ambiente virtual de aprendizagem.
PENSANDO JUNTOS
O método escolhido para a calibração do sensor varia de acordo com cada pro-
blema. Não existe um método “bala de prata” que resolva todos os problemas. Você 
deve estudar o sensor para entender seus parâmetros. Por exemplo, há casos em que 
o sensor é caixa preta, ou seja, seus parâmetros são desconhecidos. Dessa forma, 
pode ser necessário o uso de mais de um método para uma melhor parametrização.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este tema.
EM FOCO
1
1
1
NOVOS DESAFIOS
A importância do conteúdo discutido sobre calibração e redundância de sensores 
se torna ainda mais evidente quando aplicada à vida profissional.
Em ambientes críticos, como em sistemas petroquímicos, erros costumam 
custar muito caro. Uma grandeza mal medida de alguma parte da planta indus-
trial pode causar um acidente que cause perdas financeiras muito altas, além de 
danos ao meio ambiente e perda de vidas.
Por isso, sistemas críticos devem ser devidamente monitorados em tempo real.
Para isso, cada sensor deve ser calibrado de acordo com a grandeza que estará 
monitorando. Isso quer dizer que a calibração do sensor leva em conta sua janela 
de operação, precisão necessária para o funcionamento correto, dentre outros.
Não somente um sensor bem calibrado é importante, também é importantea existência de mais de um sensor.
Por exemplo, imagine que, em um caldeirão que tem três sensores de temperatura, 
um dos sensores falhe e mostre uma temperatura muito diferente da real. 
Olhando os outros dois sensores, veremos que a falha foi em um sensor, e não na 
temperatura do caldeirão.
Caso houvesse apenas um sensor, este poderia falhar e estar viciado em enviar 
apenas um dado. Havendo a falha, ele continuaria enviando os mesmos dados, 
e o caldeirão poderia explodir e causar um enorme acidente.
Portanto, o conhecimento e a aplicação desses conceitos são essenciais para 
profissionais que trabalham onde a segurança, a precisão e a confiabilidade dos 
sistemas são imperativos.
UNIASSELVI
1
1
1
1. O que são sensores?
a) São dispositivos que convertem sinal digital em analógico.
b) São dispositivos que fazem a comunicação serial entre dispositivos IoT.
c) São dispositivos que convertem energia pneumática, hidráulica ou elétrica em energia 
mecânica.
d) São dispositivos que trazem leituras de parâmetros físicos.
e) Nenhuma das respostas anteriores.
2. Sensores utilizam diferentes tecnologias para a realização das medições.
Quais são tipos de tecnologias usadas para criação de sensores?
I - Fotoelétricos.
II - Acústicos.
III - Magnéticos.
É correto o que se afirma em:
a) I, apenas.
b) III, apenas.
c) I e II, apenas.
d) II e III, apenas.
e) I, II e III.
3. Com base nas informações sobre sensores, avalie as asserções a seguir e a relação pro-
posta entre elas:
I - Sensores são dispositivos que permitem a leitura de estímulos externos.
PORQUE
II - Sensores podem transformar estímulos em sinais elétricos.
A respeito dessas asserções, assinale a opção correta:
a) As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
b) As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
c) A asserção I é uma proposição verdadeira e a II é uma proposição falsa.
d) A asserção I é uma proposição falsa e a II é uma proposição verdadeira.
e) As asserções I e II são falsas.
AUTOATIVIDADE
1
1
4
REFERÊNCIAS
ALBUQUERQUE, P. U. B.; THOMAZINI, D. Sensores industriais: fundamentos e aplicações. São 
Paulo: Érica, 2005.
BINDAL, A. Electronics for embedded systems. New York: Springer, 2017.
JIMÉNEZ, M.; PALOMERA, R.; COUVERTIER, I. Introduction to embedded systems. New York: 
Springer, 2013.
MEYER, P. L. Probabilidade: aplicações à estatística. [S. l.]: Livros Técnicos e Científicos Edi-
tora S.A., 1983.
1
1
5
1. Opção D. Sensores são dispositivos que permitem a leitura de determinada característica da 
natureza e traduzem para um formato que possa ser entendido por dispositivos eletrônicos.
2. Opção E. Alguns exemplos de tecnologias usadas em sensores: sensores fotoelétricos, que 
são sensores que transformam sinais elétricos a partir de estímulos luminosos; sensores 
acústicos, que são sensores que convertem ondas sonoras em sinais; sensores magnéticos, 
que são sensores que detectam fluxos e campos magnéticos; sensores elétricos, que são 
sensores que detectam grandezas elétricas, como corrente, tensão, capacitância e potência; 
e sensores térmicos, que são sensores capazes de medir a temperatura.
3. Opção A. As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
GABARITO
1
1
1
MINHAS ANOTAÇÕES
1
1
1
MINHAS METAS
REDES NEURAIS ARTIFICIAIS NA 
CALIBRAÇÃO DE SENSORES
Análise de Redes Neurais Artificiais.
Avaliação do perceptron.
Análise do Multi Layer Perceptron.
Verificar backpropagation.
Exploração de funções de ativação.
Análise de calibração de sensores usando RNAs.
Análise comparativa entre métodos estatísticos e comparativos na calibração de 
sensores com RNAs.
T E M A D E A P R E N D I Z A G E M 6
1
1
8
INICIE SUA JORNADA
Sensores são dispositivos que permitem a leitura de determinada característica da 
natureza e a traduzem para um formato que possa ser entendido por dispositivos 
eletrônicos (JIMÉNEZ; PALOMERA; COUVERTIER, 2013).
Sensores, por serem componentes físicos, sofrem com variações naturais que 
fazem com que seja necessária sua calibração.
Vamos considerar a situação em que você faz parte de uma empresa que 
produz sensores dos mais diversos tipos.
Na linha de produção, você já está com um dos estágios finais dos sensores, 
o de construção do componente que realizará a comunicação com ele com o 
dispositivo de Internet das Coisas (IoT). Esse componente receberá um sinal 
elétrico e deverá retornar um sinal que quantifique a resposta do sensor.
Pelo fato de a produção ocorrer muito rápido, é inviável realizar a calibração 
de todos os sensores manualmente. Também, esse tipo de atitude não é recomen-
dável, pois alguns sensores poderiam sofrer com erros humanos.
Como você faria para realizar a calibração de todos os sensores entregando um 
componente para cada sensor que entregasse os sinais conforme esperado?
Hoje, um modelo de aprendizagem de máquinas muito eficiente em técnicas de 
regressão são as redes neurais artificiais.
Redes neurais artificiais (RNA) são modelos matemáticos que são inspirados 
nos neurônios do cérebro humano. As RNAs simulam o mecanismo de aprendi-
zagem de organismos biológicos (KUBAT; KUBAT, 2017).
No podcast de hoje, vamos discutir sobre como realizar a calibração de sensores 
usando redes neurais artificiais. Ficou interessado? Recursos de mídia disponíveis 
no conteúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 6
VAMOS RECORDAR?
Vamos revisitar um tema relevante a fim de prosseguir com a discussão dentro 
do tema. 
Calibração de Sensores
Para realização da calibração, várias técnicas podem ser empregadas. Podemos 
usar métodos comparativos. Tendo uma referência conhecida, seja um meio com 
as características conhecidas ou outro sensor já calibrado, o sensor a ser calibrado 
terá, como base, a referência.
Podemos usar métodos absolutos, que usam grandezas físicas absolutas. Por 
exemplo, temos a temperatura de fusão ou de ebulição da água, velocidade do 
som no ar, dentre outras. Podemos usar métodos estatísticos, que são métodos em 
que o sensor passa por várias medições. A partir delas, são extraídas informações 
como erros e incertezas.
DESENVOLVA SEU POTENCIAL
REDES NEURAIS ARTIFICIAIS
Redes neurais artificiais (RNA) são modelos matemáticos que são inspirados nos 
neurônios do cérebro humano. As RNAs simulam o mecanismo de aprendizagem 
de organismos biológicos (ERTEL, 2018).
Introdução às Redes Neurais Artificiais Recursos de mídia disponíveis no conteúdo 
digital do ambiente virtual de aprendizagem.
EU INDICO
 ■ Perceptron
A unidade mais simples de uma rede neural artificial é o neurônio, chamado 
perceptron (ERTEL, 2018).
1
1
1
entradas
pesos
�função de 
transferência
Entrada 
da rede
Função 
de ativação
ativação
viés
Figura 1 – Rede neural artificial / Fonte: https://commons.wikimedia.org/wiki/File:Artificial_neural_network.
png. Acesso em: 27 out. 2023.
Descrição da Imagem: a imagem mostra um esquema de um perceptron, uma representação de um neurônio de 
uma RNA. A representação gráfica inicia com uma coluna vertical de "entradas", denotadas como x1, x2, x3,... xn, 
cada uma com uma seta direcionada para a frente. Essas entradas são conectadas por setas a uma linha horizontal 
rotulada como "pesos" (W1j, w2j, w3j,... wnj), indicando a ponderação associada a cada entrada. Em seguida, esses 
pesos são conectados individualmente a um símbolo de soma (Σ). Uma seta se estende da soma ponderada para 
um bloco rotulado como "função de transferência". Desse bloco, uma seta conduz à inscrição "Entrada da Rede", 
indicando a continuidade do fluxo. A seguir, uma seta se estende até um bloco rotulado como f(S), que representa 
a "função de ativação". A função de ativação, f(S), é representada por uma seta que se origina de baixo para cima, 
indicando a ativação do resultado da função de transferência. Adicionalmente, uma seta se estendede f(S) para 
um bloco denominado θj, representando a "ativação". Finalmente, uma seta sai de f(S) em direção a um bloco 
identificado como 0j, representando o "viés". 
Conforme mostrado na figura, um perceptron recebe várias entradas (xi) e pro-
duzirá uma saída. Cada entrada possui um peso (wi), que traz a importância 
daquela entrada para o resultado.
É feita uma soma ponderada das entradas com seus pesos e um termo cha-
mado viés (w0), então, seu valor é transformado por uma função de ativação, 
retornando o valor 0 ou 1.
Com a saída, é calculado o erro. Com esse erro, o algoritmo de aprendizagem 
atualiza os pesos e viés a fim de retornar um erro menor na próxima iteração 
(KUBAT; KUBAT, 2017).
O perceptron é um modelo simples, mas eficiente em problemas linearmente 
separáveis. Para problemas não linearmente separáveis, é importante usar estruturas 
mais complexas, como redes neurais com camadas de perceptrons (DINOV, 2018).
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 6
Há um mundo quando o assunto é redes neurais. Para os mais diferentes proble-
mas, há tipos de redes neurais capazes de resolver com mais eficiência e precisão. 
Por exemplo, as redes neurais convolucionais. São redes de aprendizagem profun-
da, com mais camadas intermediárias, que costumam ser muito utilizadas para o 
reconhecimento de imagens.
APROFUNDANDO
 ■ Multi Layer Perceptron
Multi Layer Perceptron (MLP) é uma rede neural com camadas de percep-
tron. Uma MLP é composta por uma camada de entrada, uma camada de saída 
e, pelo menos, uma camada intermediária.
Cada neurônio vai receber um conjunto de entradas que é a saída da camada 
anterior. Essas entradas e pesos são multiplicados e somados ao viés, então, esse 
valor é transformado pela função de ativação não linear (AGGARWAL, 2018).
Figura 2 - Rede de perceptrons de múltiplas camadas / Fonte: https://upload.wikimedia.org/wikipedia/
commons/2/28/MultiLayerPerceptron.png. Acesso em: 27 out. 2023.
Descrição da Imagem: a imagem começa com três setas que emanam de três círculos vermelhos dispostos em 
uma disposição vertical. De cada um dos círculos vermelhos, saem quatro setas, as setas se dirigem em direção 
a quatro círculos subsequentes de cor verde claro, que também estão alinhados verticalmente. A partir de cada 
círculo verde claro, uma seta se projeta em direção a um círculo verde localizado à frente dele e, por fim, do 
verde, sai uma seta.
1
1
1
O algoritmo de treinamento da MLP é o backpropagation, retropropagação, que 
é um algoritmo que ajusta os pesos da rede no sentido da saída para a entrada.
Uma MLP pode ser utilizada para resolução de vários tipos de problemas, 
incluindo problemas de regressão, que pode ser o caso de calibração de sensores.
Vemos que as redes neurais artificiais são ferramentas poderosas na resolução de 
diversos tipos de problemas, inclusive regressão. O que acontece dentro da rede 
que permite que ela alcance esses resultados?
PENSANDO JUNTOS
Durante esse processo, a rede neural ajusta gradualmente seus pesos para mini-
mizar a diferença entre as previsões e os valores reais. A capacidade da rede em 
aprender relações complexas e não lineares nos dados é o que a torna eficaz em 
problemas de regressão e em diversas outras tarefas.
As redes neurais artificiais são, de fato, poderosas ferramentas que podem 
ser usadas para resolver uma variedade de problemas, incluindo tarefas de re-
gressão. Vou fornecer uma visão mais detalhada sobre como elas funcionam e 
como podem ser implementadas:
Dentro de uma rede neural, a mágica acontece graças a camadas de neurônios 
interconectados, que são capazes de aprender representações complexas dos da-
dos. Isso ocorre durante o treinamento da rede, onde os pesos e os vieses dessas 
conexões são ajustados iterativamente para minimizar uma função de perda, 
como o erro quadrático médio (para problemas de regressão).
As redes neurais têm a capacidade de aprender a partir de dados de treinamento, 
identificando padrões e relações em dados de entrada e, em seguida, fazendo 
previsões com base nesse aprendizado. As camadas intermediárias (também 
chamadas de camadas ocultas) da rede são particularmente importantes, pois são 
responsáveis por aprender as representações intermediárias dos dados.
Como implementar redes neurais: as redes neurais podem ser implementadas 
usando diversas linguagens de programação, mas uma das mais populares para esse 
fim é a Python, devido à disponibilidade de bibliotecas e frameworks poderosos.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 6
Frameworks/Bibliotecas populares para implementação de redes neurais em 
Python:
 ■ TensorFlow: desenvolvido pela Google, o TensorFlow é uma das biblio-
tecas de aprendizado de máquina mais amplamente usadas. Ele oferece 
uma ampla gama de ferramentas para criar e treinar redes neurais, desde 
redes simples até arquiteturas de ponta.
 ■ Keras: API de alto nível que roda em cima de frameworks como Tensor-
Flow. É conhecida por sua simplicidade e eficácia na criação rápida de 
redes neurais.
 ■ PyTorch: biblioteca de aprendizado de máquina desenvolvida pelo Face-
book. É amplamente usada na pesquisa de aprendizado profundo devido 
à sua flexibilidade e facilidade de depuração.
Passos gerais para implementar redes neurais em Python:
• Importar a biblioteca/framework de escolha.
• Criar o modelo da rede neural, definindo a arquitetura da rede, camadas, funções 
de ativação etc.
• Compilar o modelo, especificando a função de perda, otimizador e métricas a 
serem usadas durante o treinamento.
• Treinar o modelo usando dados de treinamento.
• Avaliar o desempenho do modelo usando dados de teste.
• Fazer previsões usando o modelo treinado.
APROFUNDANDO
Implementar redes neurais requer conhecimento de programação e conceitos 
de aprendizado de máquina. O treinamento e ajuste de hiperparâmetros são 
passos importantes para obter resultados sólidos em problemas de regressão e 
classificação. Além disso, é importante ter um conjunto de dados de qualidade 
para treinamento e teste.
1
1
4
Eu Sou Frank
Franky é uma androide adolescente, criada pela cientista So-
fia, a quem chama de mãe. Ela compartilha seu segredo ape-
nas com a sua família, mas frequenta a escola normalmente. 
Lá, ela precisa aprender a lidar com emoções e problemas da 
adolescência.
Em Eu Sou Frank, temos uma androide que tem uma inteligên-
cia artificial avançada e sentimentos. Com o passar do tempo, 
ela vai ganhando mais sensores que lhe permitem experimen-
tar algumas das sensações humanas.
INDICAÇÃO DE FILME
CALIBRAÇÃO DE SENSORES
Uma maneira eficiente de realizar a calibração de sensores usando RNAs é usar 
os métodos comparativo e estatístico. Com fontes confiáveis da resposta esperada 
do sistema, adquirimos vários dados de medições e, então, podemos realizar uma 
regressão usando uma RNA.
O método comparativo envolve a comparação direta entre as saídas do sensor 
e as respostas esperadas, enquanto o método estatístico utiliza técnicas estatísticas 
para modelar a relação entre os dados do sensor e as respostas desejadas. O uso 
de RNAs nesse contexto permite capturar relações não lineares e complexas entre 
os dados do sensor e as respostas esperadas.
A regressão usando RNAs envolve alimentar os dados de medição como 
entrada para a rede e treiná-la para aprender a mapear esses dados para as res-
postas esperadas. Durante o treinamento, os pesos da rede são ajustados para 
minimizar a diferença entre as saídas previstas e as respostas reais.
UNIASSELVI
1
1
5
TEMA DE APRENDIZAGEM 6
Existem várias funções de ativação que podemos usar em redes neurais.
Vamos citar algumas:
APROFUNDANDO
ReLU
0, 0
, 0
x
x x
�� �
� ��� �
1
( )
1 xx
e
� ��
�
sinh( )
tanh( )
cosh( )
xx
x
�
A função ReLU (Rectified Linear Unit) é uma função não linear que retorna o 
valor se este for maior que 0, ou 0, caso contrário.
A função ReLU é amplamente utilizada por ser computacionalmente eficien-
te, permitindo treinamentos mais rápidos semcomprometimento da precisão.
Sigmoide
A função sigmoide é uma função útil para introduzir não linearidade na saída de 
uma determinada camada da rede neural. É computacionalmente mais cara que a 
ReLU e não trabalha muito bem com valores muito grandes ou muito pequenos.
A função sigmoide mapeia valores reais para um intervalo entre 0 e 1, sendo 
útil em classificação binária.
Tangente Hiperbólica
A função tangente hiperbólica (tanh) é uma função não linear semelhante à função 
sigmoide, a diferença é que a tanh mapeia os valores reais para entre -1 e 1.
1
1
1
A escolha da função de ativação depende da natureza da tarefa e das ca-
racterísticas dos dados. A ReLU é popular em muitos cenários, mas é essencial 
considerar as peculiaridades do problema em questão ao escolher a função mais 
adequada. Experimentação e ajustes são comuns durante o desenvolvimento de 
modelos de RNAs para calibração de sensores.
Conforme história iniciada nesse tema, vamos modelar uma RNA para rea-
lizar a calibração de sensores.
No nosso exemplo, vamos realizar a calibração de um sensor de temperatura, 
com janela entre 18°C e 32°C.
O sensor usado no exemplo é o Sensor 2 da base TempSense: Temperature 
and Sensor Data (https://www.kaggle.com/datasets/aakashjoshi123/tempsense-
-temperature-and-sensor-data). Foi feita uma remoção de outliers baseado na 
proximidade de uma reta feita com base em todos os sensores. 
Primeiramente, vamos iniciar com os resultados coletados pelo sensor.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 6
Figura 3 - Relação entre o retorno do sensor e a temperatura registrada / Fonte: o autor.
Descrição da Imagem: a imagem apresenta um gráfico quadrado que representa a relação entre a temperatura 
(°C) e o retorno do sensor. No eixo vertical esquerdo, temos os valores de temperatura, variando de 18 °C a 32 
°C, enquanto no eixo horizontal inferior, temos os valores do sensor, variando de 0.0 a 1.0. O gráfico consiste 
em linhas descontínuas que conectam diversas bolinhas dispostas em diferentes alturas na escala do sensor. O 
gráfico é preenchido por elas, que se estendem da extremidade esquerda (0.0), (18°) até a extremidade direita 
do quadrado (1.0), (32°).
Para realizar a regressão desse sensor, foi implementada uma MLP com uma 
camada intermediária com 64 neurônios com função de ativação ReLU (rectified 
linear activation function), utilizando a biblioteca Tensor Flow.
O código a seguir gera a rede neural:
1
1
8
regressor1 = Sequential() # Inicia a rede
callbacks = [EarlyStopping(monitor='loss')] # Permite que ela pare se não houver evo-
lução
regressor1.add(Dense(1, input_dim=1, activation='linear')) # Camada de entrada
regressor1.add(Dense(64, activation='relu')) # Camada intermediária com 64 neurô-
nios e função de ativação ReLu
regressor1.add(Dense(1, activation='linear')) # Camada de Saída
regressor1.compile(loss='mean_squared_error',optimizer='adam',metrics=['mean_ab-
solute_error']) # Otimizado Adam é um dos mais tradicionais
A função ReLU é linear quando maior ou igual a zero, e zero quando menor que 
zero.
Figura 4 - Gráfico da função ReLU / Fonte: https://upload.wikimedia.org/wikipedia/commons/f/fe/Activa-
tion_rectified_linear.svg. Acesso em: 27 out. 2023.
Descrição da Imagem: a imagem mostra um gráfico da função ReLU, em quem seu valor é 0 se a entrada é menor 
que 0 e linear se for maior.
A função ReLU é uma função que permite que o modelo seja mais fácil de treinar 
e, geralmente, atinge melhor desempenho.
Com uma taxa de aprendizagem de 0,001, e após rodar 47 épocas, tivemos 
o seguinte resultado:
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 6
Figura 5 - Comparação do resultado esperado e o resultado da rede para o conjunto de treinamento
Fonte: o autor.
Descrição da Imagem: a imagem mostra a comparação do resultado esperado e o resultado da rede para o con-
junto de treinamento. A imagem apresenta um gráfico quadrado que representa a relação entre a temperatura 
(°C) e o retorno do sensor. No eixo vertical esquerdo, temos os valores de temperatura, variando de 18 °C a 32 
°C, enquanto no eixo horizontal inferior, temos os valores do sensor, variando de 0.0 a 1.0. O gráfico consiste 
em linhas descontínuas que conectam diversas bolinhas dispostas em diferentes alturas na escala do sensor. 
O gráfico é preenchido com bolinhas descontínuas e uma linha reta com a mesma direção que se estendem da 
extremidade esquerda (0.0), (18°) até a extremidade direita do quadrado (1.0), (32°) onde, na legenda, a bolinha 
está denominada como “treino", e a linha, como “RNA treino”.
1
4
1
Figura 6 - Resultado esperado do conjunto de testes e do resultado da previsão da rede / Fonte: o autor.
Descrição da Imagem: gráfico com o resultado esperado do conjunto de testes e do resultado da previsão da rede. 
A imagem mostra a comparação do resultado esperado e o resultado da rede para o conjunto de treinamento. A 
imagem apresenta um gráfico quadrado que representa a relação entre a temperatura (°C) e o retorno do sensor. 
No eixo vertical esquerdo, temos os valores de temperatura, variando de 18 °C a 32 °C, enquanto no eixo hori-
zontal inferior, temos os valores do sensor, variando de 0.0 a 1.0. O gráfico consiste em descontínuas bolinhas 
dispostas em diferentes alturas na escala do sensor. O gráfico é preenchido com bolinhas descontínuas e uma 
linha reta com a mesma direção que se estendem da extremidade esquerda (0.0), (18°) até a extremidade direita 
do quadrado (1.0), (32°), onde, na legenda, a bolinha está denominada como “teste", e a linha, como "RNA teste".
O erro médio absoluto foi de 1,31 quer dizer que a rede, calculando o erro para 
cada ponto, teve uma média de 1,31.
UNIASSELVI
1
4
1
TEMA DE APRENDIZAGEM 6
p
er
d
as
épocas
Perdas por Épocas
600
500
400
300
200
100
0
0 10 20 30 40
Figura 7 - Convergência da rede avaliada pela função de perda / Fonte: o autor.
Descrição da Imagem: gráfico que mostra a convergência da rede avaliada pela função de perda. A imagem retrata 
um gráfico intitulado "Perdas por Época".
O eixo vertical à esquerda é rotulado como "Perdas" e possui valores marcados de cima para baixo: 0, 100, 200, 
300, 400, 500 e 600. O eixo horizontal inferior é rotulado como "Épocas" e exibe valores de 0, 10, 20, 30 e 40. 
O gráfico começa na altura de 600 “Perdas” e na linha de 0 “épocas”. Conforme as épocas progridem, a linha de 
perdas começa a declinar. A mudança mais significativa ocorre perto de 30 épocas, momento em que a linha de 
perdas atinge 0 e se mantém nesse valor até o final do gráfico.
Vemos, pelo gráfico anterior, que a rede precisou de menos de 30 iterações para 
convergir, um resultado muito bom para muitos problemas semelhantes.
Portanto, as RNAs emergem como ferramentas poderosas na resolução de 
desafios complexos, como a calibração de sensores. Sua capacidade de aprender 
padrões, adaptar-se a dados não lineares e generalizar para novos cenários faz 
deles instrumentos valiosos em diversas aplicações práticas. 
1
4
1
No entanto, é crucial considerar a escolha adequada de arquitetura, funções 
de ativação e parâmetros de treinamento para alcançar resultados ótimos. O 
campo das RNAs continua a evoluir, prometendo avanços significativos nas ca-
pacidades de aprendizado de máquina e inteligência artificial.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este 
tema. Recursos de mídia disponíveis no conteúdo digital do ambiente virtual de 
aprendizagem.
EM FOCO
NOVOS DESAFIOS
A aplicação de Redes Neurais Artificiais (RNAs) na calibração de sensores possui 
relevância significativa na prática profissional, especialmente em campos onde a 
precisão e a adaptabilidade são cruciais. Vamos explorar como o conhecimento 
sobre RNAs na calibração de sensores se relaciona com a prática profissional em 
diferentes contextos.
Na otimização de processos em ambientes industriais, a calibração precisa de 
sensores, o que é essencial para garantir a qualidadee eficiência. RNAs podem ser 
empregadas para calibrar sensores de forma dinâmica, adaptando-se a variações 
nas condições de operação e otimizando continuamente o desempenho do sistema.
UNIASSELVI
1
4
1
TEMA DE APRENDIZAGEM 6
Em monitoramento ambiental, com precisão em medidas ambientais, senso-
res são utilizados para coletar dados críticos. RNAs facilitam a calibração desses 
sensores, lidando com padrões complexos e ajudando a compensar variações 
ambientais, como mudanças sazonais.
Na saúde e ciências da vida, em aplicações biomédicas, sensores precisos são 
cruciais para monitorar sinais vitais. RNAs podem ser empregadas para calibrar 
sensores biomédicos, levando em consideração a variabilidade individual e 
adaptando-se a condições específicas de pacientes.
Na agricultura de precisão, sensores são utilizados para monitorar a umidade do 
solo, nutrientes etc. RNAs proporcionam calibração adaptável para diferentes 
tipos de solo e condições climáticas, otimizando o uso de recursos e aumentando 
a eficiência agrícola.
Na automação residencial e industrial, com inteligência em sensores domés-
ticos: sensores desempenham um papel crucial na detecção de condições am-
bientais e segurança. RNAs contribuem para a calibração precisa desses sensores, 
adaptando-se às dinâmicas específicas dos ambientes residenciais ou industriais.
Nos desafios na prática profissional, na interpretação de resultados, profissio-
nais precisam compreender não apenas a teoria por trás das RNAs na calibração, 
mas também interpretar os resultados gerados pelas redes. Entender como os pesos 
ajustados influenciam as previsões da rede é essencial para otimizar a calibração.
Em gestão de dados, lidar com grandes conjuntos de dados é comum na práti-
ca profissional. Profissionais devem ter habilidades para gerenciar, pré-processar 
e utilizar eficientemente os dados na calibração com RNAs.
Portanto, a aplicação de RNAs na calibração de sensores proporciona uma 
abordagem inovadora para lidar com desafios práticos em diversos setores. Pro-
fissionais que compreendem a teoria por trás das RNAs e têm a capacidade de 
implementar e interpretar os resultados dessas redes estão em uma posição estra-
tégica para melhorar a precisão e adaptabilidade dos sistemas de sensoriamento 
em suas respectivas áreas de atuação.
1
4
4
1. Qual o nome dado ao "neurônio" de uma rede neural Artificial?
a) Neuron.
b) Neutron.
c) Perceptron.
d) Positron.
e) Elétron.
2. Qual(is) é (são) o(s) algoritmo(s) responsável(is) pelo ajuste nos pesos de uma MLP?
I - Backpropagation.
II - Forward propagation.
III - Sigmoid.
É correto o que se afirma em:
a) I, apenas.
b) III, apenas.
c) I e II, apenas.
d) II e III, apenas.
e) I, II e III.
3. Suponha uma situação em que se precisa realizar a calibração de sensores de peso de 
maneira automatizada sem ter os dados dos objetos que serão usados, sabendo que o 
formato físico do objeto diz a massa dele, e tendo-se apenas uma câmera para avaliá-los.
Qual tipo de rede neural a seguir é mais recomendável para realizar as leituras dos objetos 
que serão usados para a calibração dos sensores?
a) Perceptron.
b) Redes Feedforwards (como a MLP).
c) Redes Convolucionais (CNN).
d) Redes Recorrentes (RNN).
e) Redes Neurais de Hopfield.
AUTOATIVIDADE
1
4
5
REFERÊNCIAS
AGGARWAL, C. C. et al. Neural networks and deep learning. Springer, v. 10, n. 978, p. 3, 2018.
DINOV, I. D. Data science and predictive analytics. Switzerland: Springer, 2018.
ERTEL, W. Introduction to artificial intelligence. Switzerland: Springer, 2018.
JIMÉNEZ, M.; PALOMERA, R.; COUVERTIER, I. Introduction to embedded systems. Switzerland: 
Springer, 2013.
KUBAT, M.; KUBAT, J. A. An introduction to machine learning. Switzerland: Springer, 2017.
1
4
1
1. Opção C. Assim como as redes neurais biológicas têm sua célula básica, chamada neurônio, 
as RNAs têm sua unidade básica, chamada perceptron.
2. Opção A. O algoritmo de treinamento da MLP é o backpropagation, (retropropagação), que 
é um algoritmo que ajusta os pesos da rede no sentido da saída para a entrada.
3. Opção C. As redes neurais convolucionais (CNNs) são redes neurais comumente utilizadas 
para processamento e classificação de imagens digitais.
GABARITO
1
4
1
UNIDADE 3
MINHAS METAS
PREDIÇÃO DE DADOS DE IoT
COM MACHINE LEARNING
Tipos de dados usado por IoT.
Modelos de Machine Learning.
Processo de predição.
Avaliação de modelos.
Desafios encontrados no uso de IoT.
Aplicações no uso de IoT.
Manutenção preditiva.
T E M A D E A P R E N D I Z A G E M 7
1
5
1
INICIE SUA JORNADA
A Internet das Coisas (IoT) é uma rede de dispositivos físicos conectados à internet 
que podem coletar e compartilhar dados. Esses dados podem ser usados para me-
lhorar a eficiência, tomar decisões mais informadas e prever o futuro. O Machine 
Learning é uma forma de inteligência artificial que permite aos computadores 
aprenderem sem serem explicitamente programados. Ele pode ser usado para 
analisar grandes quantidades de dados e identificar padrões que seriam impossíveis 
de serem detectados pelo olho humano. Mas como isso ocorre em nosso dia a dia?
A predição de dados de IoT com Machine Learning é uma área promissora 
de pesquisa e desenvolvimento. A combinação dessas duas tecnologias tem o po-
tencial de revolucionar a forma como interagimos com o mundo ao nosso redor.
No podcast de hoje, vamos discutir a predição de dados de IoT com Machine Lear-
ning. A Internet das Coisas (IoT) é uma rede de dispositivos físicos interconectados 
que coletam e compartilham dados. O Machine Learning é um ramo da Inteligência 
Artificial que permite que os computadores aprendam sem serem explicitamen-
te programados. Juntos, IoT e Machine Learning podem ser usados para prever o 
comportamento futuro de dispositivos e sistemas. Recursos de mídia disponíveis 
no conteúdo digital do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Afinal, do que se trata Machine Learning?
Assista a este vídeo resumido do canal Ciência Todo Dia no Youtube, para você 
retomar o significado literal do termo. Recursos de mídia disponíveis no conteúdo 
digital do ambiente virtual de aprendizagem.
UNIASSELVI
1
5
1
TEMA DE APRENDIZAGEM 7
DESENVOLVA SEU POTENCIAL
A predição de dados de IoT com Machine Learning é uma técnica que permite 
prever eventos futuros ou tendências com base em dados históricos. Existem 
vários tipos de algoritmos de Machine Learning que podem ser usados para a 
predição de dados de IoT. A predição de dados de IoT com Machine Learning é 
uma técnica poderosa que pode ser usada para melhorar a eficiência, a produti-
vidade e a segurança de uma variedade de aplicações.
Primeiramente, precisamos entender como o Machine Learning pode ajudar 
a prever dados de IoT, e como ele se classifica no uso de Machine Learning, e, 
para isso, vamos descrever as suas formas de aplicação.
TIPOS DE DADOS DE IoT
Os dados de IoT podem ser de natureza variada, incluindo dados sensoriais, dados de 
transação e dados de log. Cada tipo de dado tem seus próprios desafios e oportunida-
des de predição (CARDOSO; OLIVEIRA; GOMES, 2022).
MODELOS DE MACHINE LEARNING
Existem muitos diferentes modelos de Machine Learning que podem ser usados para 
prever dados de IoT. Alguns dos modelos mais populares incluem regressão, classifi-
cação e agrupamento.
PROCESSO DE PREDIÇÃO
O processo de predição de dados de IoT com Machine Learning envolve os seguintes 
passos: coleta de dados, preparação de dados, treinamento do modelo, avaliação do 
modelo e implantação do modelo.
AVALIAÇÃO DE MODELOS DE DADOS DE IoT COM MACHINE LEARNING
A avaliação de modelos de Machine Learning é importante para garantir que o modelo 
esteja fornecendo previsões precisas. Existem várias métricas que podem ser usadas 
para avaliar modelos de Machine Learning, como o erro quadrático médio (RMSE), a 
precisão e a sensibilidade.
1
5
1
DESAFIOS PREDIÇÃO DE DADOS DE IoT COM MACHINE LEARNING
Existem algunsdesafios que podem ser enfrentados na predição de dados de IoT com 
Machine Learning, como a falta de dados, a falta de diversidade de dados e a comple-
xidade dos dados.
APLICAÇÕES DA PREDIÇÃO DE DADOS DE IoT COM MACHINE LEARNING
A predição de dados de IoT com Machine Learning pode ser usada em uma variedade 
de aplicações, incluindo a manutenção preditiva, a otimização de processos, a tomada 
de decisão, a prevenção de fraudes e a segurança.
OTIMIZAÇÃO DE PROCESSOS NA PREDIÇÃO DE DADOS DE IoT COM 
MACHINE LEARNING
A otimização de processos pode ajudar a melhorar a precisão e a eficiência da predi-
ção de dados de IoT com Machine Learning. Existem várias técnicas que podem ser 
usadas para otimizar processos, como a seleção de características, a engenharia de 
recursos e a seleção de modelo.
UNIASSELVI
1
5
1
TEMA DE APRENDIZAGEM 7
TIPOS DE DADOS DE IoT
A Internet das Coisas (IoT) é um termo que se refere à conexão de objetos físicos ao 
mundo digital por meio da internet. Esses objetos, chamados de dispositivos IoT, 
podem coletar e enviar dados para serem analisados e usados para tomar decisões.
Os dados coletados por dispositivos IoT podem ser classificados de várias 
maneiras, dependendo do tipo de dispositivo, da aplicação e do propósito. No 
entanto, de forma geral, os dados de IoT podem ser divididos em três categorias 
principais (OLIVEIRA, 2022; SILVA; DIAS, 2022):
DADOS DE SENSORES
Esses dados são coletados por sensores que são incorporados nos dispositivos IoT. 
Os sensores podem medir uma variedade de coisas, como temperatura, umidade, mo-
vimento, localização etc.
DADOS DE TRANSAÇÕES
Esses dados são gerados quando um dispositivo IoT interage com outro dispositivo ou 
com um sistema de TI. Por exemplo, um dispositivo IoT que controla um sistema de 
iluminação pode gerar dados de transações quando um usuário liga ou desliga a luz.
DADOS DE USO
Esses dados são coletados para rastrear como um dispositivo IoT está sendo usado. 
Por exemplo, um dispositivo IoT que monitora a saúde de um paciente pode gerar 
dados de uso para rastrear os níveis de atividade do paciente.
1
5
4
Dados de sensores
Os dados de sensores são o tipo mais comum de dados de IoT. Esses dados são 
coletados por sensores que são incorporados nos dispositivos IoT. Os sensores 
podem medir uma variedade de coisas, como temperatura, umidade, movimen-
to, localização etc.
Os dados de sensores podem ser usados para uma variedade de propó-
sitos, como:
1. Monitoramento de condições: os dados de sensores podem ser usa-
dos para monitorar condições ambientais, como temperatura, umidade 
e poluição.
2. Rastreamento de ativos: os dados de sensores podem ser usados para 
rastrear ativos, como veículos, equipamentos e produtos. 
3. Automatização de processos: os dados de sensores podem ser usados 
para automatizar processos, como controle de temperatura, irrigação e 
iluminação.
Dados de transações
Os dados de transações são gerados quando um dispositivo IoT interage com 
outro dispositivo ou com um sistema de TI. Por exemplo, um dispositivo IoT 
que controla um sistema de iluminação pode gerar dados de transações quando 
um usuário liga ou desliga a luz. Os dados de transações podem ser usados para 
uma variedade de propósitos, como (ABREU, 2022; LIMA, 2021):
1. Controle de acesso: os dados de transações podem ser usados para con-
trolar o acesso a recursos, como edifícios, computadores e veículos.
2. Gerenciamento de inventário: os dados de transações podem ser usa-
dos para gerenciar o inventário de produtos e materiais. 
3. Análise de desempenho: os dados de transações podem ser usados para 
analisar o desempenho de sistemas e processos.
UNIASSELVI
1
5
5
TEMA DE APRENDIZAGEM 7
Dados de uso
Os dados de uso são coletados para rastrear como um dispositivo IoT está sendo 
usado. Por exemplo, um dispositivo IoT que monitora a saúde de um paciente 
pode gerar dados de uso para rastrear os níveis de atividade do paciente. Os dados 
de uso podem ser usados para uma variedade de propósitos, como:
1. Melhoria de produtos e serviços: os dados de uso podem ser usados 
para melhorar produtos e serviços, identificando padrões de uso e neces-
sidades de usuários (SOUZA, 2022). 
2. Personalização de experiências: os dados de uso podem ser usados 
para personalizar experiências para usuários, como recomendar produtos 
ou serviços com base no histórico de uso (SANTOS, 2021).
3. Marketing direcionado: os dados de uso podem ser usados para dire-
cionar marketing para usuários, exibindo anúncios ou ofertas com base 
no histórico de uso (LUZ, 2023).
Filme: Minority Report - A nova Lei
Direção/Ano: Steven Spielberg/ 2002
Sinopse: O Departamento de Prevenção de Crimes de 
Washington usa uma tecnologia de previsão para prender cri-
minosos antes de cometerem crimes. A tecnologia usa dados 
de sensores de IoT, como câmeras de vigilância e registros 
de transações financeiras, para identificar pessoas com maior 
probabilidade de cometer crimes.
INDICAÇÃO DE FILME
1
5
1
https://www.adorocinema.com/personalidades/personalidade-471/
MODELOS DE MACHINE LEARNING
O Machine Learning (ML) é uma área da Inteligência Artificial (IA) que permite 
que os computadores aprendam sem serem explicitamente programados. Os 
modelos de ML são programas de computador que aprendem a partir de dados 
e são capazes de fazer previsões ou tomar decisões sem serem explicitamente 
codificados com as regras para fazer isso. Os modelos de ML podem ser usados 
para uma variedade de tarefas, incluindo:
1. Reconhecimento de padrões: os modelos de ML podem ser usados 
para identificar padrões em dados, o que pode ser útil para tarefas como 
classificar imagens, reconhecer voz ou detectar fraudes.
2. Predição: os modelos de ML podem ser usados para fazer previsões so-
bre o futuro, com base em dados históricos. Isso pode ser útil para tarefas 
como prever as vendas, o comportamento do cliente ou o risco de crédito. 
3. Tomada de decisão: os modelos de ML podem ser usados para ajudar a 
tomar decisões, com base em dados. Isso pode ser útil para tarefas como 
otimizar o planejamento de recursos, escolher o melhor curso de ação ou 
atribuir produtos ou serviços aos clientes.
Modelos de ML
Existem muitos tipos diferentes de modelos de ML, cada um com suas próprias 
vantagens e desvantagens. Alguns dos tipos mais comuns de modelos de ML in-
cluem o uso de aprendizado supervisionado, onde o modelo é treinado com um 
conjunto de dados de entrada e saída conhecido, ele ensina a relacionar as entradas 
com as saídas, de modo que possa fazer previsões precisas para dados novos.
Outra forma se dá pelo aprendizado não supervisionado, que é aquele em 
que o modelo é treinado com um conjunto de dados de entrada, sem saídas co-
nhecidas. Nele, aprende-se a encontrar padrões nos dados, sem ser explicitamen-
te ensinado a fazer isso; ou quando há esforço, é denominado, por aprendizado 
por reforço, pois ele ensina a máquina a tomar decisões por meio de tentativa 
e erro. O modelo é recompensado por tomar decisões que levam a resultados 
positivos e punido por tomar decisões que levam a resultados negativos.
UNIASSELVI
1
5
1
TEMA DE APRENDIZAGEM 7
Estes modelos de ML funcionam usando um processo chamado aprendiza-
do. O aprendizado é o processo pelo qual o modelo ajusta seus parâmetros de 
modo a fazer previsões mais precisas, e ele pode ser feito usando um algoritmo 
de aprendizado. Existem muitos algoritmos de aprendizado diferentes, cada um 
com suas próprias vantagens e desvantagens. Alguns dos algoritmos de aprendi-
zado mais comuns incluem a regressão linear ou logística, ou através de árvores 
de decisão, ou redes neurais.
ALGORITMO MÉTODO
Regressão linear
A regressão linear é um algoritmo de aprendizado 
supervisionado que pode ser usado para prever um 
valor contínuo.
Regressão logística
A regressão logística é um algoritmo de aprendizado 
supervisionado que pode ser usado para prever uma 
categoria.
Árvores de decisão
Asárvores de decisão são algoritmos de aprendiza-
do não supervisionado que podem ser usados para 
classificar dados.
Redes neurais
As redes neurais são algoritmos de aprendizado de 
máquina que são inspirados no cérebro humano.
Tabela 1 - Características de algoritmos / Fonte: o autor.
Os modelos de ML são usados em uma ampla variedade de aplicações, entre elas 
o reconhecimento de imagem, onde os ML são usados para identificar objetos 
em imagens. Isso pode ser útil para tarefas como reconhecimento facial, leitura 
de placas de carro ou identificação de fraudes através do reconhecimento de 
voz, no qual eles são usados para reconhecer palavras e frases faladas. Isso pode 
ser útil para tarefas como assistentes virtuais, reconhecimento de voz e tradução 
automática; ou mesmo na classificação de texto, pois podem classificar textos 
em categorias; ou mesmo na recomendação de produtos. Os modelos de ML 
são usados para recomendar produtos ou serviços aos clientes. 
1
5
8
PROCESSO DE PREDIÇÃO
A predição de dados de IoT envolve o uso de técnicas e algoritmos de aprendi-
zado de máquina para prever comportamentos futuros ou resultados com base 
nos dados coletados por dispositivos de Internet das Coisas (IoT). Esses dispo-
sitivos estão interconectados e geram grandes volumes de dados em tempo real. 
A predição de dados de IoT permite que as organizações extraiam informações 
valiosas desses dados e antecipem eventos futuros. Isso tem aplicações em uma 
variedade de setores, como saúde, manufatura, logística, agricultura e muito mais.
Exemplos de aplicação em diferentes setores incluem:
Filme: EX_ Machina: Instinto Artificial
Diretor/Ano: Alex Garland/ 2015
Sinopse: Neste filme, Caleb Smith, um programador de com-
putador, ganha um concurso para passar uma semana com o 
CEO da empresa onde trabalha. Caleb é levado para uma casa 
remota onde é apresentado a Ava, uma IA que pode se passar 
por uma pessoa. Caleb é encarregado de testar Ava, mas ele 
logo descobre que ela é capaz de usar seus dados para prever 
seus movimentos e emoções.
INDICAÇÃO DE FILME
SAÚDE
Previsão de deterioração do estado de saúde de pacientes com base em sinais vitais 
monitorados em tempo real.
MANUFATURA
Previsão de falhas em máquinas industriais para manutenção preventiva.
UNIASSELVI
1
5
9
https://www.adorocinema.com/personalidades/personalidade-91203/
TEMA DE APRENDIZAGEM 7
A predição de dados de IoT oferece diversos benefícios e impactos, como a otimi-
zação de processos, que permitem a automação e otimização de processos, econo-
mizando tempo e recursos; a tomada de decisão Informada baseada em insights 
preditivos; através da possibilidade de redução de custos, por meio da manutenção 
preventiva e a gestão eficiente; e pela melhoria na qualidade dos serviços e produtos.
Existem empresas que utilizam dessas ferramentas para o desenvolvimento e 
aprimoramento da monitoração das informações, por exemplo, a empresa Gene-
ral Electric utiliza a predição de dados para monitorar turbinas de vento e prever 
manutenções necessárias, reduzindo custos e interrupções; a empresa de logística 
UPS usa análise preditiva para otimizar as rotas de entrega e economizar milhões 
de galões de combustível por ano, e alguns hospitais atualmente, estão usando a 
predição de dados de IoT para monitorar pacientes e identificar precocemente 
complicações médicas, através de sistemas de informações hospitalares.
A preparação de dados para a predição é importante, pois é através da coleta 
e armazenamento que viabiliza a capacidade de lidar com grandes volumes e 
variedades de dados IoT. Assim, também ocorre com o processo de limpeza e 
pré-processamento, pois identifica e trata valores faltantes, como pela correção 
de erros e remoção de outliers que possam distorcer os modelos que possam 
prejudicar os resultados de predição.
O uso de engenharia de recursos também é associado ao processo, uma vez 
que ela facilita a criação de recursos relevantes, de forma a envolver a transfor-
mação dos dados brutos em características úteis para os modelos de predição. 
Entretanto, para dados de séries temporais, a extração de tendências, sazonali-
dades e padrões é fundamental.
AGRICULTURA
Previsão de colheitas e otimização do uso de recursos com base em dados climáticos 
e do solo.
LOGÍSTICA
Previsão de demanda de produtos para otimizar estoques e agendamento de entregas.
1
1
1
Modelagem Preditiva e Prática
A modelagem preditiva, ainda associada ao modelo de predição, passa por duas 
etapas responsáveis pela execução do tratamento desses dados IoT, primeira a 
seleção do modelo, pois estes são muito variados, como a regressão para previsão 
numérica. Classificação para categorização e séries temporais para previsões se-
quenciais, as redes neurais, árvores de decisão e métodos ensemble são exemplos 
de algoritmos usados na predição de dados de IoT; e a seleção e avaliação do 
modelo escolhido, pois ele depende do problema e dos dados e, por fim, a ava-
liação de desempenho, usando técnicas como validação cruzada, ajuda a escolher 
o modelo mais adequado e a ajustar seus parâmetros.
Na prática, o uso de ferramentas e tecnologias, como as linguagens de progra-
mação (Python) e bibliotecas (TensorFlow e scikit-learn) são amplamente usadas 
na implementação de modelos preditivos. As plataformas de IoT, como AWS IoT 
e Azure IoT, facilitam a integração e gerenciamento dos dados.
O desenvolvimento de modelos envolve etapas como a seleção de caracte-
rísticas, treinamento e teste desse modelo. A otimização de hiperparâmetros é 
importante para obter o melhor desempenho do modelo.
Em resumo, a predição de dados de IoT oferece insights valiosos para melho-
rar processos e tomadas de decisão em uma variedade de setores. A preparação 
adequada dos dados, escolha de modelos apropriados e implementação eficaz 
são passos cruciais para obter sucesso nessa abordagem.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 7
AVALIAÇÃO DE MODELOS DE DADOS DE IoT COM 
MACHINE LEARNING
A avaliação de modelos de dados de IoT com Machine Learning é um processo 
importante para garantir que os modelos estejam funcionando corretamente e 
produzindo resultados precisos. Esse processo envolve a coleta e análise de dados 
de teste, que são dados que não foram usados para treinar o modelo.
Os dados de teste são usados para avaliar o desempenho do modelo em tarefas 
específicas, como classificação, regressão ou detecção de anomalias. Os principais 
indicadores de desempenho usados para avaliar modelos de ML como a acurácia 
(porcentagem de instâncias testadas que o modelo classificou corretamente), a 
precisão (porcentagem de instâncias classificadas como positivas que realmente 
são positivas), o recall (porcentagem de instâncias positivas que o modelo classi-
ficou corretamente), e o F1 Score (média ponderada de precisão e recall).
Além desses indicadores de desempenho gerais, indicadores específicos po-
dem ser usados para avaliar modelos de ML para tarefas específicas. Por exemplo, 
para modelos de classificação, o indicador de desempenho AUC-ROC (área sob 
a curva característica de operação do receptor) pode ser usado para avaliar a 
capacidade do modelo de distinguir entre classes.
O processo de avaliação de modelos de dados de IoT com Machine Learning 
pode ser dividido nas seguintes etapas:
 ■ Definição dos indicadores de desempenho: os indicadores de desem-
penho que serão usados para avaliar o modelo devem ser definidos com 
base no objetivo da aplicação.
 ■ Coleção de dados de teste: os dados de teste devem ser coletados de 
forma independente dos dados usados para treinar o modelo.
 ■ Avaliação do modelo: o modelo deve ser avaliado usando os dados de 
teste.
 ■ Análise dos resultados: os resultados da avaliação devem ser analisados 
para identificar quaisquer problemas de desempenho.
Se os resultados da avaliação forem insatisfatórios, o modelo pode ser ajustado 
ou refeito. Para isso, é necessário avaliar modelos de dados de IoT com MachineLearning, através da utilização de um conjunto de dados de teste suficientemente 
1
1
1
grande para representar a variabilidade dos dados reais; pela utilização de vários 
indicadores de desempenho para avaliar o modelo de forma abrangente; pela 
comparação dos resultados da avaliação com os resultados de outros modelos; e 
pela repetição do processo de avaliação regularmente para garantir que o modelo 
continue funcionando corretamente.
A avaliação de modelos de dados de IoT com Machine Learning é uma parte 
essencial do desenvolvimento de sistemas de ML para IoT. Esse processo ajuda 
a garantir que os modelos estejam produzindo resultados precisos e confiáveis. 
As informações adicionais sobre a avaliação de modelos de dados de IoT com 
Machine Learning incluem:
DADOS DE TESTE
Os dados de teste devem ser coletados de forma independente dos dados usados 
para treinar o modelo. Isso é importante para garantir que o modelo não esteja apenas 
memorizando os dados de treinamento. Os dados de teste devem ser representativos 
dos dados reais que o modelo enfrentará no mundo real.
INDICADORES DE DESEMPENHO
Os indicadores de desempenho usados para avaliar modelos de ML devem ser esco-
lhidos com base nos objetivos da aplicação. Por exemplo, se a aplicação requer um alto 
grau de precisão, então a precisão pode ser um indicador de desempenho importante.
AJUSTE DO MODELO
Se os resultados da avaliação forem insatisfatórios, o modelo pode ser ajustado ou 
refeito. Isso pode ser feito alterando os parâmetros do modelo, mudando o algoritmo 
de aprendizado ou coletando mais dados de treinamento.
VALIDAÇÃO CRUZADA
A validação cruzada é uma técnica que pode ser usada para avaliar o desempenho de 
um modelo sem precisar separar um conjunto de dados de teste. A validação cruzada 
envolve dividir os dados de treinamento em várias partes e treinar o modelo em cada 
parte. O desempenho do modelo é, então, avaliado usando os dados restantes.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 7
Em uma aplicação de previsão de falhas, um modelo de ML pode ser usado para 
prever quando um dispositivo IoT está prestes a falhar. O desempenho do modelo 
pode ser avaliado usando os dados de teste para determinar a precisão das previ-
sões. Em uma aplicação de recomendação de produtos, um modelo de ML pode ser 
usado para recomendar produtos aos usuários com base em seus dados de histórico 
de compra. O desempenho do modelo pode ser avaliado usando os dados de teste 
para determinar a precisão das recomendações. Até mesmo em uma aplicação de 
detecção de fraudes, um modelo de ML pode ser usado para identificar transações 
fraudulentas. O desempenho do modelo pode ser avaliado usando os dados de 
teste para determinar a capacidade do modelo de identificar fraudes com precisão.
A avaliação de modelos de dados de IoT com Machine Learning é uma tarefa 
importante que ajuda a garantir que os modelos estejam produzindo resultados 
precisos e confiáveis.
1
1
4
DESAFIOS DA PREDIÇÃO DE DADOS DE IoT COM 
MACHINE LEARNING
A predição de dados de IoT com Machine Learning é uma área de pesquisa em 
rápido crescimento com o potencial de revolucionar a forma como interagimos 
com o mundo ao nosso redor. No entanto existe uma série de desafios que pre-
cisam ser superados para que essa tecnologia atinja seu pleno potencial.
Um dos principais desafios é a quantidade e a diversidade de dados gerados 
por dispositivos IoT. Os dispositivos IoT podem gerar dados de uma variedade 
de fontes, incluindo sensores, câmeras e dispositivos GPS. Esses dados podem ser 
complexos e de alta dimensionalidade, o que pode dificultar a análise e a predição.
Outro desafio é a falta de dados históricos. Muitos dispositivos IoT são relati-
vamente novos, o que significa que existem poucos dados históricos disponíveis 
para treinar modelos de aprendizado de máquina. Isso pode levar a modelos 
menos precisos, pois eles não têm dados suficientes para aprender as relações 
entre as variáveis.
Além disso, os dados de IoT podem ser ruidosos e imprecisos. Os sensores 
podem ser afetados por fatores ambientais, como temperatura e umidade, o que 
pode levar a erros nos dados. Isso pode dificultar a construção de modelos de 
aprendizado de máquina precisos.
Por fim, os modelos de aprendizado de máquina podem ser complexos e 
difíceis de interpretar. Isso pode tornar difícil explicar por que um modelo fez 
uma determinada previsão, o que pode ser um problema para aplicações onde é 
importante ser transparente sobre como as decisões são tomadas.
Apesar desses desafios, a predição de dados de IoT com Machine Learning é uma 
área promissora com o potencial de melhorar a eficiência, a segurança e a qualidade 
de vida. À medida que os pesquisadores continuam a desenvolver novas técnicas e 
soluções, é provável que esses desafios sejam superados e essa tecnologia se torne 
mais amplamente difundida.
Algumas estratégias podem ser usadas para superar os desafios da predição de 
dados de IoT com Machine Learning, como a utilização de técnicas de pré-proces-
samento de dados para limpar e normalizar os dados. Isso pode ajudar a reduzir o 
UNIASSELVI
1
1
5
TEMA DE APRENDIZAGEM 7
ruído e a imprecisão dos dados, assim como o uso de algoritmos de aprendizado 
de máquina robustos que são capazes de lidar com dados ruidosos e imprecisos, 
ou de técnicas de interpretabilidade de modelos para entender como os modelos 
fazem suas previsões. Isso pode ajudar a explicar e justificar as decisões tomadas 
pelos modelos.
Mais sobre os desafios da predição de dados de IoT com Machine Learning:
 ■ Quantidade e diversidade de dados: a quantidade e a diversidade de 
dados gerados por dispositivos IoT pode ser esmagadora. Por exemplo, 
um único sensor pode gerar milhares de dados por segundo. Isso torna 
difícil para os pesquisadores coletar, armazenar e processar esses dados. 
Além disso, os dados de IoT podem ser de diferentes tipos, como dados 
numéricos, dados textuais e dados de imagem. Isso pode exigir o uso de 
algoritmos de aprendizado de máquina especializados para lidar com 
cada tipo de dado.
 ■ Falta de dados históricos: muitos dispositivos IoT são relativamente 
novos, o que significa que existem poucos dados históricos disponíveis 
para treinar modelos de aprendizado de máquina. Isso pode levar a mo-
delos menos precisos, pois eles não têm dados suficientes para aprender 
as relações entre as variáveis.
 ■ Ruído e imprecisão: os dados de IoT podem ser ruidosos e imprecisos. 
Isso pode ser causado por uma variedade de fatores, como erros de senso-
res, interferências ambientais e falhas no sistema. O ruído e a imprecisão 
podem dificultar a construção de modelos de aprendizado de máquina 
precisos.
 ■ Interpretabilidade: os modelos de aprendizado de máquina podem ser 
complexos e difíceis de interpretar. Isso pode tornar difícil explicar por 
que um modelo fez uma determinada previsão. Isso pode ser um pro-
blema para aplicações onde é importante ser transparente sobre como as 
decisões são tomadas.
Apesar desses desafios, a predição de dados de IoT com Machine Learning é 
uma área promissora com o potencial de melhorar a eficiência, a segurança e 
a qualidade de vida. À medida que os pesquisadores continuam a desenvolver 
1
1
1
novas técnicas e soluções, é provável que esses desafios sejam superados e essa 
tecnologia se torne mais amplamente difundida. 
A sua utilização é variada, podendo ser por meio de diversas maneiras, como 
manufatura, onde é possível prever falhas de equipamentos, otimizar o desem-
penho da produção e melhorar a qualidade dos pro-
dutos, ou nos cuidados de saúde, prevenindo doen-
ças, monitorando os pacientes e personalizando o 
tratamento pelo uso na logística a fim de otimizar as 
rotas de entrega, prever a demanda de produtos e re-
duzir os custos de transporte, ou melhoria do tráfego.
À medida que a Internet das Coisas continua a se desenvolver, a predição de 
dados de IoT com Machine Learning se tornará uma ferramenta cadavez mais 
importante para resolver problemas complexos e melhorar nossas vidas.
PREDIÇÃO DE DADOS DE IoT COM MACHINE LEARNING
A Internet das Coisas (IoT) é uma rede de dispositivos físicos interconectados 
que coletam e compartilham dados. Esses dados podem ser usados para uma 
variedade de propósitos, incluindo predição. A predição de dados de IoT com 
Machine Learning é o processo de usar algoritmos de Machine Learning para 
identificar padrões nos dados coletados por dispositivos IoT e usar esses padrões 
para prever eventos futuros (BARROS, 2022) .
São várias as aplicações para a predição de dados de IoT com Machine Lear-
ning. Algumas das aplicações mais comuns incluem (MARTINS, 2021):
A sua utilização é 
variada, podendo 
ser por meio de 
diversas maneiras
MANUTENÇÃO PREDITIVA
A predição de dados de IoT pode ser usada para prever quando um dispositivo ou má-
quina está prestes a falhar. Isso permite que os administradores de sistemas executem 
a manutenção preventiva, evitando falhas inesperadas e custos de reparo.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 7
Os tipos de dados de IoT que podem ser usados para predição são diversos. Eles 
podem incluir dados de sensores, dados de telemetria, dados de localização, da-
dos de transações e dados de mídia social. Já os algoritmos de Machine Learning 
mais usados para predição de dados de IoT são os algoritmos de aprendizado 
supervisionado. Esses algoritmos são treinados com dados históricos de entrada 
e saída (FERNANDES, 2020). 
O processo de predição de dados de IoT com Machine Learning pode ser 
dividido em três etapas: coleta de dados, preparação de dados (limpeza e for-
matação dos dados) e treinamento do modelo (BARROS; FERNANDES, 2022).
APLICAÇÕES DA PREDIÇÃO DE DADOS DE IoT COM 
MACHINE LEARNING
A Internet das Coisas (IoT) é uma rede de dispositivos físicos, máquinas, auto-
móveis, edifícios e outras coisas que estão conectadas à Internet e podem trocar 
dados e informações. Essa tecnologia tem o potencial de revolucionar a forma 
como vivemos, trabalhamos e nos divertimos (BARROS; MARTINS, 2022).
O Machine Learning (ML) é um ramo da Inteligência Artificial (IA) que 
permite que os computadores aprendam sem serem explicitamente programa-
dos. O ML é uma ferramenta poderosa que pode ser usada para analisar grandes 
OTIMIZAÇÃO DE OPERAÇÕES
A predição de dados de IoT pode ser usada para otimizar as operações de negócios. 
Por exemplo, as empresas podem usar a predição de dados de IoT para prever a 
demanda por produtos ou serviços, ajustar a produção ou o estoque ou otimizar as 
rotas de entrega.
GESTÃO DE RISCOS
A predição de dados de IoT pode ser usada para gerenciar riscos. Por exemplo, as 
empresas podem usar a predição de dados de IoT para prever desastres naturais, 
detectar fraudes financeiras ou identificar comportamentos perigosos.
1
1
8
quantidades de dados e identificar padrões que podem ser usados para fazer 
previsões (FERNANDES; FERNANDES, 2021) .
A combinação de IoT e ML tem o potencial de gerar insights valiosos que 
podem ser usados para melhorar os processos, tomar decisões mais informadas 
e otimizar o desempenho.
Uma das principais áreas de aplicação de ML em IoT é a predição de dados. 
A predição de dados é o processo de usar dados históricos para prever eventos 
futuros. A predição de dados pode ser usada para uma variedade de propósitos, 
sempre a fim de prevenir danos. A predição de dados de IoT pode ser otimizada 
por meio de uma série de técnicas e práticas. 
O uso de dados de alta qualidade é necessário para treinar os modelos de 
predição, que devem ser de alta qualidade e representativos do problema que 
está sendo resolvido através da escolha do algoritmo ML correto, da validação 
de modelos e da atualização destes. 
A otimização de processos na predição de dados de IoT pode melhorar na tomada 
de decisões, na redução de custos e na melhoria da eficiência.
A combinação de IoT e ML é uma poderosa ferramenta que tem o poten-
cial de transformar a forma como vivemos, trabalhamos e nos divertimos. A 
otimização de processos na predição de dados de IoT é uma área importante de 
pesquisa e desenvolvimento, com o potencial de gerar benefícios significativos 
para as empresas e a sociedade em geral.
À medida que a IoT continua a se desenvolver, a predição de dados desem-
penha um papel cada vez mais importante em nossa vida. A otimização de pro-
cessos nessa área é fundamental para garantir que a IoT seja usada para gerar 
benefícios significativos para as pessoas e para o planeta.
Confira a aula referente a este tema. Recursos de mídia disponíveis no conteúdo 
digital do ambiente virtual de aprendizagem.
EM FOCO
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 7
NOVOS DESAFIOS
A predição de dados de IoT com Machine Learning é uma área em rápido cresci-
mento com muitas oportunidades de carreira. Investindo em sua educação e expe-
riência, você pode se tornar um profissional qualificado e bem-sucedido nessa área.
As perspectivas de mercado para a predição de dados de IoT com Machi-
ne Learning são promissoras. A demanda por profissionais especializados em 
predição de dados de IoT com Machine Learning também está crescendo. As 
empresas estão procurando por profissionais que possam entender as tecnologias 
envolvidas e aplicar os algoritmos de ML para resolver problemas reais. 
Para os estudantes que estão se preparando para o mercado de trabalho, a pre-
dição de dados de IoT com Machine Learning é uma área promissora para se espe-
cializar. Os profissionais que possuem essas habilidades terão um diferencial compe-
titivo e estarão bem-posicionados para encontrar boas oportunidades de emprego.
1
1
1
1. Uma empresa de varejo está usando um modelo de ML para prever as vendas do próximo 
trimestre. 
Qual é a principal vantagem de usar um modelo de ML para essa tarefa?
a) O modelo de ML pode identificar padrões nos dados históricos que os humanos não 
podem ver.
b) O modelo de ML pode fazer previsões mais precisas do que os humanos.
c) O modelo de ML pode liberar os humanos para se concentrarem em tarefas mais es-
tratégicas.
d) O modelo de ML pode reduzir os custos operacionais.
e) Todas as opções estão corretas.
2. A predição de dados de IoT envolve o uso de técnicas de aprendizado de máquina para 
antecipar eventos futuros com base nos dados coletados por dispositivos de Internet das 
Coisas. Isso é crucial para diversas áreas, como saúde, manufatura e agricultura, que se 
beneficiam ao antecipar comportamentos e resultados.
Diante disso, qual é a principal finalidade da predição de dados de IoT?
a) Coletar grandes volumes de dados em tempo real.
b) Interconectar dispositivos de Internet das Coisas.
c) Extrair informações valiosas de dados coletados.
d) Armazenar informações de dispositivos de IoT.
e) Substituir dispositivos de coleta de dados.
AUTOATIVIDADE
1
1
1
3. Como sabemos, o processo de avaliação de modelos de dados de IoT com Machine Lear-
ning pode ser dividido em três etapas principais. 
Quais são as três etapas principais do processo de avaliação de modelos de dados de IoT 
com Machine Learning?
I - Preparação dos dados.
II - Treinamento do modelo.
III - Teste do modelo.
IV - Avaliação do modelo.
É correto o que se afirma em:
a) I e IV, apenas.
b) II e III, apenas.
c) III e IV, apenas.
d) I, II e III, apenas.
e) II, III e IV, apenas.
AUTOATIVIDADE
1
1
1
REFERÊNCIAS
ABREU, M. L. de. Internet das Coisas: conceitos, tecnologias e aplicações. 2. ed. Rio de Janeiro: 
Elsevier, 2022. 
BARROS, C. E. de. Internet das Coisas e aprendizado de máquina: aplicações para negócios. 
São Paulo: Novatec, 2022.
BARROS, C. E. de; FERNANDES, E. Inteligência Artificial: fundamentos e aplicações. São Paulo: 
Alta Books, 2022.
BARROS, C. E. de; MARTINS, F. Aprendizado de máquina: teoria e prática. São Paulo: Novatec, 
2022.
CARDOSO, A.; OLIVEIRA, F. S.; GOMES, L. F. Machine Learning para Internet das Coisas. São 
Paulo: Novatec, 2022.
FERNANDES, E. Internet das Coisas:PC)
- No PC
Conexão de Qualquer
COISA
- Entre PCs
- Humano e Humano (H2H), sem usar um PC
- Humano e Coisa (H2T), usando equipamentos genéricos�
- Coisa e Coisa (T2T)
Figura 2 - Conexões da IoT / Fonte: Neves (2021, p. 15).
1
1
É importante que você saiba que as interfaces ajudam nas interações dos objetos 
inteligentes na internet como modo de serviço, informando e modificando os 
fluxos de informações conforme as questões de segurança e privacidade (NEVES, 
2021). Portanto, a IoT é capaz de comunicar-se entre objetos, ou dispositivos, e o 
indivíduo interage a partir disso. No entanto, tudo depende da conexão existente 
entre esses dispositivos. Os elementos responsáveis por essa comunicação são:
Descrição da Imagem: A imagem apresenta três círculos interligados por setas. No primeiro círculo, tem-se a 
Conexão em qualquer hora, com os seguintes tópicos: em movimento, em ambientes abertos, em ambientes 
fechados, à noite, durante o dia. No círculo Conexão em qualquer lugar, tem-se: em movimento, em ambientes 
abertos, em ambientes fechados (longe do PC), no PC. No último círculo de conexão de qualquer coisa, tem-se: 
entre PCs, humano e humano (sem usar PC), humano e coisa usando equipamentos genéricos, coisa e coisa.
Em resumo, a Internet das Coisas (IoT) é uma tecnologia que permite a comuni-
cação e interação entre objetos inteligentes e os indivíduos. Esse ecossistema de 
IoT é composto por dispositivos, organizações, camadas de comunicação e con-
trole, análise de dados e armazenamento. É fundamental entender que as interfa-
ces desempenham um papel crucial na segurança e privacidade nesse contexto. 
Dispositivo internet das coisas:
Qualquer dispositivo autônomo
conectado à Internet que pode ser
monitorado a partir de um local físico.
Ecossistema Internet das coisas:
Todos os componentes que
possibilitem que as organizações
públicas e privadas, bem como, os
usuários em geral se conectem aos
seus dispositivos IoT.
Entidade:
Organizações públicas e privadas,
bem como os consumidores.
Camada física:
O hardware que faz um dispositivo
IoT (sensores e equipamentos
de rede).
Camada de rede:
Responsável pela transmissão dos
dados coletados pela camada física
para diferentes dispositivos.
Camada de aplicação:
Considera os protocolos e
interfaces que os dispositivos
utilizam para identificar e
comunicar uns com os outros.
Controles remotos:
Controles responsáveis pela
conexão, como por exemplo:
smartphones, tablets, PCs,
smartwatches, TVs conectadas e
controles remotos não tradicionais
Dashboard:
Responsável em exibir as
informações sobre o ecossistema
de IoT para os usuários
possibilitando o controle do seu
ecossistema de IoT
Análise:
Sistemas de software responsáveis
pela análise dos dados gerados
através dos dispositivos de IoT. A
análise pode ser utilizada para
manutenção preditiva, por exemplo
Armazenamento de dados:
Local onde os dados dos
dispositivos IoT são armazenados.
Comunicação�
entre objetos
ou dispositivos
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
Essa interconexão dinâmica entre elementos é o que impulsiona a eficácia e 
o potencial da IoT na transformação de dados em insights úteis e ações signifi-
cativas para melhorar nossa vida cotidiana e processos empresariais.
ARQUITETURA BÁSICA DOS DISPOSITIVOS
A arquitetura básica dos objetos inteligentes é composta por quatro unidades: 
processamento/memória, comunicação, energia e sensores/atuadores (Quadro 1).
UNIDADES DESCRIÇÃO
Unidade(s) de 
processamento e 
memória
Representada pela memória interna de armazenamento de 
dados e programas, um microcontrolador e um conversor 
analógico-digital para receber sinais dos sensores.
As CPUs usadas são as mesmas que são utilizadas em sis-
temas embarcados e, geralmente, não possuem alto poder 
computacional.
Existe uma memória externa (flash), que é usada como memó-
ria secundária para manter um “log” de dados, por exemplo.
Unidade(s) de 
comunicação
Compreende pelo menos um canal de comunicação com 
ou sem fio, sendo que a maioria das plataformas utilizam 
rádio de baixo custo e baixa potência. Uma consequência 
dessa utilização é a comunicação de curto alcance e com 
perdas frequentes.
Fonte de energia
Fornece energia aos componentes do objeto inteligente. Geral-
mente, a fonte de energia consiste em uma bateria (recarregá-
vel ou não) e um conversor AC-DC, e tem a função de alimentar 
os componentes. No entanto, outras fontes de alimentação 
podem ser utilizadas, tais como: energia solar e captura de 
energia do ambiente através de técnicas de conversão.
Unidade(s) de 
sensor(es)
Efetua o monitoramento do ambiente no qual o objeto está 
localizado. Os sensores capturam valores de grandezas físicas 
como temperatura, umidade, pressão e presença. 
Quadro 1 - Arquitetura dos dispositivos / Fonte: adaptado de Magrani (2019) e Neves (2021).
1
8
Um aspecto importante sobre a arquitetura da IoT é 
que ela pode ser de três camadas ou de cinco cama-
das. Agora, vamos entender como funciona a arqui-
tetura de três camadas:
 ■ Camada de percepção: considerada a camada física em que estão contidos 
os dispositivos físicos e a camada de sensores proveniente dos dispositivos 
embarcados.
 ■ Camada de rede: é responsável por coletar as informações provenientes 
da camada de percepção e enviá-las para a camada de aplicação, essa 
camada possui tecnologias de comunicação wireless e wired.
 ■ Camada de aplicação: os dados são processados e analisados, podendo 
ser usados por serviços ou para tomada de decisões. As decisões tomadas 
nessa camada são encaminhadas novamente para a camada de percepção 
através da camada de rede para que a ação seja efetuada.
Agora, na arquitetura com cinco camadas, existem duas camadas adicionais, sendo:
• Camada access gateway: responsável por gerenciar as comunicações do ambiente 
IoT e, ainda, efetuar a troca de mensagens entre os dispositivos IoT. 
• Camada de middleware: responsável por implementar a comunicação entre os 
hardware devices (notebooks, dispositivos móveis, dentre outros) e as aplicações.
Em síntese, a arquitetura da IoT oferece flexibilidade com a opção de três ou cinco 
camadas, cada uma desempenhando um papel crucial na coleta, processamento 
e comunicação de dados. 
As cinco camadas adicionam maior gerenciamento de comunicações e fa-
cilitam a interação entre dispositivos IoT e aplicações, permitindo adaptação às 
necessidades específicas de diferentes projetos. Essa versatilidade é essencial para 
o sucesso da IoT em diversos cenários.
IoT é que ela pode 
ser de três camadas 
ou de cinco 
camadas
UNIASSELVI
1
9
TEMA DE APRENDIZAGEM 1
SOFTWARE PARA REDE DE OBJETOS INTELIGENTES
A Rede de Sensores Sem Fio (RSSF) possui Nós Sensores (NS) dispersos em uma 
determinada área. O uso dessa tecnologia possibilita atender áreas que não são 
viáveis para implantar redes cabeadas. No entanto, as RSSF podem apresentar 
vulnerabilidades em relação a segurança, por utilizarem um meio que pode ser 
captado por outros meios maliciosos. De acordo com Loureiro (2015, p. 15):
 “ Os NS são dispositivos capazes de monitorar grandezas, como tempe-
ratura, luminosidade ou umidade, por exemplo. Todas as informações 
coletadas pelos NS são enviadas para um Nó Sorvedouro por meio de 
comunicação sem fio. O Nó Sorvedouro é conectado via cabo em um 
dispositivo chamado gateway. O gateway é responsável por enviar as 
informações para outras redes, como, por exemplo, a Internet.
Para alcançar a crescente demanda da IoT por escalabilidade e robustez, as 
RSSF precisam utilizar algoritmos e protocolos especializados tais como proto-
colos que possibilitem o processamento ao longo da rede (in-network processing).
É preciso salientar que o processo de implementação e o gerenciamento de 
um gateway é geralmente complexo, pois precisam 
executar atividades de tradução, bem como tratar da 
semântica de serviços para a camada de aplicação. 
Portanto, a dificuldade dessas atividades torna o ga-
teway um problema para a IoT (NEVES, 2021):fundamentos e aplicações. São Paulo: Novatec, 2020.
FERNANDES, E; FERNANDES, E. Internet das Coisas: fundamentos, tecnologias e aplicações. 
São Paulo: Novatec, 2021.
LIMA, E. de S. Internet das Coisas: segurança e privacidade. 1. ed. São Paulo: Novatec, 2021. 
LUZ, A. C. de S. B. Proteção de dados pessoais em IoT. 1. ed. São Paulo: Editora Foco, 2023.
MARTINS, F. Machine Learning para Internet das Coisas. São Paulo: Alta Books, 2021.
OLIVEIRA, P. R. de. Internet das Coisas: fundamentos, aplicações e tecnologias. 2. ed. Rio de 
Janeiro: LTC, 2022.
SANTOS, L. F. R. dos. Big Data: conceitos, técnicas e aplicações. 1. ed. São Paulo: Pearson Edu-
cation do Brasil, 2021.
SILVA, A.; DIAS, J. P. Internet das Coisas: a revolução dos objetos conectados. 2. ed. São Paulo: 
Novatec, 2022.
SOUZA, P. R. de. Internet das Coisas: fundamentos, arquiteturas e aplicações. 1. ed. Rio de Ja-
neiro: LTC, 2022.
1
1
1
1. Opção B. Os modelos de ML podem fazer previsões mais precisas do que os humanos, pois 
podem aprender com um grande volume de dados. Isso pode ajudar as empresas a tomar 
decisões mais informadas sobre o planejamento de estoque e marketing.
2. Opção C. A predição de dados de IoT não se trata apenas de coletar dados em tempo real 
ou interconectar dispositivos. A principal finalidade da predição de dados de IoT é extrair 
informações valiosas e insights significativos a partir dos dados coletados por dispositivos de 
Internet das Coisas. Isso envolve o uso de técnicas de aprendizado de máquina e análise de 
dados para antecipar eventos futuros, comportamentos e resultados com base nos padrões 
e tendências identificados nos dados.
3. Opção D. A preparação dos dados é uma etapa importante para garantir que o modelo seja 
treinado com dados de alta qualidade. Os dados devem ser coletados de forma represen-
tativa, tratados para corrigir erros e inconsistências e normalizados para que tenham escalas 
semelhantes.
GABARITO
1
1
4
MINHAS ANOTAÇÕES
1
1
5
MINHAS METAS
PREDIÇÃO DE DADOS DE IoT COM 
REDES NEURAIS ARTIFICIAIS
Introdução às Redes Neurais Artificiais (RNAs).
Pré-processamento de dados para IoT.
Arquiteturas de RNAs para predição de IoT.
Treinamento e ajuste de RNAs para IoT.
Lidando com dados em tempo real.
Aplicações da predição de IoT com RNAs.
Desafios e tendências futuras.
T E M A D E A P R E N D I Z A G E M 8
1
1
1
INICIE SUA JORNADA
As Redes Neurais Artificiais (RNAs) representam uma fascinante classe de algo-
ritmos de aprendizado de máquina que têm revolucionado a forma como lida-
mos com problemas complexos de processamento de informações. Desse modo, 
como as Redes Neurais Artificiais (RNAs) têm contribuído para a resolução de 
problemas complexos de processamento de informações e quais são as principais 
aplicações em que têm se destacado? 
Inspiradas pelo funcionamento do cérebro humano, as RNAs são uma tenta-
tiva de replicar a capacidade de processamento e aprendizado das redes neurais 
biológicas em sistemas computacionais. Essa abordagem computacional se baseia 
em unidades de processamento interconectadas, chamadas neurônios artificiais, 
que trabalham em conjunto para resolver tarefas como classificação, previsão, 
reconhecimento de padrões e muito mais.
Nos últimos anos, as RNAs se destacaram em uma ampla gama de aplicações, 
desde reconhecimento de voz e visão computacional até a otimização de siste-
mas complexos e análise de dados. À medida que a capacidade computacional 
aumentou e os conjuntos de dados se tornaram mais abundantes, as RNAs evo-
luíram e se tornaram mais poderosas, permitindo que enfrentássemos desafios 
que anteriormente eram considerados insuperáveis.
Caro estudante, gostaria de convidá-lo a escutar o podcast que aborda o tema A 
Predição de Dados de Iot Com Redes Neurais Artificiais, um tópico relevante para 
a nossa matéria. Recursos de mídia disponíveis no conteúdo digital do ambiente 
virtual de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Afinal, do que se tratam Redes Neurais Artificiais?
Assista o vídeo resumido do canal Nerdologia Tech no Youtube, para você retomar 
o significado literal do termo. Aproveite!! Recursos de mídia disponíveis no 
conteúdo digital do ambiente virtual de aprendizagem.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 8
DESENVOLVA SEU POTENCIAL
Vamos explorar, a seguir, o tópico das Redes Neurais Artificiais (RNAs) em maior 
detalhe.
As Redes Neurais Artificiais (RNAs) são um campo fascinante da inteli-
gência artificial (IA) que se inspira no funcionamento do cérebro humano para 
resolver problemas complexos de aprendizado de máquina e reconhecimento 
de padrões. O potencial das RNAs é vasto e tem sido explorado em diversas 
aplicações, desde reconhecimento de voz até carros autônomos.
Arquitetura de RNAs:
O coração de uma RNA é a sua arquitetura. Uma RNA é composta por ca-
madas de neurônios artificiais interconectados. Existem três tipos principais de 
camadas:
1 Camada de Entrada: é a camada onde os dados de entrada são introduzidos na 
rede. Cada nó nessa camada representa uma característica ou variável de entrada.
2 Camadas Ocultas: entre a camada de entrada e a camada de saída, pode haver 
uma ou várias camadas ocultas. Cada neurônio em uma camada oculta combina 
as entradas ponderadas e aplica uma função de ativação para produzir uma saída.
3 Camada de Saída: a camada de saída produz a previsão ou resultado final 
da rede, dependendo do tipo de tarefa. Por exemplo, em uma rede para 
reconhecimento de imagem, cada neurônio na camada de saída pode 
representar uma classe diferente.
Treinamento de RNAs:
O treinamento é uma etapa crítica no desenvolvimento de RNAs. O objetivo 
é ajustar os pesos das conexões entre os neurônios de modo que a rede produza 
saídas desejadas para entradas dadas. O algoritmo mais comum para treinamento 
de RNAs é o Backpropagation, que utiliza o gradiente descendente para otimizar 
os pesos.
1
1
8
Aplicações de RNAs:
As RNAs têm um potencial incrível em diversas áreas:
Visão Computacional: em tarefas como reconhecimento facial e classificação 
de objetos em imagens.
 ■ Processamento de Linguagem Natural: em aplicações como tradução 
automática, análise de sentimentos e chatbots.
 ■ Medicina: no diagnóstico médico, análise de imagens médicas e previsão 
de resultados de tratamentos.
 ■ Finanças: para análise de mercado, detecção de fraudes e previsão de 
preços de ativos.
 ■ Indústria: no controle de processos, manutenção preditiva e otimização 
de cadeias de suprimentos.
Desafios em RNAs:
Apesar de seu grande potencial, RNAs também enfrentam desafios, como a 
necessidade de grandes conjuntos de dados para treinamento, o risco de overfit-
ting e a falta de transparência em suas decisões (caixa preta).
INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS (RNAS)
As Redes Neurais Artificiais (RNAs) têm se destacado como uma poderosa fer-
ramenta para resolver uma ampla variedade de problemas complexos em áreas 
que vão desde visão computacional e processamento de linguagem natural até 
finanças e medicina. Neste texto, vamos explorar uma introdução às RNAs, en-
tendendo seus princípios básicos e seu funcionamento.
Afinal, o que são Redes Neurais Artificiais?
As RNAs são modelos computacionais que buscam imitar o funcionamento 
dos neurônios no cérebro humano. Elas são compostas por camadas de unidades 
interconectadas chamadas de neurônios artificiais ou perceptrons. Esses neurô-
nios processam informações e transmitem sinais entre si por meio de conexões 
ponderadas, que são ajustadas durante o treinamento da rede.
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 8
Como funcionam as RNAs?
O funcionamento de uma RNA pode ser dividido em três etapas princi-
pais: entrada (input), processamento (hidden layers), e saída (output). A camada 
de entrada recebe os dados do problema que a rede está tentando resolver. As 
camadas intermediárias, conhecidas como camadas ocultas, processam esses 
dados, aplicando transformações lineares e funções deativação para gerar re-
presentações intermediárias. Finalmente, a camada de saída produz a resposta 
da rede para o problema em questão.
A principal característica que torna as RNAs tão poderosas é a capacidade 
de aprender a partir dos dados. Durante o treinamento, a rede é exposta a um 
conjunto de exemplos de entrada e saída desejada. Ela ajusta seus pesos e bias 
(valores que afetam a ativação dos neurônios) para minimizar a diferença entre 
suas previsões e as saídas desejadas. Esse processo é geralmente realizado usando 
algoritmos de otimização, como o Gradiente Descendente.
Existem vários tipos de RNAs, mas os mais comuns incluem:
• Redes Neurais Feedforward (FNN): as FNNs são o tipo mais simples de RNA, onde 
a informação flui em uma direção, das camadas de entrada para as de saída, sem 
ciclos. São amplamente utilizadas em tarefas de classificação e regressão.
• Redes Neurais Recorrentes (RNN): as RNNs têm conexões cíclicas em suas 
camadas ocultas, permitindo que elas capturem dependências temporais em 
sequências de dados. São adequadas para tarefas envolvendo séries temporais 
e processamento de linguagem natural.
• Redes Neurais Convolucionais (CNN): as CNNs são projetadas para lidar com 
dados estruturados em grades, como imagens. Elas utilizam operações de 
convolução para extrair características relevantes dos dados.
As RNAs têm uma ampla gama de aplicações em diversos campos, incluindo:
 ■ Visão Computacional: para tarefas como detecção de objetos, reconhe-
cimento de padrões e segmentação de imagens.
 ■ Processamento de Linguagem Natural: em tarefas como tradução au-
tomática, análise de sentimento e chatbots.
1
8
1
 ■ Medicina: para diagnóstico médico, análise de imagens médicas e pre-
visão de doenças.
 ■ Finanças: em previsão de mercado, detecção de fraudes e gestão de riscos.
 ■ Indústria: em controle de processos, manutenção preditiva e otimização 
de produção.
As Redes Neurais Artificiais representam uma poderosa abordagem de aprendi-
zado de máquina inspirada na biologia, capaz de lidar com problemas complexos 
em uma ampla variedade de domínios. Elas continuam a evoluir e desempenhar 
um papel fundamental no avanço da inteligência artificial e da automação em 
diversas áreas da ciência e da indústria. À medida que a pesquisa e o desenvolvi-
mento nesse campo progridem, podemos esperar que as RNAs desempenhem 
um papel ainda maior em nossa vida cotidiana.
UNIASSELVI
1
8
1
TEMA DE APRENDIZAGEM 8
PRÉ-PROCESSAMENTO DE DADOS PARA IOT
O pré-processamento de dados desempenha um papel fundamental na eficácia 
e no sucesso da Internet das Coisas (IoT). À medida que o mundo se torna cada 
vez mais conectado, com dispositivos inteligentes e sensores distribuídos em 
diversos ambientes, a coleta, a limpeza e a preparação de dados antes de sua 
análise tornam-se etapas cruciais. Isso é especialmente importante porque os 
dados gerados pela IoT podem ser heterogêneos, ruidosos e volumosos, tornando 
essencial a aplicação de técnicas de pré-processamento adequadas.
 “ O pré-processamento de dados é uma etapa importante em qual-
quer aplicação de aprendizado de máquina, mas é especialmente 
importante para aplicações de IoT. Isso ocorre porque os dados co-
letados de dispositivos IoT geralmente são ruidosos e incompletos 
(NIELSEN, 2015, p. 160).
O pré-processamento de dados na IoT compreende diversas etapas, as quais 
podem ser analisadas da seguinte forma:
COLETA DE DADOS
O primeiro passo é a coleta de dados de sensores e dispositivos IoT. Esses dados 
podem incluir informações de temperatura, umidade, pressão, localização geográfica, 
status de dispositivos e muito mais. É crucial garantir que os sensores estejam funcio-
nando corretamente e que os dados sejam capturados de maneira confiável.
LIMPEZA DE DADOS
Os dados da IoT muitas vezes contêm erros, valores ausentes e outliers. A limpeza de 
dados envolve a identificação e o tratamento desses problemas, para que os dados 
estejam em um formato utilizável. Isso pode incluir a interpolação de valores ausentes, 
a suavização de ruídos e a detecção de outliers.
1
8
1
TRANSFORMAÇÃO DE DADOS
Os dados brutos da IoT podem não estar prontos para análise direta. É comum realizar 
transformações, como normalização, discretização, agregação ou redução de dimen-
sionalidade, para simplificar a análise futura e reduzir a carga computacional.
INTEGRAÇÃO DE DADOS
Em muitos casos, os dados da IoT são provenientes de fontes diversas e heterogêneas. 
A integração de dados envolve a combinação de informações de diferentes fontes 
para criar um conjunto de dados unificado e coerente. Isso pode exigir a correspon-
dência de timestamps e a reconciliação de unidades de medida, entre outras tarefas.
ENRIQUECIMENTO DE DADOS
Em alguns casos, é necessário enriquecer os dados da IoT com informações adicio-
nais, como dados meteorológicos, informações de redes sociais ou dados históricos. 
Isso pode fornecer contexto valioso para análises mais avançadas.
SEGURANÇA E PRIVACIDADE
A segurança dos dados da IoT é uma preocupação crítica. É necessário garantir a 
proteção dos dados durante o pré-processamento, o armazenamento e a transmissão. 
Além disso, as considerações de privacidade devem ser levadas em conta, especial-
mente quando os dados envolvem informações pessoais.
ARMAZENAMENTO E GERENCIAMENTO
Após o pré-processamento, os dados devem ser armazenados de forma eficiente e 
segura. Isso pode envolver o uso de bancos de dados distribuídos, sistemas de arma-
zenamento em nuvem ou outras tecnologias apropriadas.
Para nos aprofundarmos nos conceitos práticos de coleta de dados e preparar os 
dados para aplicação de redes neurais artificiais, vamos utilizar como exemplo o 
conjunto de dados Beijing PM2.5 Data. 
UNIASSELVI
1
8
1
TEMA DE APRENDIZAGEM 8
O conjunto de dados Beijing PM2.5 Data provém do UCI Machine Learning Repository 
e captura informações sobre a poluição atmosférica em Pequim, capital da China. A 
poluição do ar em grandes centros urbanos é uma preocupação crescente em todo 
o mundo, e Pequim, sendo uma das cidades mais populosas do mundo, enfrenta de-
safios significativos nesse aspecto. O conjunto de dados é particularmente focado nas 
concentrações de PM2.5, que são partículas atmosféricas com diâmetro menor ou igual 
a 2,5 micrômetros. Essas partículas finas são consideradas perigosas, pois podem pene-
trar profundamente nos pulmões e até mesmo entrar na corrente sanguínea.
Esse é um conjunto de dados consolidado pela literatura e pode ser encontrado 
em: https://archive.ics.uci.edu/dataset/381/beijing+pm2+5+data
Componentes do Conjunto de Dados (Wang, 2008):
1. No: número de sequência.
2. Year: ano da coleta de dados.
3. Month: mês da coleta de dados.
4. Day: dia da coleta de dados.
5. Hour: hora da coleta de dados.
6. PM2.5: concentração de PM2.5 (ug/m^3).
7. DEWP: ponto de orvalho (°C).
8. TEMP: temperatura (°C).
9. PRES: pressão (hPa).
10. cbwd: direção do vento combinada.
11. Iws: velocidade acumulada do vento (m/s).
12. Is: horas acumuladas de neve.
13. Ir: horas acumuladas de chuva.
O conjunto de dados foi coletado entre 1º de janeiro de 2010 e 31 de dezembro 
de 2014, fornecendo uma visão detalhada das variações na qualidade do ar ao 
longo do tempo. Além das concentrações de PM2.5, o conjunto de dados também 
fornece informações sobre outras variáveis meteorológicas, como temperatura, 
pressão e direção do vento, que podem influenciar os níveis de poluição.
O estudo e a análise desse conjunto de dados são cruciais para entender os pa-
drões de poluição atmosférica em Pequim, identificar os principais fatores que 
contribuem para os picos de poluição e, eventualmente, auxiliar na formulação de 
políticas e estratégias para melhorar a qualidade do ar na cidade.
APROFUNDANDO
Agora, iremos dar prosseguimento realizando o carregamento e visualização da 
base de dados em nosso código a ser implementado utilizando Google Colla-
boratory. Vamos direto no código realizar o download e, ao mesmotempo, já 
visualizar os dados com a biblioteca pandas. Veja como fica: 
1
8
4
!pip install wget
import wget
import pandas as pd
# URL do conjunto de dados
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/00381/PRSA_
data_2010.1.1-2014.12.31.csv"
# Baixando o conjunto de dados
wget.download(url)
# Lendo o conjunto de dados
data = pd.read_csv("PRSA_data_2010.1.1-2014.12.31.csv")
# Exibindo as primeiras linhas do conjunto de dados
data.head()
O pré-processamento de dados na IoT não é uma tarefa única, mas, sim, um 
processo contínuo, uma vez que os dispositivos IoT continuam a gerar dados 
em tempo real. Além disso, a automação desempenha um papel crescente nesse 
contexto, com algoritmos de aprendizado de máquina sendo empregados para 
realizar tarefas de pré-processamento de forma autônoma.
O pré-processamento de dados desempenha um papel crítico na Internet 
das Coisas (IoT), pois os dados coletados por sensores e dispositivos IoT fre-
quentemente vêm em formatos brutos, incompletos, ruidosos e desestruturados. 
Para extrair informações úteis e insights significativos desses dados, é essencial 
submetê-los a várias etapas de pré-processamento.
Vamos explorar com mais profundidade as principais considerações no 
pré-processamento de dados para IoT.
Durante o processo de aplicação de redes neurais artificiais em dados de 
sensores, a limpeza é um processo importante, por isso, iremos compreender e 
aplicar algumas estratégias:
UNIASSELVI
1
8
5
TEMA DE APRENDIZAGEM 8
 ■ Detecção e Tratamento de Outliers: identificar e lidar com valores extre-
mos que podem distorcer as análises. Dentre as estratégias, é utilizado 
o IQR (Intervalo Interquartil), uma medida de dispersão estatística que 
descreve a extensão pela qual os valores em um conjunto de dados variam 
em torno da mediana. Em outras palavras, o IQR fornece a amplitude 
da metade central dos dados. É uma técnica frequentemente usada para 
identificar e tratar outliers.
 ■ Preenchimento de Valores Ausentes: uma vez que a coleta de dados pode 
ser suscetível a falhas, é importante preencher ou interpolar valores au-
sentes para evitar lacunas na análise.
 ■ Normalização e Transformação: Normalização: escalar os dados para um 
intervalo específico, como [0, 1], para evitar que atributos com diferentes 
escalas dominem as análises; Transformação de Dados: converter dados 
em diferentes formatos, como logarítmico ou exponencial, para torná-los 
mais adequados para determinadas análises.
Uma vez que estamos trabalhando com o conjunto de dados PM2.5, vamos, 
agora, aplicar alguns pré-processamentos, dando início pelo processo de limpe-
za, removendo dados duplicados, bem como substituir os valores ausentes pela 
média de valores do próprio sensor PM2.5. Vamos conferir como fica o código: 
# Importando as bibliotecas necessárias
import pandas as pd
import numpy as np
import wget
# Baixando o conjunto de dados do URL fornecido
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/00381/PRSA_
data_2010.1.1-2014.12.31.csv"
wget.download(url)
# Carregando o conjunto de dados baixado em um DataFrame do pandas
data = pd.read_csv("PRSA_data_2010.1.1-2014.12.31.csv")
1
8
1
# Limpeza de Dados
# Tratando valores ausentes na coluna 'pm2.5', substituindo-os pela média da coluna
data['pm2.5'].fillna(data['pm2.5'].mean(), inplace=True)
# Removendo linhas duplicadas
data.drop_duplicates(inplace=True)
# Tratando outliers na coluna 'pm2.5' usando a técnica IQR
Q1 = data['pm2.5'].quantile(0.25)
Q3 = data['pm2.5'].quantile(0.75)
IQR = Q3 - Q1
filter = (data['pm2.5'] >= Q1 - 1.5 * IQR) & (data['pm2.5']aprendizado de máquina mais populares e influentes do mundo.
Redes Neurais Generativas (GANs), embora sejam mais conhecidas por 
sua capacidade de gerar dados, também podem ser usadas na predição de IoT. 
Por exemplo, GANs podem ser treinadas para prever dados ausentes ou cor-
rompidos em sensores IoT, melhorando a integridade dos dados e permitindo 
decisões mais precisas.
UNIASSELVI
1
8
9
TEMA DE APRENDIZAGEM 8
Em redes neurais artificiais, um componente importante em seu aprendizado 
são as épocas. Segundo Amorim (2022), as épocas são a quantidade de iterações 
que o algoritmo irá percorrer toda base de dados. Não há regras para escolher 
a quantidade de épocas. Durante uma época, o modelo irá iterar sobre todo o 
conjunto de treinamento. Dependendo da configuração, ele pode processar um 
exemplo de cada vez (treinamento estocástico) ou em pequenos lotes (minilote 
de treinamento) ou até mesmo o conjunto de treinamento completo de uma só 
vez (treinamento em lote).
Após cada exemplo ou lote ser processado, o erro do modelo (a diferença 
entre a previsão e o valor real) é calculado usando uma função de perda. Em 
seguida, esse erro é usado para atualizar os pesos da rede neural usando um 
algoritmo de otimização, como a descida de gradiente. O objetivo é ajustar os 
pesos para minimizar o erro.
Compreendendo os elementos essenciais que compõem a implementação 
de uma rede neural artificial, vamos implementar uma arquitetura para realizar 
a predição de sensores. Em especial, utilizando a base de dados PM2.5, vamos 
prever o próprio sensor que dá origem à base de dados. Confira o código da 
implementação, utilizando Tensorflow: 
1
9
1
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
# Carregar dados
data = pd.read_csv("PRSA_data_2010.1.1-2014.12.31.csv")
# Preenchendo valores ausentes
data['pm2.5'].fillna(data['pm2.5'].mean(), inplace=True)
# Normalizando os dados
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data['pm2.5'].values.reshape(-1, 1))
# Preparando dados de entrada para a RNN
X, y = [], []
for i in range(10, len(scaled_data)):
 X.append(scaled_data[i-10:i])
 y.append(scaled_data[i])
X, y = np.array(X), np.array(y)
# Dividindo os dados em treino e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Construindo o modelo RNN
UNIASSELVI
1
9
1
TEMA DE APRENDIZAGEM 8
model = Sequential()
epocas = 10
model.add(LSTM(units=epocas, return_sequences=True, input_shape=(X_train.sha-
pe[1], 1)))
model.add(LSTM(units=epocas))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')
# Treinando o modelo
#model.fit(X_train, y_train, epochs=50, batch_size=32)
# Treinando o modelo e armazenando o histórico de treinamento
history = model.fit(X_train, y_train, epochs=epocas, batch_size=32, validation_data=(X_
test, y_test), verbose=1)
# Avaliando o modelo
test_loss = model.evaluate(X_test, y_test)
print(f"Test Loss: {test_loss}")
# Fazer previsões
predicted_values = model.predict(X_test)
predicted_values = scaler.inverse_transform(predicted_values)
# Plotando o gráfico do erro
import matplotlib.pyplot as plt
1
9
1
plt.figure(figsize=(14, 6))
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Model Loss Over Epochs')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend()
plt.show()
Na primeira tentativa, treinamos a rede por 10 épocas. Para entender a evolução 
do erro durante o treinamento, é prática comum visualizar o erro ao longo dessas 
épocas, o que é apresentado pela Figura 1. Esse tipo de visualização nos ajuda a 
analisar e interpretar o comportamento da rede ao longo do tempo.
E
rr
o
Época
Erro do Modelo ao passar das Épocas
Erro no Treino
Erro na Validação0,0016
0,0014
0,0012
0,0010
0,0008
0 2 4 6 8
Figura 1 - Erro do modelo ao passar das épocas / Fonte: o autor.
Descrição da Imagem: no gráfico, temos um eixo vertical do lado esquerdo, que varia de 0,0016 a 0,0010, 0,0012, 
0,0014 e 0,0016, representando o "erro". No eixo horizontal, encontramos valores de 0, 2,4, 6 e 8 que representam 
a "época". O gráfico em questão é intitulado "Erro do modelo ao longo das épocas". A linha azul inicia em torno 
de 0,0016 e, gradualmente, decresce até atingir a linha horizontal por volta da marca 8. Enquanto isso, a linha 
laranja, que representa o erro na validação, começa próximo de 0,010 e também diminui progressivamente até o 
ponto 8. Esse gráfico ilustra a evolução do erro do modelo durante o treinamento e a validação, mostrando como 
os valores de erro diminuem à medida que mais épocas são realizadas no processo de treinamento.
UNIASSELVI
1
9
1
TEMA DE APRENDIZAGEM 8
Após treinar nossa rede neural, possuímos um modelo preparado para realizar 
previsões sobre os dados. Essa habilidade de predição estabelecida não se limita 
à análise do erro para avaliar o desempenho do modelo. Outra abordagem va-
liosa é visualizar as previsões feitas e contrastá-las com os dados reais. Para isso, 
utilizaremos o código a seguir: 
# Fazer previsões
predicted_values = model.predict(X_test)
predicted_values = scaler.inverse_transform(predicted_values)
# Plotando o gráfico da comparação entre valores reais e previstos
import matplotlib.pyplot as plt
plt.figure(figsize=(14, 6))
# Desnormalizando y_test para plotagem
real_values = scaler.inverse_transform(y_test)
plt.plot(real_values, label='Valores Reais', color='blue')
plt.plot(predicted_values, label='Valores Previstos', color='red', linestyle='dashed')
plt.title('Comparação entre Valores Reais e Valores Previstos')
plt.ylabel('Valor')
plt.xlabel('Índice')
plt.legend()
plt.show()
Para compreender como ficará a visualização, a Figura 2 oferece uma visão dessa 
comparação.
1
9
4
V
al
or
Índice
Comparação entre Valores Reais e Valores Previstos
Valores Reais
Valores Previstos
1000
800
600
400
200
0
0 2 4 6 8
Figura 2 - Comparação entre valores reais e valores previstos / Fonte: o autor.
Descrição da Imagem: no gráfico intitulado "Comparação entre valores reais e valores previstos", o eixo vertical 
à esquerda apresenta marcadores em 0,200, 0,400, 0,600 e 1000, representando os "valores". O eixo horizontal 
exibe índices em 0,2000 ,4000, 8000 e 8000. Os valores reais são representados em azul, enquanto os valores 
previstos são mostrados em vermelho, com uma linha tracejada conectando-os. Os valores previstos em vermelho 
formam linhas contínuas que variam em diferentes alturas, e alguns pontos azuis estão visíveis ao redor do gráfico.
Note que, ao visualizar essa diferença, a grande quantidade de dados pode tornar 
a análise e compreensão do desempenho da rede desafiadoras. Por esse motivo, 
ajustaremos o código para exibir apenas uma amostra das previsões da rede.
# ... [resto do código anterior]
# Fazer previsões
predicted_values = model.predict(X_test)
predicted_values = scaler.inverse_transform(predicted_values)
# Plotando o gráfico da comparação entre valores reais e previstos
import matplotlib.pyplot as plt
UNIASSELVI
1
9
5
TEMA DE APRENDIZAGEM 8
# Selecionando uma amostra dos dados
sample_size = 100 # Ajuste este valor conforme necessário
start_index = 0 # Pode ajustar este valor para começar de outro ponto
end_index = start_index + sample_size
plt.figure(figsize=(14, 6))
# Desnormalizando y_test para plotagem
real_values_sample = scaler.inverse_transform(y_test[start_index:end_index])
plt.plot(real_values_sample, label='Valores Reais', color='blue')
plt.plot(predicted_values[start_index:end_index], label='Valores Previstos', color='red', 
linestyle='dashed')
plt.title('Comparação entre Valores Reais e Valores Previstos(Amostra)')
plt.ylabel('Valor')
plt.xlabel('Índice')
plt.legend()
plt.show()
Vamos analisar os resultados apresentados na Figura 3. Perceba que os valores 
reais, em azul, são os valores que realmente pertencem ao sensor. O pontilhado 
em vermelho são os resultados que o modelo alcançou ao tentar prever, o que, 
baseados na figura, podemos constatar que foram resultados próximos aos re-
sultados reais. 
1
9
1
V
al
or
Índice
Comparação entre Valores Reais e Valores Previstos (Amostra)
Valores Reais
Valores Previstos
300
250
200
150
100
50
0
0 20 40 60 80 100
Figura 3 - Comparação entre valores reais e valores previstos (amostra) / Fonte: o autor.
Descrição da Imagem: o gráfico, intitulado "Comparação entre valores reais e valores previstos (amostra)", possui 
um eixo vertical à esquerda com marcadores em 0, 50, 100, 150, 200, 250 e 300, representando os "valores". 
No eixo horizontal, encontramos índices em 0, 20, 40, 60, 80 e 100. Os valores reais estão representados em 
azul, enquanto os valores previstos aparecem em vermelho, com uma linha tracejada conectando-os. As linhas 
vermelhas que representam os valores previstos variam em altura, enquanto as linhas azuis estão posicionadas 
próximas às linhas vermelhas, mostrando poucas variações entre elas.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este 
tema. Recursos de mídia disponíveis no conteúdo digital do ambiente virtual de 
aprendizagem.
EM FOCO
UNIASSELVI
1
9
1
TEMA DE APRENDIZAGEM 8
NOVOS DESAFIOS
As Redes Neurais Artificiais (RNAs) têm sido uma tecnologia fundamental no 
campo da inteligência artificial (IA) e do aprendizado de máquina nas últimas 
décadas. No entanto, à medida que a pesquisa avança e os aplicativos se tornam 
mais complexos, surgem novos desafios para as RNAs. Alguns dos desafios mais 
significativos incluem:
 ■ Explicabilidade e interpretabilidade: à medida que as RNAs se tornam 
mais profundas e complexas, torna-se mais difícil entender como elas to-
mam decisões. A capacidade de explicar o raciocínio por trás das decisões 
de uma RNA é fundamental, especialmente em aplicações críticas, como 
cuidados de saúde e sistemas de justiça.
 ■ Eficiência e escalabilidade: RNAs profundas e modelos gigantes, como 
os modelos de linguagem GPT-3, consomem enormes quantidades de 
recursos computacionais. Tornar esses modelos mais eficientes e esca-
láveis é um desafio, tanto em termos de consumo de energia quanto de 
disponibilidade de hardware.
 ■ Generalização robusta: as RNAs, muitas vezes, sofrem de problemas de 
superajuste (overfitting) e podem não generalizar bem para dados que 
estão fora do conjunto de treinamento. A melhoria da capacidade das 
RNAs de generalizar de maneira robusta é um desafio constante.
 ■ Aprendizado com dados limitados: RNAs, geralmente, requerem 
grandes volumes de dados de treinamento para atingir um desempenho 
aceitável. Tornar as RNAs mais eficazes em situações em que os dados são 
escassos é um desafio importante.
 ■ Ética e viés: as RNAs podem herdar preconceitos presentes nos dados 
de treinamento, o que pode levar a decisões injustas ou discriminatórias. 
Mitigar o viés e garantir a equidade em modelos de RNA é um problema 
ético crucial.
 ■ Segurança e ataques adversariais: RNAs são vulneráveis a ataques ad-
versariais, nos quais inputs cuidadosamente projetados podem induzir a 
RNA a tomar decisões incorretas. Proteger as RNAs contra esses ataques 
é um desafio importante em segurança de IA.
1
9
8
 ■ Treinamento eficiente e transferência de conhecimento: desenvolver 
métodos de treinamento mais eficientes e a capacidade de transferir o 
conhecimento de uma RNA para outra tarefa são áreas ativas de pesquisa.
 ■ Sustentabilidade: o treinamento de RNAs em escala consome uma 
quantidade significativa de energia e recursos computacionais, o que le-
vanta preocupações sobre sustentabilidade ambiental.
 ■ Integração em sistemas do mundo real: integrar efetivamente as RNAs 
em sistemas do mundo real, como carros autônomos e assistentes pes-
soais, apresenta desafios de engenharia e regulamentação.
 ■ Aplicações multimodais e multitarefa: à medida que as RNAs são usa-
das em uma variedade crescente de tarefas que envolvem diferentes tipos 
de dados, como texto, imagem e áudio, a capacidade de criar modelos que 
podem lidar com várias modalidades de entrada e realizar várias tarefas 
é um desafio importante.
Esses são apenas alguns dos desafios em constante evolução que os pesquisadores 
e engenheiros enfrentam ao trabalhar com RNAs. À medida que a tecnologia 
avança, é provável que surjam novos desafios e que soluções inovadoras sejam 
desenvolvidas para enfrentá-los, impulsionando, assim, o campo da IA e do 
aprendizado de máquina.
Por fim, a integração em sistemas do mundo real e a capacidade de lidar com 
aplicações multimodais e multitarefa são desafios práticos que os profissionais 
enfrentam ao implementar RNAs em uma variedade de setores.
Superar esses desafios é crucial para aproveitar todo o potencial das RNAs e 
garantir que elas se integrem de maneira eficaz e ética em nossa prática profis-
sional e nas tecnologias que moldam o futuro.
UNIASSELVI
1
9
9
1. Qual é um benefício chave das redes neurais convolucionais (CNNs) quando usadas em 
arquiteturas de redes neurais para predição de IoT?
a) Melhor desempenho em tarefas de processamento de linguagem natural (NLP).
b) Maior capacidade de lidar com séries temporais e dados sequenciais.
c) Eficiência energética em ambientes de IoT com recursos limitados.
d) Habilidade de lidar com dados não estruturados, como imagens.
e) Melhor capacidade de lidar com dados tabulares em formato de planilha.
2. Qual é uma das principais aplicações da predição de IoT com redes neurais artificiais (RNAs)?
a) Rastreamento de furacões e previsão de tempestades.
b) Previsão de preços de ações no mercado de ações.
c) Monitoramento de qualidade do ar em tempo real.
d) Tradução automática de idiomas em dispositivos IoT.
e) Coleta de dados de sensores para análise retrospectiva.
3. Qual é uma das principais técnicas de ajuste usadas no treinamento de redes neurais arti-
ficiais (RNAs) para aplicações de IoT?
a) Aprendizado profundo supervisionado.
b) Regularização de L1.
c) Algoritmos de busca aleatória.
d) Treinamento não supervisionado.
e) Algoritmo K-means.
AUTOATIVIDADE
1
1
1
REFERÊNCIAS
AMORIM, L. B. Identificação de espécies de peixes e camarão utilizando técnicas de visão 
computacional e redes neurais convolucionais. Vitória, 2022. Disponível em: https://reposito-
rio.ifes.edu.br/bitstream/handle/123456789/2396/TCC_IDENTIFICAÇÃO_%20DE_ESPÉCIES_
DE_PEIXES_E_CAMARÃO_UTILIZANDO_TÉCNICAS_DE_VISÃO%20COMPUTACIONAL.pdf?se-
quence=1&isAllowed=y. Acesso em: 24 out. 2023.
BARBOSA, C. E. S.; OLIVEIRA, P. R. C. Redes neurais: princípios e aplicações com Python. 2. ed. 
São Paulo: Novatec, 2022.
FELTRIN, F. Redes neurais artificiais: uma abordagem prática. 2. ed. São Paulo: Novatec, 2022.
HAILIN, W. et al. Long-term monitoring and source apportionment of PM2. 5/PM10 in Beijing, 
China. Journal of Environmental Sciences, v. 20, n.11, p. 1323-1327, 2008.
NIELSEN, M. Redes neurais artificiais: princípios e aplicações. Tradução de Daniel Lahr. 2. ed. 
São Paulo: Addison-Wesley, 2015.
SILVA, I. N. da. Redes neurais artificiais: para engenheiros e cientistas aplicados. 2. ed. Rio de 
Janeiro: LTC, 2019.
1
1
1
1. Opção C. As CNNs (redes neurais convolucionais) são conhecidas principalmente por seu de-
sempenho em tarefas de visão computacional, como processamento de imagens. No entanto, 
quando se trata de aplicações de IoT, especialmente em dispositivos com recursos limitados, 
como sensores e dispositivos embarcados, a eficiência energética é uma consideração crí-
tica. As CNNs são frequentemente projetadas para extrair recursos relevantes de dados de 
entrada, o que pode reduzir a quantidade de processamento necessário, tornando-as mais 
adequadas para ambientes de IoTcom limitações de energia. Portanto, a capacidade de ser 
eficiente energeticamente é um benefício-chave das CNNs quando usadas em arquiteturas 
de redes neurais para predição de IoT.
2. Opção A. As redes neurais artificiais são capazes de aprender padrões complexos em da-
dos, o que as torna adequadas para a previsão de eventos futuros. No caso de furacões e 
tempestades, as RNAs podem ser usadas para analisar dados históricos de clima, como 
temperatura, pressão atmosférica e velocidade do vento, para prever a trajetória e a inten-
sidade de um evento climático.
3. Opção B. A regularização é uma técnica fundamental no treinamento de RNAs para evitar 
overfitting, que é o ajuste excessivo do modelo aos dados de treinamento. A Regularização 
de L1, também conhecida como "Lasso", é uma técnica de regularização que adiciona uma 
penalização à função de custo do modelo, forçando os pesos dos neurônios a serem próxi-
mos de zero. Isso tem o efeito de reduzir o impacto de características menos importantes, 
ajudando a simplificar e regularizar o modelo. Em aplicações de IoT, onde os dados podem 
ser ruidosos ou limitados, a regularização de L1 pode ser particularmente útil para evitar 
que a RNA se ajuste demais aos dados de treinamento, tornando-a mais geral e robusta 
para situações reais. 
GABARITO
1
1
1
MINHAS ANOTAÇÕES
1
1
1
MINHAS METAS
ANÁLISE DE DADOS EM IoT
Sensores e dispositivos IoT em Análise de Dados.
Coleta e armazenamento de dados.
Processamento de dados em tempo real.
Análise preditiva.
Segurança de dados em IoT.
Visualização de dados em IoT.
Integração com sistemas externos.
T E M A D E A P R E N D I Z A G E M 9
1
1
4
INICIE SUA JORNADA
A Internet das Coisas (IoT) revolucionou nossa capacidade de coletar dados em 
escala sem precedentes, transformando o mundo ao nosso redor em um gigan-
tesco ecossistema de sensores interconectados. 
Nesse contexto, surgem várias indagações, tais como: como assegurar a pro-
teção dos dados ao realizar análises na Internet das Coisas, levando em con-
sideração os perigos de invasões de privacidade e ataques cibernéticos? Quais 
obstáculos éticos estão associados à coleta e utilização de informações pessoais 
em um ambiente de IoT cada vez mais presente no nosso dia a dia? Qual é o 
impacto da análise de dados em IoT na revolução digital das empresas e na 
criação de soluções mais eficazes?
No entanto, a verdadeira magia da IoT não reside apenas na coleta desses dados, 
mas, sim, na capacidade de extrair informações valiosas a partir deles. É aí que entra 
a análise de dados em IoT, um tema essencial que desempenha um papel crucial na 
revelação de insights profundos e na tomada de decisões informadas.
Para entender melhor a IoT, assista a vídeos educativos on-line e experimente 
controlar dispositivos domésticos inteligentes com um smartphone, usando apli-
cativos. Isso oferece uma experiência prática sobre como a IoT está presente em 
nossas vidas e destaca o papel da análise de dados.
A Internet das Coisas (IoT) abre portas para um mundo de possibilidades, 
mas também nos desafia com questões cruciais. A segurança dos dados e os 
dilemas éticos são desafios que acompanham essa revolução tecnológica. No 
entanto, a análise de dados em IoT surge como a chave para desvendar o po-
tencial desses fluxos de informações.
Nesta jornada, exploraremos como a análise de dados em IoT se tornou o ali-
cerce de inovações em setores que vão desde a saúde até a indústria, desvendando 
os segredos escondidos nos fluxos de dados incessantes da IoT e impulsionando 
nossa compreensão do mundo conectado em que vivemos. Prepare-se para mer-
gulhar no fascinante mundo da análise de dados em IoT e descobrir como essa 
disciplina está moldando o futuro.
UNIASSELVI
1
1
5
TEMA DE APRENDIZAGEM 9
Estudante, gostaria de convidá-lo a escutar o podcast que aborda o tema Avalia-
ção de Informações em Internet das Coisas (IoT), um tópico relevante para a nossa 
matéria. Recursos de mídia disponíveis no conteúdo digital do ambiente virtual 
de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Afinal, do que se trata Análise de dados em IoT? Assista a este vídeo resumido 
do canal Ploomes, no Youtube, para você retomar e compreender os principais 
conceitos. Recursos de mídia disponíveis no conteúdo digital do ambiente 
virtual de aprendizagem.
DESENVOLVA SEU POTENCIAL
A Internet das Coisas (IoT) trouxe uma revolução tecnológica que vai muito além 
de simples dispositivos inteligentes. Ela está transformando a maneira como co-
letamos, transmitimos e, mais importante, analisamos dados. A análise de dados 
em IoT é a espinha dorsal que sustenta essa revolução, permitindo que empresas, 
governos e indivíduos tomem decisões informadas, otimizem processos e me-
lhorem a qualidade de vida (SOUZA; MACHADO, 2020).
A análise de dados em IoT envolve várias etapas cruciais (SOUZA; MA-
CHADO, 2020):
 ■ Coleta de dados: a primeira etapa envolve a coleta de dados dos dis-
positivos IoT. Isso pode ser feito por meio de sensores embutidos nos 
dispositivos ou através de gateways que agregam informações de vários 
dispositivos em um único ponto de coleta.
 ■ Armazenamento: os dados coletados precisam ser armazenados de ma-
neira segura e escalável. Bancos de dados tradicionais, muitas vezes, não são 
adequados para lidar com a quantidade e a velocidade dos dados gerados 
1
1
1
pela IoT, levando ao uso de tecnologias de armazenamento distribuído, 
como bancos de dados NoSQL e soluções de armazenamento em nuvem.
 ■ Processamento: uma vez armazenados, os dados precisam ser proces-
sados para identificar padrões, tendências e insights. Isso pode envolver 
técnicas de análise de dados em tempo real ou análise retrospectiva, de-
pendendo dos requisitos específicos.
 ■ Visualização: a representação visual dos dados é fundamental para a 
compreensão humana. Gráficos, painéis e relatórios ajudam a transfor-
mar os dados brutos em informações úteis para a tomada de decisões.
 ■ Inteligência artificial e aprendizado de máquina: a IoT se beneficia 
significativamente da aplicação de algoritmos de aprendizado de máquina 
e inteligência artificial. Essas técnicas podem ser usadas para prever falhas 
em dispositivos, otimizar o uso de recursos e até mesmo automatizar 
ações com base nos dados coletados.
A IoT se refere à interconexão de objetos físicos, que vão desde eletrodomésticos 
e sensores ambientais até veículos e máquinas industriais, por meio da internet. 
Esses dispositivos geram uma quantidade massiva de dados a cada segundo, 
criando uma vasta fonte de informações que pode ser usada para diversos fins. 
No entanto, o verdadeiro valor da IoT reside na análise inteligente desses dados 
(SOUZA; MACHADO, 2020).
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
SENSORES E DISPOSITIVOS IOT NA DISCIPLINA
A revolução tecnológica que vivemos hoje está intrinsecamente ligada à expansão 
da Internet das Coisas (IoT), e a presença de sensores e dispositivos conectados em 
nossas vidas e em diversos setores da sociedade é cada vez mais evidente. Na área 
da educação, a integração dessas tecnologias tem um potencial transformador na 
forma como os alunos aprendem e os professores ensinam. Neste texto, explorare-
mos como os sensores e dispositivos IoT estão moldando a disciplina educacional.
Os sensores IoT, em sua essência, são dispositivos capazes de coletar dados do 
ambiente ao seu redor e transmiti-los pela internet. Isso permite que professores 
e alunos tenham acesso a informações em tempo real, o que pode enriquecer 
significativamente o processo de ensino e aprendizado. Por exemplo, sensores de 
temperatura, umidade e qualidade do ar podem ser usados em laboratórios de 
ciências para monitorar condições ideais de experimentos. Sensores de presença 
podem ajudar a controlar a ocupação de salas de aula, garantindo o distancia-
mento social em tempos de pandemia.
Além disso, dispositivos IoT como tablets, smartphones e Chromebooks es-
tão cada vez mais presentesnas salas de aula. Eles oferecem acesso rápido a uma 
vasta quantidade de informações e recursos educacionais, tornando o aprendiza-
do mais interativo e personalizado. Aplicativos educacionais, jogos e plataformas 
de ensino à distância têm se beneficiado desses dispositivos, permitindo que os 
alunos aprendam de forma mais engajada e flexível.
A IoT também está revolucionando a gestão escolar. Sensores de controle de acesso 
podem garantir a segurança dos estudantes, rastreando sua entrada e saída das 
instalações escolares. Sistemas de gerenciamento de frota baseados em IoT podem 
otimizar o transporte escolar, garantindo que os ônibus cheguem pontualmente e 
que os pais estejam informados sobre a localização de seus filhos.
Porém, essa revolução tecnológica não está isenta 
de desafios. Questões relacionadas à privacidade e 
segurança dos dados dos alunos precisam ser tra-
tadas com seriedade. Além disso, a infraestrutura 
Revolução 
tecnológica não está 
isenta de desafios
1
1
8
tecnológica deve ser robusta e escalável para atender às demandas crescentes de 
dispositivos IoT nas escolas.
Os sensores e dispositivos IoT estão desempenhando um papel cada vez mais 
relevante na disciplina educacional. Eles proporcionam novas oportunidades 
de aprendizado, melhoram a gestão escolar e capacitam professores e alunos a 
explorarem o conhecimento de forma mais eficaz. No entanto, é essencial que o 
uso dessas tecnologias seja cuidadosamente planejado e implementado, com foco 
na segurança e no bem-estar dos estudantes, a fim de colher todos os benefícios 
que a IoT pode oferecer à educação.
Podemos destacar também (OLIVEIRA; OLIVEIRA; MELO, 2021):
PERSONALIZAÇÃO DO APRENDIZADO
A IoT permite a coleta contínua de dados sobre o desempenho dos alunos. Isso 
possibilita a criação de ambientes de aprendizado mais personalizados, onde os pro-
fessores podem identificar áreas em que cada aluno precisa de mais apoio e adaptar o 
ensino de acordo. Além disso, os dispositivos IoT podem oferecer sugestões de recur-
sos educacionais com base no progresso individual de cada estudante.
APRENDIZADO EXPERIENCIAL
Sensores IoT podem ser usados para criar experiências de aprendizado mais envol-
ventes e práticas. Por exemplo, os alunos podem usar sensores em projetos científicos 
para coletar dados do mundo real, analisá-los e aprender com base em suas próprias 
observações. Isso torna o ensino mais relevante e memorável.
ACESSO A RECURSOS GLOBAIS
A IoT permite que os alunos acessem recursos educacionais de todo o mundo. Eles 
podem se conectar a especialistas, participar de aulas online, explorar museus virtuais 
e colaborar com estudantes de diferentes partes do planeta. Isso amplia as fronteiras 
da sala de aula tradicional.
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 9
Portanto, sensores e dispositivos IoT estão transformando a disciplina educacio-
nal, tornando o aprendizado mais personalizado, envolvente e acessível. No en-
tanto, é fundamental que os educadores, administradores escolares e legisladores 
estejam atentos aos desafios de segurança e privacidade, garantindo que o poten-
cial da IoT na educação seja explorado de forma ética e responsável. À medida 
que a tecnologia continua a avançar, podemos esperar que a IoT desempenhe 
um papel ainda mais proeminente na forma como ensinamos e aprendemos.
EFICIÊNCIA OPERACIONAL
Além do ensino e da aprendizagem, a IoT pode melhorar a eficiência operacional das 
escolas. Sensores podem monitorar o consumo de energia, a manutenção preditiva de 
instalações e até mesmo a gestão de estoque de material escolar, garantindo que os 
recursos sejam alocados de forma mais eficaz.
INCLUSÃO E ACESSIBILIDADE
Dispositivos IoT podem ser uma bênção para alunos com necessidades especiais. Por 
exemplo, sensores podem ser usados para criar sistemas de comunicação alternativos 
para estudantes não verbais ou para adaptar o ambiente de aprendizado de acordo 
com suas necessidades específicas.
APRENDIZADO AO LONGO DA VIDA
A IoT não se limita apenas à educação formal. Ela também apoia o aprendizado ao 
longo da vida, permitindo que as pessoas continuem a adquirir novas habilidades e 
conhecimentos ao longo de suas carreiras. Isso é essencial em uma sociedade em 
constante evolução, onde a atualização de habilidades é crucial.
1
1
1
COLETA E ARMAZENAMENTO DE DADOS
A disciplina de Análise de Dados em IoT (Internet das Coisas) 
desempenha um papel fundamental na compreensão e aplicação 
das vastas quantidades de informações geradas por dispositivos 
conectados em rede. A coleta e o armazenamento de dados são 
dois componentes essenciais desta disciplina, que desempenham 
um papel crucial na extração de insights valiosos e na tomada de 
decisões informadas.
A coleta de dados em IoT envolve a captação de informações 
de sensores, dispositivos e sistemas distribuídos em ambientes 
variados. Esses dispositivos podem variar de simples sensores de 
temperatura em uma casa inteligente até máquinas complexas 
em uma fábrica automatizada. A coleta de dados é frequente-
mente contínua e em tempo real, o que permite a monitorização 
constante de eventos e condições em diversos contextos. Para 
isso, é necessário um planejamento cuidadoso da infraestrutura 
de coleta, incluindo a seleção de sensores apropriados, protoco-
los de comunicação e redes de dados robustas.
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
Ao entender as funcionalidades da plataforma OpenAQ, percebemos que uma 
das principais é a obtenção de dados através de requisições. Como exemplo, 
vamos considerar as mais recentes coletas realizadas nos EUA:
A OpenAQ é uma plataforma e comunidade global que visa facilitar o acesso a dados 
de qualidade do ar de maneira aberta e transparente. Ela coleta e agrega informa-
ções sobre a qualidade do ar de diferentes fontes ao redor do mundo, tornando esses 
dados acessíveis para cientistas, desenvolvedores, jornalistas e o público em geral. 
Aqui estão alguns pontos-chave sobre a OpenAQ:
• Dados em tempo real e históricos: a plataforma fornece dados em tempo real 
sobre a qualidade do ar, bem como registros históricos. Isso permite análises de 
tendências ao longo do tempo e a identificação de padrões sazonais ou eventos 
específicos que afetam a qualidade do ar.
• Fontes diversificadas: a OpenAQ coleta dados de governos, organizações não go-
vernamentais, pesquisadores e outras fontes que monitoram a qualidade do ar. Isso 
oferece uma visão abrangente e global da qualidade do ar em diferentes regiões.
• API aberta: a plataforma oferece uma API (Interface de Programação de Aplica-
ções) aberta, permitindo que desenvolvedores acessem os dados e construam 
suas próprias aplicações, visualizações ou análises.
• Comunidade ativa: a OpenAQ não é apenas uma plataforma de dados, mas tam-
bém uma comunidade. Ela incentiva a colaboração entre cientistas, desenvolve-
dores e defensores da qualidade do ar para compartilhar ideias, ferramentas e 
melhores práticas.
• Foco na transparência: um dos principais objetivos da OpenAQ é promover a 
transparência em relação à qualidade do ar. Ao tornar esses dados acessíveis, ela 
espera aumentar a conscientização sobre problemas de poluição do ar e incenti-
var ações para melhorá-lo.
• Aplicações diversas: os dados da OpenAQ têm sido usados em uma variedade de 
aplicações, desde pesquisa científica e análise de políticas públicas até aplicativos 
móveis que informam as pessoas sobre a qualidade do ar em suas localidades.
Acesse o link nos recursos de mídia disponíveis no conteúdo digital do ambiente 
virtual de aprendizagem.
APROFUNDANDO
1
1
1
import requests
def get_air_quality(country):
 # Endpoint da API da OpenAQ para obter as últimas medições
 endpoint = "https://api.openaq.org/v1/measurements"
 # Parâmetros da consulta
 params = {
 'country': country,
 'limit': 10 # quantidade de resultados retornados
 }
 # Faz a requisição para a API
 response = requests.get(endpoint, params=params)# Verifica se a requisição foi bem-sucedida
 if response.status_code == 200:
 data = response.json()
 return data['results']
 else:
 print(f"Erro ao acessar a API: {response.status_code}")
 return None
# Teste da função
country = "US"
results = get_air_quality(country)
if results:
 for entry in results:
 print(f"Local: {entry['city']}, Data: {entry['date']['utc']}, Poluente: {entry['parameter']}, 
Valor: {entry['value']} {entry['unit']}")
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
Após a obtenção dos dados, é valioso visualizar os poluentes coletados. A biblio-
teca matplotlib é frequentemente utilizada para auxiliar na análise e visualização 
dessas informações. Vejamos como proceder:
import requests
import matplotlib.pyplot as plt
def get_air_quality(country):
 # Endpoint da API da OpenAQ para obter as últimas medições
 endpoint = "https://api.openaq.org/v1/measurements"
 # Parâmetros da consulta
 params = {
 'country': 'US',
 'limit': 100 # quantidade de resultados retornados
 }
 # Faz a requisição para a API
 response = requests.get(endpoint, params=params)
 # Verifica se a requisição foi bem-sucedida
 if response.status_code == 200:
 data = response.json()
 return data['results']
 else:
 print(f"Erro ao acessar a API: {response.status_code}")
 return None
def plot_data(results):
 pollutants = {}
 for entry in results:
 pol = entry['parameter']
 value = entry['value']
 pollutants[pol] = pollutants.get(pol, 0) + value
1
1
4
 # Divide o total por número de ocorrências para obter a média
 for pol, value in pollutants.items():
 pollutants[pol] = value / len(results)
 # Plotando os dados
 plt.bar(pollutants.keys(), pollutants.values())
 plt.ylabel('Concentração Média')
 plt.title('Concentração Média de Poluentes no Ar')
 plt.show()
# Teste da função
country = "US"
results = get_air_quality(country)
if results:
 plot_data(results)
Ao realizar o código apresentado, os dados coletados poderão ser visualizados 
da seguinte forma:
temperature
Concentração Média de Poluentes no Ar
C
on
ce
n
tr
aç
ão
 M
éd
ia
6
5
4
3
2
1
0
pm25 no pm 10 03 nox no2
Figura 1 - Análise dos dados dos sensores OpenAQ[ / Fonte: o autor.
UNIASSELVI
1
1
5
TEMA DE APRENDIZAGEM 9
Descrição da Imagem: o gráfico intitulado "Concentração Média de Poluentes no Ar" apresenta a variação dos 
níveis médios de poluentes em relação a diferentes valores de temperatura. Na vertical, os valores da concen-
tração média variam de 0 a 6, enquanto na horizontal, a temperatura é representada em uma escala de 0 a 6. 
Em “no”, não há valores disponíveis. Observamos que, para a concentração de PM25, os valores se estabilizam 
em torno de 4. No entanto, não há dados disponíveis para PM10, O3, NOx, e NO2, uma vez que esses valores 
estão ausentes no gráfico. 
Uma vez que os dados são coletados, o armazenamento adequado é crucial para 
garantir que as informações estejam prontamente disponíveis para análise e con-
sulta futura. Dado o volume e a variedade de dados gerados em ambientes de 
IoT, a escolha das soluções de armazenamento desempenha um papel crítico. A 
escalabilidade, a segurança e o desempenho são considerações-chave ao selecio-
nar uma abordagem de armazenamento. Além disso, a gestão de dados em IoT 
também deve considerar a integridade e a confiabilidade dos dados para garantir 
que as decisões sejam baseadas em informações precisas.
Há diversas tecnologias e modelos de armazenamento de dados em IoT, incluindo 
bancos de dados distribuídos, armazenamento em nuvem, armazenamento de 
dados em borda (edge storage) e sistemas de armazenamento de séries temporais 
(time series storage). A escolha da solução certa depende das necessidades 
específicas de cada aplicação e dos recursos disponíveis.
Além disso, a segurança dos dados é um aspecto crítico a ser considerado na coleta 
e no armazenamento de dados em IoT. Dados sensíveis, como informações pessoais 
e industriais, devem ser protegidos contra ameaças cibernéticas. A criptografia, 
a autenticação e o controle de acesso são medidas essenciais para garantir a 
confidencialidade e a integridade dos dados.
ANÁLISE PREDITIVA
A análise preditiva em IoT (Internet das Coisas) envolve o uso de técnicas 
de análise de dados para prever eventos futuros ou tendências com base nos 
dados coletados de dispositivos IoT. Essa análise é essencial para maximizar 
o valor dos sistemas IoT, pois permite tomar decisões informadas e antecipar 
problemas antes que ocorram.
1
1
1
1- Coleta de Dados: Dispositivos IoT coletam 
uma grande quantidade de dados em tempo 
real, como temperatura, umidade, pressão, 
localização, níveis de energia, entre 
outros.Esses dados são transmitidos para 
sistemas de armazenamento, onde podem 
ser processados e analisados.
3- Modelagem Preditiva: A análise preditiva 
envolve a criação de modelos estatísticos ou 
de aprendizado de máquina com base nos 
dados coletados.Algoritmos de machine 
learning, como regressão, classificação e 
séries temporais, são frequentemente 
usados para criar modelos de previsão.
5- Avaliação de Desempenho: Após o 
treinamento, os modelos são avaliados 
quanto à precisão, sensibilidade, 
especificidade e outras métricas relevantes, 
dependendo do tipo de previsão a ser feita.
7- Monitoramento Contínuo: A análise 
preditiva em IoT não é um processo único; 
requer monitoramento contínuo e reajustes 
à medida que novos dados são coletados.Os 
modelos podem se degradar com o tempo, e 
é importante atualizá-los conforme 
necessário.
2- Pré-processamento de Dados: Antes de 
realizar a análise preditiva, é importante 
pré-processar os dados, o que pode envolver 
a limpeza de dados ausentes ou 
inconsistentes, normalização e 
transformação de dados.
4- Treinamento de Modelo: Os modelos 
preditivos são treinados usando dados 
históricos, permitindo que eles aprendam 
padrões e relações nos dados.O treinamento 
envolve a divisão dos dados em conjuntos de 
treinamento e teste para avaliar o 
desempenho do modelo.
6- Implantação em Tempo Real: Uma vez 
que o modelo seja considerado adequado, 
ele pode ser implantado em tempo real nos 
dispositivos IoT ou em servidores na nuvem 
para realizar previsões em tempo real.
Para realização da prática analítica utilizando dados de sensores, iremos utilizar 
o Wireless Indoor Localization, que é um conjunto de dados que fornece obser-
vações de intensidades de sinal recebidas de vários pontos de acesso Wi-Fi. Essas 
intensidades de sinal são usadas para determinar a localização de um dispositivo 
em um ambiente indoor. Esse conjunto de dados é particularmente útil para de-
Aqui estão alguns aspectos importantes da análise preditiva em IoT:
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
senvolver e testar algoritmos de aprendizado de máquina destinados à localização 
indoor baseada em Wi-Fi (ZHANG et al., 2019).
Nessa base de dados, valores mais altos indicam intensidades de sinal mais 
fortes, enquanto valores mais baixos indicam intensidades de sinal mais fracas.
 ■ WAP001: intensidade de sinal do primeiro ponto de acesso Wi-Fi.
 ■ WAP002: intensidade de sinal do segundo ponto de acesso Wi-Fi.
 ■ WAP003: intensidade de sinal do terceiro ponto de acesso Wi-Fi.
 ■ WAP004: intensidade de sinal do quarto ponto de acesso Wi-Fi.
 ■ WAP005: intensidade de sinal do quinto ponto de acesso Wi-Fi.
 ■ WAP006: intensidade de sinal do sexto ponto de acesso Wi-Fi.
A sétima coluna, Room, é a variável alvo e representa a localização real do dis-
positivo. Esta é uma variável categórica que indica a sala ou área específica onde 
o dispositivo estava localizado no momento da medição.
Ao analisar e modelar esse conjunto de dados, o objetivo principal é prever a 
localização (sala) de um dispositivo com base nas intensidades de sinal recebidas 
dos pontos de acesso Wi-Fi.algumas considerações sobre a visualização 
de dados em IoT:
Seleção de Ferramentas de Visualização. Escolha ferramentas de visualização 
adequadas às necessidades do seu projeto. Existem muitas opções disponíveis, 
como gráficos, painéis de controle, mapas interativos e realidade aumentada/virtual.
 ■ Dashboard: crie painéis de controle personalizados que apresentem in-
formações importantes de forma clara e concisa. Os dashboards são úteis 
para monitorar dispositivos e variáveis-chave em tempo real.
 ■ Gráficos e gráficos interativos: use gráficos e gráficos interativos para 
representar dados de sensores ao longo do tempo. Gráficos de linha, de 
barras e de dispersão podem ser eficazes para mostrar tendências e pa-
drões.
 ■ Mapas de calor: em casos em que a localização é relevante, como moni-
toramento de ativos ou tráfego de veículos, os mapas de calor podem aju-
dar a visualizar a densidade de dados em uma área geográfica específica.
1
1
4
 ■ Alertas visuais: configure alertas visuais para destacar condições anor-
mais ou eventos críticos. Isso pode incluir mudanças abruptas nos dados 
ou violações de limites predefinidos.
 ■ Análise de dados: integre recursos de análise de dados nos painéis de 
controle para permitir que os usuários explorem e analisem os dados com 
mais profundidade.
 ■ Integração com Machine Learning e IA: use algoritmos de aprendizado 
de máquina e inteligência artificial para previsões e análises avançadas, 
incorporando os resultados nas visualizações.
 ■ Escalabilidade: certifique-se de que suas soluções de visualização sejam 
escaláveis para lidar com grandes volumes de dados à medida que a IoT 
cresce.
 ■ Acessibilidade e responsividade: garanta que suas visualizações sejam 
acessíveis a todos os usuários e otimizadas para diferentes dispositivos, 
incluindo smartphones e tablets.
 ■ Segurança: implemente medidas robustas de segurança para proteger 
os dados transmitidos e armazenados em suas visualizações, pois a IoT, 
frequentemente, envolve informações sensíveis.
 ■ Customização: ofereça opções de personalização para os usuários, per-
mitindo que eles adaptem as visualizações de acordo com suas necessi-
dades individuais.
 ■ Feedback dos usuários: coletar feedback dos usuários é fundamental 
para melhorar continuamente suas visualizações e garantir que elas aten-
dam às necessidades de seus clientes ou usuários.
A visualização de dados na IoT é essencial para a tomada de decisões informadas 
a partir de uma vasta coleta de informações. Escolher as ferramentas certas, como 
dashboards personalizados e gráficos interativos, é crucial para apresentar dados 
de forma eficaz. A partir de agora, iremos ver exemplos de como implementar 
essas análises, utilizando a base de dados Wireless Indoor Localization. 
O Pair Plot, também conhecido como Gráfico de Pares, é uma ferramenta de 
visualização que permite observar a relação entre múltiplas variáveis numéricas 
simultaneamente. Ele é comumente usado em análise exploratória de dados para 
entender as relações entre diferentes variáveis em um conjunto de dados. O código 
para essa visualização é apresentado e, em seguida, sua visualização, na Figura 5.
UNIASSELVI
1
1
5
TEMA DE APRENDIZAGEM 9
# Usando um subset de colunas para melhor visualização
subset_columns = [‘WAP001’, ‘WAP002’, ‘WAP003’, ‘Room’]
sns.pairplot(data[subset_columns], hue=’Room’, corner=True)
plt.suptitle(‘Pair Plot das Intensidades de Sinal’, y=1.02)
plt.show()
Room
1
Pair Pot das Intensidades de Sinal
W
A
P
0
0
2
W
A
P
0
0
3
WAP001 WAP002 WAP003
-50
-45
-55
-60
-70
-65
-75
-40
-50
-60
-70
-80 -60 -40 -20 0 -70 -60 -50 -70 -60 -50 -40
2
3
4
Figura 5 - Pair Plot das Intensidades de Sinal / Fonte: o autor.
Descrição da Imagem: o gráfico Pair Plot apresenta relações entre as intensidades de sinal de WAP002, WAP003 
e WAP001 para as quatro salas distintas, numeradas de 1 a 4. Cada ponto no gráfico representa uma das salas, 
permitindo uma análise visual das interações entre essas variáveis.
O Violin Plot é uma ferramenta de visualização que combina características do 
box plot (gráfico de caixa) e do gráfico de densidade. Ele é projetado para fornecer 
uma representação visual rica da distribuição completa de dados, revelando mais 
1
1
1
informações do que um box plot tradicional. O código para essa visualização é 
apresentado e, em seguida, sua visualização, na Figura 6. 
Violin Plot de Intensidade de Sinal do WAP001 por Sala
W
A
P
0
0
1
Room
-20
-10
-30
-40
-60
-50
-70
1 2 3 4
Figura 6 - Violin Plot / Fonte: o autor.
Descrição da Imagem: o gráfico, intitulado “Violin Plot de Intensidade de Sinal do WAP001 por Sala,” representa os 
valores de WAP001 na escala vertical, variando de -70 a -10, e as salas 1, 2, 3 e 4 na escala horizontal. Na sala 1, 
há uma forma não identificável que se estende de -70 a -60; na sala 2, de -60 a -10; na sala 3, de -60 a -40; e na 
sala 4, de -70 a -50. O gráfico ilustra a distribuição da intensidade do sinal em cada sala ao longo desses intervalos.
Um histograma é uma representação gráfica que mostra a distribuição univariada 
de um conjunto de dados. Ele divide o intervalo de valores em uma série de 
intervalos (ou «bins”) e, em seguida, conta quantas observações caem em cada 
intervalo. As contagens são representadas por barras, e cada barra representa um 
intervalo específico de valores. O código para essa visualização é apresentado e, 
em seguida, sua visualização, na Figura 7.
plt.figure(figsize=(10, 6))
sns.histplot(data[‘WAP001’], bins=30, kde=True)
plt.title(‘Histograma da Intensidade de Sinal do WAP001’)
plt.show()
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
Um Scatter Plot, ou Gráfico de Dispersão, é uma representação gráfica que utiliza 
pontos para mostrar a relação entre duas variáveis numéricas distintas. Cada 
ponto no gráfico representa uma observação do conjunto de dados e sua posição 
no eixo X e no eixo Y indica os valores das duas variáveis. O código para essa 
visualização é apresentado e, em seguida, sua visualização, na Figura 8.
plt.figure(figsize=(10, 6))
sns.scatterplot(x=’WAP001’, y=’WAP002’, hue=’Room’, data=data)
plt.title(‘Scatter Plot entre WAP001 e WAP002’)
plt.show()
Histograma da Intensidade de Sinal do WAP001
C
ou
n
t
WAP001
200
250
150
100
50
0
-70 -60 -50 -40 -30 -20 -10
Figura 7 - Histograma da Intensidade de Sinal / Fonte: o autor.
Descrição da Imagem: o gráfico, intitulado “Histograma da Intensidade de Sinal do WAP001,” exibe contagens 
na escala vertical, variando de 0 a 250, e na escala horizontal, varia de -70 a -10 em WAP001. No início do in-
tervalo, em torno de -70, a contagem começa em aproximadamente 10 e aumenta gradualmente até atingir um 
pico acima de 250 próximo a -60. Posteriormente, a contagem varia em valores alternados até o final do gráfico.
1
1
8
Room
Scatter Plot entre WAP001 e WAP002
W
A
P
0
0
2
WAP001
-50
-45
-55
-65
-70
-60
-75
-70 -60 -50 -40 -30 -20 -10
1
2
3
4
Figura 8 - Scatter Plot / Fonte: o autor.
Descrição da Imagem: a imagem retrata um gráfico de dispersão intitulado “Scatter Plot” entre WAP001 e 
WAP002, com legendas identificando as salas de 1 a 4. A sala 1 é representada por uma paleta de cores que 
começa com tons suaves de roxo e se intensifica com números mais altos. No eixo vertical de WAP001, são mar-
cados valores de -75, -70, -65, -60, -55, -50 e -45, enquanto no eixo horizontal de WAP002, os valores são -70, 
-60, -50, -40, -30, -20 e -10. Os pontos variam em cores, sendo mais intensos na faixa aproximada de -65 a -45 
em WAP002 e -70 a -30 em WAP001, com diferentes tonalidades associadas à ordem de 1, 4, 3 e 2.
UNIASSELVI
1
1
9
TEMA DE APRENDIZAGEM 9
Os gráficos radiais (Radial/Radar Plot) são úteis para comparar múltiplas variá-
veis quantitativas. Isso pode ser especialmente útil para comparar as médias das 
intensidades de sinal de vários pontos de acesso. O código para essa visualização 
é apresentado e, em• Todas as informações da rede de objetos inteligentes transitam por meio do gateway.
• O emprego dos gateways à inteligência da IoT fica no meio da rede 2.
Portanto, a arquitetura para IoT para conseguir conectar os mais variados objetos 
inteligentes à Internet deve ser composta pelas seguintes camadas (PATINHA, 
2017; COSTA, 2018): camada física, que é composta de objetos inteligentes que 
representam os objetos físicos. Isso significa os objetos que usam sensores para 
O gerenciamento 
de um gateway 
é geralmente 
complexo
1
1
coletar e processar informações; camada de rede, onde abstrações das tecno-
logias de comunicação, serviços de gerenciamento, roteamento e identificação 
devem ser executados; e camada de aplicação, que é responsável por prover 
serviços para os clientes.
Um problema atual é o crescimento acelerado da rede mundial de computa-
dores que ocasionou o esgotamento de endereços IPv4 disponíveis, ou seja, não 
é escalável o suficiente para conseguir atender à demanda da IoT atual.
Leia o artigo “IPv4 x IPv6: Qual é a diferença?". Recursos de mídia disponíveis no 
conteúdo digital do ambiente virtual de aprendizagem.
EU INDICO
No entanto, tem-se, atualmente, o IPv6, que é considerada uma abordagem mais 
eficaz para solucionar a escassez de endereços IPv4. Conforme Neves (2021, p. 20): 
 “ Na IoT, os elementos da rede são endereçados unicamente usando 
o IPv6 e, geralmente, têm o objetivo de enviar pequenas quantida-
des de dados obtidos pelos dispositivos. Contudo, o IPv6 tem um 
tamanho de pacote maior que o tamanho do quadro dos protocolos 
usados pelos dispositivos na IoT (o pacote IPv6 é transmitido den-
tro da área de dados do quadro do protocolo de acesso ao meio).
Portanto, o IPv6 se destaca como uma solução eficaz para a 
escassez de endereços IPv4 na IoT, embora apresente desafios 
relacionados ao tamanho do pacote em relação aos protocolos de 
dispositivos IoT.
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
REDES IoT
Diferentes tipos de redes podem ser distinguidos no panorama de aplicação na 
IoT, tal como a identificação por radiofrequência (RFID). Esta consiste no uso 
de ondas eletromagnéticas com o objetivo de comunicar dados de identificação 
de algum objeto. 
Portanto, o RFID é reconhecido como uma tecnologia de identificação sem 
fios que usa de sinais para identificar de modo remoto um objeto com capacidade 
de armazenar e recuperar informação de suas próprias atividades a partir de um 
código. De acordo com Pedroso, Zwicker e Souza (2009, p. 15):
 “ As informações sobre a identificação de um objeto (incluindo outras 
possíveis informações passíveis de monitoramento por sensores, tais 
como temperatura, pressão etc.) são gravadas nas etiquetas RFID. 
Essas etiquetas são anexadas em itens (caixas, pallets, contêineres, 
veículos, pessoas, ativos ou máquinas) que se movimentam ou estão 
dispostos ao longo da cadeia de suprimentos. As informações con-
tidas nas etiquetas são lidas por um conjunto de sensores (antenas e 
leitores) por meio de radiofrequência. Os sensores geralmente estão 
distribuídos em diferentes estágios e várias posições na cadeia de 
suprimentos (docas de recebimento, docas de expedição e pontos de 
controle em centros de distribuição e armazéns; pontos de controle 
em processos de fabricação e linhas de montagem; pontos de con-
trole em rodovias, ferrovias, portarias, operações de pesagem etc.).
As comunicações móveis estão em constante processo de mudança e, atualmente, 
precisam suportar trilhões de dispositivos transmitindo dados e voz ao mesmo 
tempo. Por isso, a necessidade de um meio de conectividade eficiente através de 
redes sem fio é alavancada pelo crescente número de tráfego de dados. 
Nesse sentido, tem-se a rede 5G, que tem por objetivo conectar indivíduos e 
coisas, bem como redefinir uma nova dinâmica de imersão digital. Visto que a 
IoT é uma parte essencial do mundo moderno, a infraestrutura sem fio atual não 
acomoda tantos bilhões de dispositivos conectados e ainda não garante a troca 
de informações sem a ocorrência de pequenos atrasos. 
1
1
Desse modo, o 5G pode possibilitar a comu-
nicação dos dispositivos em tempo real. Isso per-
mitiria, por exemplo, que automóveis dirigissem 
sozinhos, ou, ainda, que cirurgias fossem efetuadas 
de modo remoto. 
o 5G pode 
possibilitar a 
comunicação dos 
dispositivos em 
tempo real
Veja o artigo que aborda as características do 5G. Recursos de mídia disponíveis 
no conteúdo digital do ambiente virtual de aprendizagem.
EU INDICO
As sociedades estão se encaminhando para uma nova era, em conjunto com a 
Internet das Coisas, graças às altas velocidades e baixa latência que o 5G promete 
oferecer. De acordo com Farias (2019, p. 33):
 “ A variedade de requisitos e as necessidades de espectro mostram 
que há muitas opções e desafios para introdução do 5G. Diferentes 
bandas de espectro serão necessárias para suportar todos os casos de 
uso. As operadoras de telefonia móvel devem, portanto, considerar 
a viabilidade de diferentes opções para atender aos casos de uso ini-
cialmente pretendidos e garantir a interoperabilidade de suas redes.
Conforme Oliveira, Waslon e Lopes (2018), para atender às novas demandas de 
rede, como latência reduzida e uma ampla conectividade, a rede 5G não só preci-
sa aprimorar a eficácia das tecnologias anteriores, mas também deve possuir uma 
arquitetura flexível e adaptável para abranger uma variedade de cenários atuais e 
futuros. A coexistência da rede 5G com o LTe e o Wi-Fi será uma realidade por 
um período considerável.
A gestão coordenada dessas redes, levando em consideração diversas neces-
sidades de tráfego e a mobilidade dos usuários, será fundamental para alcançar 
taxas de transmissão e continuidade de mobilidade satisfatórias (OLIVEIRA; 
WASLON; LOPES, 2018).
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
IoT E A COMPUTAÇÃO EM NUVEM
A computação em nuvem é uma tecnologia essencial, sendo que ela caminha 
junto com IoT para proporcionar um novo cenário de tecnologia mundial. A IoT 
demanda muito da computação em nuvem em decorrência da infraestrutura, 
plataforma, software e análise de dados.
Desse modo, atualmente, temos uma infinidade de dispositivos gerando 
informações que necessitam de serviços escaláveis e com alta disponibilidade 
para armazenamento, processamento, análise e entrega de dados de alto valor 
agregado para os usuários em tempo real e em qualquer lugar.
Entretanto, é preciso considerar que a computação em nuvem para a IoT traz 
inúmeros desafios relativos à segurança dos dados. Já que, atualmente, as 
informações são armazenadas em servidores distribuídos ao redor do mundo. 
1
4
Além disso, a infraestrutura de computação em nuvem precisará atingir uma 
interface amigável ao usuário final. Uma solução que vem sendo adotada é o 
desenvolvimento de nuvens privadas que aumentam a segurança e a privacidade 
dos dados das entidades.
Portanto, a IoT possibilita que objetos coletem, troquem e armazenem dados 
numa nuvem, para que sejam processados e analisados esses dados e, com isso, 
gerem informações significativas para o planejamento urbano de uma cidade. No 
entanto, para que a IoT alcance seus resultados, ela precisa de uma conectividade 
eficiente que suporte o crescente número de tráfego de dados.
PLATAFORMA IoT
O OpenIoT é definido como uma plataforma capaz de suportar o desenvolvi-
mento de aplicações baseadas na IoT. Conforme Kon e Santana (2017, p. 22):
 “ O OpenIoT é uma plataforma bastante completa, atendendo à 
maioria dos requisitos necessários para a criação de uma cidade in-
teligente. Os pontos fortes dessa plataforma são o middleware para 
o armazenamento dos dados coletados na cidade, suas ferramentas 
para a definição dos serviços e o fato de a plataforma ser de software 
livre. Entretanto, a plataforma não oferece coleta de dados de outras 
fontes importantes como redes sociais e não oferece suporte para o 
pré-processamento dos dados, o que é bastante relevante quando a 
quantidadeseguida, sua visualização, na Figura 9. 
Média das Intensidades de Sinal em um Grá�co Radial
-80
-75
-70
-65 -60
-55
WAP002
WAP001
WAP007
WAP006
WAP005
WAP004
WAP003
Figura 9 - Gráfico Radial / Fonte: o autor.
Descrição da Imagem: a imagem retrata um gráfico radial denominado “Medidas das Intensidades de Sinal”, 
composto por círculos dispostos como uma teia de aranha. Linhas verticais dividem o gráfico, identificadas 
como WAP001, WAP002, WAP003, WAP004, WAP005, WAP006 e WAP007. Linhas horizontais paralelas mar-
cam os intervalos de -80, -75, -70, -65, -60 e -55. O destaque em azul se estende do intervalo de WAP005 a 
WAP001 na parte superior.
1
1
1
NOVOS DESAFIOS
Em um mundo cada vez mais digital e interconectado, é essencial que nossos estu-
dantes estejam preparados para enfrentar os desafios e explorar as oportunidades 
do mercado de trabalho atual e futuro. A capacidade de conectar teoria e prática 
desempenha um papel fundamental nessa preparação, e uma área de grande re-
levância nesse contexto é a Análise de Dados em IoT (Internet das Coisas).
A teoria, adquirida por meio de uma sólida formação acadêmica, fornece a 
base fundamental necessária para compreender os princípios subjacentes à IoT e 
à análise de dados. No entanto, a verdadeira excelência profissional surge quando 
essa teoria é aplicada de forma prática em situações do mundo real.
No mercado de trabalho atual e futuro, a demanda por especialistas em IoT está 
em constante crescimento. A IoT está revolucionando a maneira como as empresas 
operam, coletam dados e tomam decisões. Sensores, dispositivos e sistemas 
inteligentes estão sendo implantados em uma ampla variedade de setores, desde 
a indústria manufatureira até a saúde e a agricultura. Esses dispositivos geram 
enormes volumes de dados que precisam ser coletados, armazenados, processados 
e analisados para extrair informações valiosas.
É aí que entra a importância da Análise de Dados em IoT. Profissionais ca-
pazes de transformar esses dados brutos em insights acionáveis são altamente 
valorizados. Eles podem ajudar as empresas a otimizar processos, melhorar a 
eficiência operacional, prever falhas de equipamentos, personalizar experiências 
do cliente e muito mais.
Acesse seu ambiente virtual de aprendizagem e confira a aula referente a este tema.
EM FOCO
UNIASSELVI
1
1
1
TEMA DE APRENDIZAGEM 9
Nossos estudantes, ao desenvolverem suas habilidades teóricas e práticas em 
Análise de Dados em IoT, estarão bem posicionados para aproveitar as oportuni-
dades no mercado de trabalho. Eles serão capazes de projetar e implementar solu-
ções de IoT, coletar e processar dados com precisão, e, o mais importante, traduzir 
esses dados em insights valiosos para orientar a tomada de decisões estratégicas.
No entanto, é crucial que os estudantes estejam sempre atualizados, pois a 
tecnologia evolui rapidamente. O aprendizado contínuo e a adaptação são es-
senciais para prosperar nesse campo em constante transformação. A capacidade 
de adaptar teoria e prática às demandas emergentes do mercado de IoT será um 
diferencial importante para o sucesso profissional de nossos estudantes.
1
1
1
1. Qual dos seguintes princípios é fundamental na análise de dados em IoT?
a) Coleta de dados aleatória.
b) Armazenamento de dados apenas em dispositivos locais.
c) Processamento de dados em tempo real.
d) Compartilhamento de dados sem restrições.
e) Ignorar a segurança dos dados.
2. Qual das seguintes práticas é mais importante para garantir a segurança de dados em IoT 
(Internet das Coisas)?
a) Armazenar todos os dados gerados pelos dispositivos IoT em um único servidor centra-
lizado.
b) Usar senhas fracas para facilitar o acesso aos dispositivos IoT.
c) Implementar atualizações regulares de firmware e patches de segurança.
d) Permitir a comunicação não criptografada entre os dispositivos IoT.
e) Compartilhar publicamente os detalhes técnicos de todos os dispositivos IoT.
3. Qual dos seguintes princípios é fundamental para a visualização eficaz de dados em IoT 
(Internet das Coisas)?
a) Apresentar todos os dados brutos em um único gráfico para máximo detalhamento.
b) Usar uma ampla variedade de cores para criar uma paleta visualmente atraente.
c) Adotar gráficos interativos para permitir a exploração detalhada dos dados.
d) Ignorar a segmentação dos públicos-alvo e usar um único tipo de gráfico para todos 
os dados.
e) Não fornecer nenhuma legenda ou contexto para os gráficos, deixando os usuários adi-
vinharem a interpretação.
AUTOATIVIDADE
1
1
1
REFERÊNCIAS
SOUZA, R.; MACHADO, L. A. Análise de dados em Internet das Coisas. Novatec, 2020. 
OLIVEIRA, A. L. de; OLIVEIRA, F. A. de; MELO, F de. Internet das Coisas: fundamentos, arquitetura 
e aplicações. Editora FGV, 2021. 
OLIVEIRA, A. L. de; OLIVEIRA, F. A. de; MELO, F. de. Internet das Coisas: aplicações e desafios. 
Editora FGV, 2023. 
OLIVEIRA, L. R. de; ABREU, F. de. Análise de dados em Internet das Coisas: uma abordagem 
prática Novatec, 2022.
ZHANG, G. et al. Wireless indoor localization using convolutional neural network and Gaussian 
process regression. Sensors, v. 19, n. 11, p. 2508, 2019.
1
1
4
1. Opção C. Na análise de dados em IoT (Internet das Coisas), o processamento em tempo real 
é essencial para a tomada de decisões rápidas e eficazes. Os dispositivos IoT geram grandes 
volumes de dados continuamente, e o processamento em tempo real permite a detecção 
de eventos, anomalias e insights imediatos. Isso é crucial em cenários como monitoramento 
de segurança, automação industrial, saúde conectada e muito mais. As outras opções são 
incorretas porque a coleta aleatória de dados não é eficaz, o armazenamento apenas em 
dispositivos locais limita a acessibilidade e a colaboração, o compartilhamento de dados 
sem restrições pode comprometer a privacidade e a segurança, e ignorar a segurança dos 
dados é arriscado e inadequado em qualquer contexto de IoT.
2. Opção C. A segurança de dados em IoT é fundamental para proteger os dispositivos e as 
informações que eles coletam e transmitem. Uma das práticas mais importantes é garantir 
que os dispositivos IoT estejam sempre atualizados com as últimas correções de segurança 
(patches) e atualizações de firmware. Isso ajuda a proteger contra vulnerabilidades conhecidas 
que os cibercriminosos podem explorar para comprometer a segurança dos dispositivos ou 
dos dados. As outras opções são incorretas porque armazenar todos os dados em um único 
servidor centralizado é um risco de ponto único de falha, senhas fracas são vulneráveis a 
ataques de força bruta, comunicação não criptografada expõe os dados à interceptação e 
compartilhar publicamente detalhes técnicos pode facilitar ataques direcionados. Portanto, 
a atualização regular é a prática mais importante para a segurança de dados em IoT.
3. Opção C. A visualização de dados em IoT desempenha um papel crucial na compreensão 
dos insights e na tomada de decisões informadas. Gráficos interativos permitem que os usuá-
rios explorem os dados de maneira mais detalhada, ajustando as visualizações de acordo 
com suas necessidades específicas. Isso facilita a identificação de tendências, anomalias e 
padrões que podem ser perdidos em visualizações estáticas. As outras opções são incor-
retas porque apresentar todos os dados brutos em um único gráfico pode ser esmagador 
e pouco informativo, o uso excessivo de cores pode tornar a visualização confusa, ignorar a 
segmentação dos públicos-alvo limita a eficácia da comunicação, e não fornecer legenda 
ou contexto dificulta a interpretação dos gráficos. Portanto, a interatividade é fundamental 
para a visualização eficaz de dados em IoT.
GABARITO
1
1
5
MINHAS ANOTAÇÕES
1
1
1
	unidade 1
	O Mundo da Internet
das Coisas
	Bases de dados da Internet
das Coisas
	Séries temporais
	unidade 2
	Pré-processamento 
de Séries Temporais
	Técnicas de Calibração de Sensores
	REDES NEURAIS ARTIFICIAIS NA CALIBRAÇÃO DE SENSORES
	unidade 3
	Predição de dadosde IoT
com Machine Learning
	PREDIÇÃO DE DADOS DE IoT COM REDES NEURAIS ARTIFICIAIS
	ANÁLISE DE DADOS EM IoT
	_op2dehvr91t7
	_oizg8b2jvkmc
	_7nxkjk2m32ei
	_GoBack
	_GoBack
	_GoBack
	Forms - Uniasselvi:de dados é muito grande.
O plano físico é um middleware, ou seja, software que fornece serviços e recursos 
comuns a aplicações. Esse plano tem como responsabilidade coletar, filtrar, agre-
gar e limpar os dados de sensores, atuadores e outros dispositivos. Desse modo, 
ele atua como uma interface entre o mundo físico e a plataforma OpenIoT.
 O plano virtualizado é responsável por armazenar os dados, executar ser-
viços e agendar a execução desses serviços, sendo que seus componentes estão 
descritos no Quadro 2.
UNIASSELVI
1
5
TEMA DE APRENDIZAGEM 1
COMPONENTES DESCRIÇÃO
Agendador (Scheduler)
Recebe requisições por serviços garan-
tindo o acesso aos recursos necessários 
para executar esses serviços. É, ainda, 
responsável no processo de identifica-
ção dos sensores que serão utilizados na 
execução dos serviços. 
Armazenamento de Dados na Nuvem 
(Cloud Data Storage)
Responsável pelo armazenamento dos 
dados da plataforma. 
Gerenciador de Serviços e Utilidades 
(Service Delivery and Utility Manager)
Possui as seguintes funções:
possibilita a definição de serviços sobre 
a plataforma;
executa os serviços requisitados por 
usuários e aplicações;
permite a definição de parâmetros de 
configuração da plataforma;· faz o moni-
toramento de toda a infraestrutura que é 
executada na plataforma.
Definição de Requisições (Request Defini-
tion): possibilita que os usuários definam 
novas aplicações utilizando os serviços e 
os dados disponíveis na plataforma. 
Apresentação de Requisições (Request 
Presentation): implementa uma aplicação 
desenvolvida o componente Definição 
de Requisições.
Configuração e Monitoramento (Confi-
guration and Monitoring)
Permite a configuração dos parâmetros 
da plataforma.
Quadro 2 - Componentes do plano virtualizado / Fonte: o autor.
Desse modo, a plataforma OpenIoT oferece uma base sólida para o desenvolvi-
mento de cidades inteligentes, destacando-se por seu middleware eficaz para o 
armazenamento de dados urbanos, ferramentas para a definição de serviços e 
sua natureza de software livre. 
1
1
No entanto, é importante notar suas limitações, como a falta de suporte para a 
coleta de dados de fontes externas, como redes sociais, e a ausência de recursos 
de pré-processamento de dados em situações de alta quantidade de informações. 
A integração do plano físico e virtualizado desempenha um papel fundamental 
na interligação entre o mundo físico e a plataforma OpenIoT, viabilizando uma 
abordagem mais completa e eficiente para o desenvolvimento de soluções para 
cidades inteligentes.
Agora, vamos refletir um pouco sobre a ligação da IoT com o avanço das cidades 
inteligentes. É importante conhecer como funciona uma cidade que recebe esse 
título. Recursos de mídia disponíveis no conteúdo digital do ambiente virtual de 
aprendizagem. 
EM FOCO
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 1
NOVOS DESAFIOS
Você pode verificar que as tecnologias oferecem transparência, ou seja, possibi-
litam que os usuários tenham clareza de suas decisões e ações. Portanto, a IoT 
possibilita que objetos coletem, troquem e armazenem dados numa nuvem, para 
que sejam processados e analisados esses dados e, com isso, geram informações 
significativas para o planejamento urbano de uma cidade. No entanto, para que 
a IoT alcance seus resultados, precisa de uma conectividade eficiente que suporte 
o crescente número de tráfego de dados.
O Mundo da Internet das Coisas (IoT) é fundamental para que você com-
preenda não apenas os conceitos teóricos, mas também como esses conceitos são 
aplicados no mundo real. Você pode implementar, na prática, projetos práticos 
de IoT, criando dispositivos IoT reais, podendo construir sensores, sistemas de 
automação residencial ou dispositivos de monitoramento de saúde, por exemplo, 
desenvolver aplicativos para dispositivos IoT, programar dispositivos, coletar e 
analisar dados e criar interfaces de usuário amigáveis.
A conexão entre teoria e prática na IoT é essencial para que você, estudante, 
se prepare adequadamente para o mercado de trabalho, compreenda as aplica-
ções reais da tecnologia e desenvolvam habilidades práticas necessárias para se 
destacar na área da Internet das Coisas.
Portanto, essa integração é crucial para que você se torne um profissional 
capacitado e esteja preparado para compreender as aplicações reais da tecno-
logia, enfrentar desafios do mercado de trabalho e se destacar na empolgante e 
dinâmica área da Internet das Coisas.
1
8
1. A ideia de conectar computadores começa na década de 1980 e evolui até os dias de hoje, 
passando por pontos importantes que possibilitaram seu avanço através de inovações 
tecnológicas. A sua necessidade sempre esteve presente. Nesse sentido, a Internet das 
Coisas (IoT) é considerada uma conexão de objetos da rotina diária da sociedade moderna.
Considerando os componentes de um sistema IoT, assinale a alternativa correta:
a) Sensores: conseguem dados sobre o meio em que o objeto está localizado e, em segui-
da, armazenam e encaminham esses dados para bancos de armazenamento.
b) Serviços de identificação: mapeiam somente as Entidades Físicas (EF) de interesse do 
usuário .
c) Serviços de colaboração de dados: coletam e sintetizam dados homogêneos ou hete-
rogêneos obtidos dos objetos inteligentes.
d) Serviços de colaboração e inteligência: promovem serviços de colaboração e inteligência 
no momento em que eles são requisitados
e) Semântica: executa os algoritmos locais nos objetos inteligentes.
2. A IoT é considerada eficiente para o gerenciamento de inúmeros dispositivos que estão 
conectados em uma sociedade. Desse modo, os dados coletados são encaminhados para 
as plataformas de software, ou, ainda, para as aplicações, para que sejam armazenados e 
processados, proporcionando o desenvolvimento de serviços inovadores.
Considerando os elementos da IOT, assinale a alternativa correta:
a) Entidade: organizações públicas e privadas, bem como os consumidores.
b) Camada de aplicação: responsável pela transmissão dos dados coletados pela camada 
física para diferentes dispositivos.
c) Camada de rede: considera os protocolos e interfaces que os dispositivos utilizam para 
identificar e se comunicar uns com os outros.
d) Controles remotos: locais onde os dados dos dispositivos IoT são armazenados.
e) Armazenamento de dados: responsável por exibir as informações sobre o ecossistema 
de IoT para os usuários, possibilitando o controle do seu ecossistema de IoT.
AUTOATIVIDADE
1
9
3. A IoT é capaz de comunicar-se entre objetos ou dispositivos, e o indivíduo interage a partir 
disso. No entanto, tudo depende da conexão existente entre esses dispositivos. Assim, a 
arquitetura básica dos objetos inteligentes é composta por quatro unidades: processamen-
to/memória, comunicação, energia e sensores/atuadores.
Diante das informações apresentadas sobre a arquitetura dos dispositivos IoT, avalie as afir-
mações a seguir:
I - Unidades de processamento e memória - representadas pela memória interna de ar-
mazenamento de dados e programas, um microcontrolador e um conversor analógico 
digital para receber sinais dos sensores.
II - Unidades de comunicação - compreendem pelo menos um canal de comunicação com 
ou sem fio, sendo que a maioria das plataformas utiliza rádio de baixo custo e baixa 
potência
III - Fonte de energia - fornece energia aos componentes do objeto inteligente. Geralmente, 
a fonte de energia consiste em uma bateria (recarregável ou não) e um conversor AC-DC 
e tem a função de alimentar os componentes.
IV - Sensores - capturam valores de grandezas físicas como temperatura, umidade, pressão 
e presença.
É correto o que se afirma em:
a) I, apenas.
b) II e IV, apenas.
c) III e IV, apenas.
d) I, II e III, apenas.
e) I, II, III e IV.
AUTOATIVIDADE
1
1
REFERÊNCIAS
COSTA, L. H. M. K. Rede veicular. Rio de Janeiro: Universidade Federal do Rio de Janeiro, 2018. 
Disponível em: https://www.gta.ufrj.br/ensino/eel878/redes1-2018-1/trabalhos-vf/veicula-
res/. Acessoem: 2 out. 2023.
FARIAS, G. F. Redes de comunicações móveis de quinta geração: evolução, tecnologia, apli-
cações e mercado. Trabalho de Conclusão de Curso apresentado ao Curso de Graduação em 
Engenharia Elétrica da Universidade do Sul de Santa Catarina como requisito parcial à obtenção 
do grau de Engenheiro Eletricista. Palhoça: Universidade do Sul de Santa Catarina. 2019.
LOUREIRO, A. A. F. Redes veiculares. Revista da Sociedade Brasileira de Computação, v. 29, n. 
4, p. 14-18, 2015.
MAGRANI, E. Entre dados e robôs: ética e privacidade na era da hiperconectividade. 2. ed. Porto 
Alegre: Arquipélago Editorial, 2019. 
NEVES, M. A. T. Internet das coisas (IoT): introdução e visão geral de aplicações. Trabalho de 
Conclusão de Curso apresentado como requisito parcial à obtenção de grau de Bacharel do 
Curso de Gestão da Informação, Departamento de Ciência e Gestão da Informação do setor de 
Ciências Sociais Aplicadas da Universidade Federal do Paraná. Curitiba, 2021.
OLIVEIRA, A. M.; WASLON, S.; LOPES, T. Conheça os principais protocolos para IoT1. RTIC, v. 8, n. 
2, out. 2018.
PATINHA, P. M. M. Internet of Things e a sustentabilidade nas cidades inteligentes. Disserta-
ção apresentada como requisito parcial para a obtenção do grau de Mestre em Gestão de Infor-
mação, Especialização em Gestão dos Sistemas e Tecnologias de Informação. 2017. Disponível 
em: https://run.unl.pt/bitstream/10362/31128/1/TGI0121.pdf 2017. Acesso em: 2 out. 2023.
PAYÃO, J. V.; SANTIAGO, M. R. Internet das coisas e cidades inteligentes: tecnologia, inovação 
e o paradigma do desenvolvimento sustentável. Revista de Direito da Cidade, v. 10, n. 2, 2018.
PEDROSO, M. C.; ZWICKER, R.; SOUZA, C. A. Adoção de RFID no Brasil: um estudo exploratório. 
RAM, v. 10, n. 1, 2009.
SOUZA, D. S. Estudo da aplicação de um sistema IoT baseado no protocolo de comunicação 
MQTT a área da robótica industrial. Uberlândia: Universidade Federal de Uberlândia. 201).
1
1
https://www.gta.ufrj.br/ensino/eel878/redes1-2018-1/trabalhos-vf/veiculares/
https://www.gta.ufrj.br/ensino/eel878/redes1-2018-1/trabalhos-vf/veiculares/
https://www.gta.ufrj.br/ensino/eel878/redes1-2018-1/trabalhos-vf/veiculares/
https://run.unl.pt/bitstream/10362/31128/1/TGI0121.pdf
1. Opção A. Serviços de identificação: mapeiam as Entidades Físicas (EF) de interesse do usuário 
em Entidades Virtuais (EV). Serviços de agregação de dados: coletam e sintetizam dados 
homogêneos ou heterogêneos obtidos dos objetos inteligentes. Serviços de colaboração e 
inteligência: atuam sobre os serviços de agregação de dados tomando decisões e reagindo 
conforme um determinado cenário. Computação: executa os algoritmos locais nos objetos 
inteligentes.
2. Opção A. Armazenamento de dados: local onde os dados dos dispositivos IoT são armaze-
nados. Controles remotos: controles responsáveis pela conexão, como smartphones, tablets, 
PCs, smartwatches, TVs conectadas e controles remotos não tradicionais. Camada de rede: 
responsável pela transmissão dos dados coletados pela camada física para diferentes dis-
positivos. Camada de aplicação: considera os protocolos e interfaces que os dispositivos 
utilizam para identificar e se comunicar uns com os outros.
3. Opção E. Todas as afirmações estão corretas. 
GABARITO
1
1
MINHAS ANOTAÇÕES
1
1
MINHAS METAS
BASES DE DADOS DA INTERNET
DAS COISAS
Compreender o que é uma base de dados para a Internet das Coisas.
Identificar os diferentes modelos de bases de dados.
Identificar qual é o modelo ideal de bases de dados para a Internet das Coisas.
Compreender a importância do sistema de gerenciamento de banco de dados.
Analisar como funciona um sistema em tempo real.
Compreender a relação entre Big Data e Internet das Coisas.
Identificar exemplos de relação entre Big Data e Internet das Coisas.
T E M A D E A P R E N D I Z A G E M 2
1
4
INICIE SUA JORNADA
Diante do avanço contínuo da tecnologia de informação e a iminente revolução 
da Internet das Coisas (IoT), surgem desafios significativos relacionados à gestão 
e à segurança dos dados. 
Como as organizações e a sociedade em geral lidarão com o imenso volume 
de dados gerados pela IoT? Quais estratégias serão necessárias para garantir o 
armazenamento, a manipulação e a recuperação eficientes desses dados? E como 
essas transformações tecnológicas afetarão a privacidade e a segurança das 
informações pessoais em um mundo cada vez mais conectado?
O processo evolutivo da tecnologia de informação gerou novos modelos de pro-
cessamento, de armazenamento, de transmissão, de integração, para que o pro-
cesso de trafegabilidade dos dados seja ágil, mas, também, seguro.
Agora, com toda certeza, o próximo passo evolutivo da tecnologia da infor-
mação é a Internet das Coisas (IoT – Internet of Things). A IoT será capaz de 
modificar o modo como os dispositivos vão se comunicar através da internet, 
resultando em ações que irão beneficiar a sociedade. 
Em decorrência dos sistemas intercomunicantes, o resultado é o aumento 
de produtividade, desenvolvimento de novas estratégias de produção e, ainda, 
informações importantes para a competitividade estratégica das organizações. 
Desse modo, a implementação da IOT na sociedade pode otimizar tanto os pro-
cessos públicos quanto os privados. 
Entretanto, você já pode imaginar quantos dados serão gerados e como os ban-
cos de dados terão um papel primordial nesse processo. O armazenamento, mani-
pulação, e recuperação desse grande volume de dados são considerados uma parte 
fundamental da IoT. Desse modo, agora, temos o chamado banco de dados das 
coisas, que corresponde ao banco de dados que armazena os dados em memória.
UNIASSELVI
1
5
TEMA DE APRENDIZAGEM 2
Nesse podcast, você irá perceber a importância da IoT para o desenvolvimento de 
cidades inteligentes. Uma cidade é considerada inteligente quanto utiliza tecnolo-
gias para transformar e melhorar a qualidade de vida dos habitantes e na preser-
vação dos recursos naturais. Recursos de mídia disponíveis no conteúdo digital 
do ambiente virtual de aprendizagem.
PLAY NO CONHECIMENTO
VAMOS RECORDAR?
Não perca a chance de relembrar e aprofundar seu conhecimento sobre como 
os avanços tecnológicos estão ganhando cada vez mais espaço na vida dos 
usuários, mas também no mundo dos negócios, da saúde e da indústria. Uma 
das tecnologias mais promissoras é a Internet das Coisas (IoT) e o Big Data. 
Neste vídeo, você verá que o Big Data desempenha um papel na eficiência do 
processamento de informações, e permitirá aos desenvolvedores de Internet das 
Coisas otimizar essas ferramentas para ampliar a perspectiva atual. Recursos de 
mídia disponíveis no conteúdo digital do ambiente virtual de aprendizagem.
DESENVOLVA SEU POTENCIAL
BASES DE DADOS 
Primeiramente, é fundamental que você recorde: o que são dados?
Os dados são considerados fatos brutos que apresentam as características 
de um determinado evento, ou seja, são registros que podem estar vinculados 
a algum evento. Isso significa dizer que o dado é uma informação ainda não 
processada (MAZIERO, 2019).
Agora, o próximo passo é entender o que é informação!
A informação são dados convertidos em contexto útil, ou seja, uma infor-
mação que a organização possa utilizar para tomada de decisão. A informação, 
portanto, é um conjunto de dados com valor, que diminui a incerteza ou amplia 
o conhecimento (COUTINHO et al., 2017).
1
1
A informação é considerada a base para a funda-
mentação do conhecimento. Isso significa que o co-
nhecimento se origina das informações absorvidas. 
Desse modo, o conhecimento é uma informação com 
uma utilidade ou um propósito (MAZIERO, 2019).
Agora é o momento de você compreender o que 
é um banco de dados e, principalmente, qual sua função e importância para a 
internet das coisas (IoT). O dado é compreendido como um elemento básico que 
compõe um determinado arquivo. 
O registro dará uma informação completa, já que ele é formado por uma 
sequência de dados juntos. O que você pode perceberé que um determinado 
registro é composto, por exemplo, por itens de dados (campos): nome completo, 
formação acadêmica e domínio em língua estrangeira. No banco de dados, as 
fichas dos profissionais formarão o arquivo profissional.
O que você pode perceber com isso é que um banco de dados é um sistema que 
coleta, armazena e disponibiliza informações de modo que possam ser acessadas.
A informação 
é considerada 
a base para a 
fundamentação do 
conhecimento
Explore as tendências da IoT e bancos de dados neste artigo informativo.
Leia o artigo intitulado IOT e uma análise comparativa em tecnologias e aplicações 
emergentes em bancos de dados. Recursos de mídia disponíveis no conteúdo di-
gital do ambiente virtual de aprendizagem.
EU INDICO
UNIASSELVI
1
1
TEMA DE APRENDIZAGEM 2
Agora, o que seria um banco de dados da internet das coisas (IOT)?
Primeiramente, a IOT vem modificando o modo como os dispositivos co-
muns do nosso dia a dia, ou seja, a nossa geladeira, por exemplo, vai se comunicar 
através da internet para fornecer uma lista de compras. Isso significa que inúme-
ras ferramentas e dispositivos estão se comunicando e gerando um grande volu-
me de dados. É exatamente nesse ponto que entra o banco de dados das coisas.
O banco de dados da internet das coisas armazena os dados em memória, 
ou seja, os dados são conservados em um formato compacto, mas sem relação 
com a memória principal. Desse modo, o maior volume de dados e informações 
serão gerenciados de modo mais eficiente e eficaz do que o armazenamento em 
disco. O objetivo principal do banco de dados das coisas é minimizar ou eliminar 
a necessidade de indexação de dados. Por isso, é necessário seguir as seguintes 
recomendações:
• realizar a integração com ferramentas de análise para conseguir valor dos dados 
fornecidos pela Internet das Coisas;
• possuir uma grande flexibilidade e escalabilidade no sistema;
• assegurar as taxas de indexação, ingestão e armazenamento de dados altas.
Portanto, o banco de dados da Internet das Coisas (IoT) desempenha um papel 
crucial na gestão eficiente de dados gerados por dispositivos interconectados. 
Ao armazenar esses dados em memória e adotar abordagens flexíveis e escalá-
veis, ele permite que a IoT forneça informações valiosas sem sobrecarregar os 
sistemas, contribuindo, assim, para uma comunicação mais inteligente e uma 
sociedade mais conectada.
1
8
MODELOS DE BASES DA DADOS
O modelo de banco de dados tem por objetivo mostrar a estrutura lógica de um 
determinado banco de dados, ou seja, indicar as relações e restrições de como 
os dados podem ser armazenados, alterados e acessados. A escolha do modelo 
de dados é essencial para ajustar as prioridades da organização com o banco de 
dados. Então, agora, vamos entender os tipos de bases dados:
MODELO RELACIONAL
Possibilita que os usuários escrevam consultas que não foram antecipadas por quem 
projetou a base de dados. Isso assegura que a base de dados relacionais pode ser 
usada por inúmeras aplicações em maneiras que os projetistas originais não previram, 
o que é essencial em bases de dados que podem ser usadas por um longo período, 
por isso, esse modelo é muito utilizado no meio empresarial.
MODELO HIERÁRQUICO
Cada registo tem um e um só pai (raiz), tal como os arquivos no computador, ou seja, 
um registo não pode ter mais que um pai. Esse modelo é adequado para descrever 
muitas relações do mundo real.
MODELO DE REDE
Cada registo pode ter mais que uma raiz (pai). Esse modelo é baseado na teoria de 
conjuntos matemáticos, sendo que cada conjunto representa um registro proprietário 
(pai), e um ou mais registros de membro (filho). Então, um determinado registro pode 
ser um membro em inúmeros conjuntos, assegurando que esse modelo transmita 
relações mais complexas.
MODELO DE BANCO DE DADOS ORIENTADO PARA OBJETOS
Uma coleção de objetos ou elementos de software reutilizáveis, com recursos e méto-
dos associados. Esse modelo suporta tanto a modelagem quanto o desenvolvimento 
de dados como objetos.
UNIASSELVI
1
9
TEMA DE APRENDIZAGEM 2
Agora você deve estar se questionando: qual é o modelo adequado para a Internet 
das Coisas?
A Internet das Coisas faz com que as organizações precisem processar dados 
em tempo real, por isso, o modelo mais adequado para essa situação é um banco 
de dados na memória. Esse modelo faz com que o trabalho com os dados seja 
mais eficiente e eficaz, resultando na melhoria da produtividade das organiza-
ções. Agora, como decidir se uma determinada organização deve adotar esse 
modelo de banco de dados?
Caso uma organização tenha algumas das seguintes necessidades, pode considerar 
a escolha de banco de dados em memória:
• A organização quer usufruir dos benefícios do Big Data em tempo real.
• A organização possui uma coleta de dados regular e deve ter um acesso rápido a 
esses dados para tomadas de decisões estratégicas.
O que você pode perceber é que o banco de dados em memória deve ser utilizado 
por organizações que exigem operações de alta agilidade. Um exemplo prático 
são as plataformas de leilão em tempo real. Então, se uma organização pretende 
MODELO ORIENTADO A DOCUMENTOS
As informações são armazenadas no formato chave-valor em arquivos, sendo que 
todo documento tem uma chave única, que serve como meio para identificá-lo por 
toda a base de dados.
MOLDELO DE DADOS EM MEMÓRIA (IN-MEMORY)
Armazena dados na memória principal, sendo que isso contrasta com os modelos 
tradicionais de banco de dados, que são desenvolvidos para armazenar os dados em 
mídia persistente, em disco.
4
1
entrar no mercado da IoT, ela, com certeza, vai precisar adotar esse tipo e modo 
de banco de dados.
Imagine que a IoT inclui centenas de sensores que enviam inúmeros tipos de 
dados em tempo real. Assim, o banco de dados precisa saber lidar com milhões 
de mensagens encaminhadas por vários sensores presentes em diferentes locais 
geográficos. Desse modo, o banco de dados na memória armazena e recupera esses 
dados de modo ágil e eficaz para que a análise possa tomar decisões adequadas e 
compatíveis com os dados encaminhados. De acordo com Ferreira (2020, p. 12):
 “ No paradigma da IoT, uma enorme quantidade de redes de sensores 
são incorporados em vários dispositivos e máquinas no mundo real. 
Tais sensores implantados em diferentes campos podem coletar 
vários tipos de dados, como dados de ambiente, dados geográfi-
cos, dados astronômicos etc. Equipamentos móveis, instalações 
de transporte, instalações públicas e eletrodomésticos podem ser 
equipamentos de aquisição de dados.
Desse modo, a escolha do modelo de banco de dados é crucial para o sucesso da 
Internet das Coisas (IoT). O modelo em memória destaca-se como a opção mais 
eficaz para lidar com os desafios da IoT, permitindo o processamento ágil de dados 
em tempo real e atendendo às necessidades de organizações que buscam tomar 
decisões estratégicas com base em grandes volumes de informações instantâneas. 
À medida que a IoT continua a crescer, a importância desse modelo se torna ain-
da mais evidente, impulsionando a inovação e a eficiência na era da conectividade.
UNIASSELVI
4
1
TEMA DE APRENDIZAGEM 2
VISÃO GERAL SOBRE O SISTEMA DE GERENCIAMENTO DE 
BANCO DE DADOS (SGBD)
Não temos dúvida alguma de que a quantidade de informações disponíveis na 
nossa sociedade está se intensificando, e o valor dos dados como ativo organizacio-
nal é reconhecido. Porém, as organizações precisam de ferramentas que auxiliem 
no gerenciamento dos dados e a extração da informação necessária de modo ágil. 
Caso isso não ocorra, os dados irão se tornar um passivo para a organização, cujo 
custo de manutenção, obtenção e gerenciamento excedem o próprio valor do dado.
Existem muitas opções quando se trata do tipo de banco de dados que uma orga-
nização pode querer implementar, então, serão apresentados os principais siste-
ma de gerenciamento, sendo:
• Oracle Database (Oracle DB ) é um sistema de gerenciamento de banco de da-
dosrelacional da Oracle. Originalmente desenvolvido em 1977, esse é um dos me-
canismos de banco de dados relacional mais confiáveis e amplamente utilizados 
no mundo. Por ser multiplataforma, pode ser executado em vários sistemas ope-
racionais diferentes.
• SQL Server é o sistema de gerenciamento de banco de dados da Microsoft. Ele 
funciona no modelo relacional e suporta uma ampla variedade de aplicativos de 
processamento de transações, inteligência de negócios e análises em ambientes 
corporativos de TI.
• O MySQL é um gerenciador de banco de dados de código aberto e, por isso, é 
bastante popular. Ele trabalha com um modelo cliente-servidor: os computadores 
que instalam e executam o software são chamados de clientes, e sempre que eles 
precisam acessar dados, eles se conectam ao servidor.
• PostgreSQL é mais um sistema de banco de dados com código aberto, e é reco-
nhecido no mercado por ser o mais avançado entre esses.
• O Firebird DB é um banco de dados relacional, também de código aberto, que 
oferece muitos recursos padrão com a linguagem SQL que são executados no Li-
nux, Windows e em uma variedade de plataformas Unix. Esse sistema oferece alto 
desempenho e um dos melhores suportes a idiomas do mercado.
Fonte: https://skyone.solutions/hub/banco-de-dados-sistemas-principais-ti-
pos/. Acesso em: 2 out. 2023.
APROFUNDANDO
4
1
https://skyone.solutions/hub/banco-de-dados-sistemas-principais-tipos/
Nesse sentido, um sistema de gerenciamento de banco de dados (SGBD) é um 
software desenvolvido para ajudar a manutenção e utilização dos conjuntos de 
dados. A utilização de SGBD possui os seguintes benefícios:
 ■ independência de dados: os programas aplicativos não devem ser expos-
tos aos detalhes de representação e armazenamento de dados.
 ■ acesso eficiente dos dados: usa inúmeras técnicas para armazenar e recu-
perar dados de modo eficiente.
 ■ integridade e segurança dos dados: mecanismos de controle de acesso que 
definem quais dados estão disponíveis a diferentes classes de usuários.
 ■ administração de dados: centralização da administração dos dados ofe-
recendo melhorias contínuas.
 ■ segurança física: os dados não podem estar ao alcance de usuários não 
autorizados.
 ■ segurança lógica: os dados devem ser protegidos por meio de métodos 
lógicos de segurança, como senhas.
 ■ acesso concorrente e recuperação de falha: planeja o acesso concorrente 
aos dados de modo que os usuários possam achar que os dados estão 
sendo acessados somente por um único usuário de cada vez. O SGBD 
disponibiliza mecanismos que garantem que a base de dados é atualizada 
de modo correto.
 ■ tempo reduzido de desenvolvimento de aplicativo: suporta funções que 
são comuns a inúmeros aplicativos que acessam dados no sistema.
O que se nota é que o Sistema de Gerenciamento de Banco de Dados (SGBD) 
atua como um intermediário entre o usuário e o banco de dados. Sua estrutura é 
armazenada como um conjunto de arquivos, e a única forma de acessar os dados 
contidos nesses arquivos é por meio do SGBD (COELHO, 2011).
Isso implica que o SGBD proporciona ao usuário final uma visão unificada e 
coesa dos dados presentes no banco. Para alcançar esse objetivo, o SGBD recebe 
todas as solicitações provenientes de aplicativos e as converte nas operações com-
plexas necessárias para satisfazê-las. Dessa forma, o SGBD oculta grande parte 
da complexidade interna do banco de dados, tornando-a transparente tanto para 
os aplicativos quanto para os usuários (COELHO, 2011).
UNIASSELVI
4
1
TEMA DE APRENDIZAGEM 2
SISTEMAS EM TEMPO REAL E A VISUALIZAÇÃO DOS 
DADOS DE IoT
Você já deve ter percebido que um dos obstáculos para a análise de dados da IoT 
é o modo de tratamento e coleta dos dados em tempo real. Isso representa que, 
conforme a rapidez e a eficiência dos dados, é preciso que os sistemas comportem 
todo esse processo. Conforme Ferreira (2020, p. 15):
 “ Um sistema em tempo real é um sistema de computador no qual a 
correção do comportamento do sistema depende não apenas dos 
resultados lógicos dos cálculos, mas também no instante físico em 
que esses resultados são produzidos. Significa que estes dados de-
vem ser apresentados com o mínimo de atraso no tempo possível, 
para garantir a integridade dos dados.
Os vários tipos de sensores IoT precisam de um tempo de resposta imediato para 
tomar decisões de operação sobre esses sistemas.
USUÁRIO
SISTEMA DE 
COMPUTADOR EM 
TEMPO REAL
OBJETO 
CONTROLADO
INTERFACE 
HOMEM-MÁQUINA
INTERFACE 
INSTRUMENTAÇÃO
Figura 1 - Um sistema em tempo real / Fonte: o autor.
Descrição da Imagem: a figura representa um sistema em tempo real que pode ser segmentado em subsiste-
mas (clusters). Na figura, temos os quadros que representam o objeto controlado, o sistema de computador em 
tempo real, e o usuário. Então, a interface entre o usuário e o sistema de computador é denominada interface 
homem-máquina, já a interface entre o objeto controlado e o sistema de computador é denominada interface 
de instrumentação.
4
4
Desse modo, os sistemas em tempo real devem reagir a alterações no estado do 
sistema e disponibilizar uma ação de controle adequada e rápida. Entretanto, 
para assegurar a estabilidade, é importante determinar o pior tempo de reação 
do sistema, ou seja, o tempo para coletar os dados de um determinado sensor.
Leia o artigo Como funciona a localização em tempo real com IoT e quais são os 
benefícios? e aprofunde seus conhecimentos. Recursos de mídia disponíveis no 
conteúdo digital do ambiente virtual de aprendizagem.
EU INDICO
Imagine a situação em que você tem os dados disponíveis em tempo real, porém 
não consegue visualizá-los. Mas o que representa essa visualização dos dados?
A visualização de dados são representações visuais, sendo que, para essa vi-
sualização, é preciso usar tecnologias computacionais para modificar os dados 
abstratos em modelos visuais para tornar a tomada de decisão mais precisa. Isso 
significa que uma tomada de decisão precisa compreender e interpretar de modo 
correto as informações apresentadas.
No entanto, qualquer visualização de dados necessita de uma ferramenta 
para fazer a elaboração dos gráficos para visualização, por exemplo. Atualmente, 
há muitas bibliotecas ou aplicações que são desenvolvidas para visualização de 
dados. A ferramenta ThingsBoard é focada na internet das coisas, sendo uma 
plataforma de código aberto para coleta de dados, processamento, visualização 
e gerenciamento de dispositivos (Figura 2). 
UNIASSELVI
4
5
TEMA DE APRENDIZAGEM 2
Os recursos dessa ferramenta são: visualização de dados em tempo real, regras 
personalizáveis, plugins, widgets e implementações de transporte, monitora-
mento dos atributos do dispositivo do lado do cliente e do lado do servidor, 
favorecimento da produção devido à estabilidade da plataforma e sistema seguro 
conectado a inúmeros dispositivos ao mesmo tempo (SANTOS, 2019).
Administrador
(tenent)
Clientes
Ativo
Ativos
Dispositivos
Figura 2 - Elementos do ThingsBoard / Fonte: o autor.
Descrição da Imagem: na representação, temos os elementos da plataforma sendo tratados como entidades. 
A primeira entidade é o tenant (administrador), que é o responsável por gerenciar os clientes e estabelecer o 
vínculo entre ativos. No exemplo, temos uma organização e seus setores, que são os ativos. Eles são usados para 
estabelecer relações entre si, possibilitando que dispositivos e clientes sejam, então, gerenciados para cada ativo.
4
1
BIG DATA E A IoT
VOCÊ SABE RESPONDER?
Você sabe o que é Big Data?
O Big Data é um termo usado para designar um grande volume de dados oriun-
dos de vários tipos de dispositivos conectados à internet (HORLLE, 2021). Esses 
dados são variados, com um volume crescente e, ainda, precisam de uma veloci-
dade de acesso cada vez maior (FERREIRA; BERNARDINI; PEDROSA, 2020). 
Esse padrão é conhecido como os Vs, ou seja:
VOLUME
Quantidade de dados que são armazenados. Você precisa considerar que, antes da 
evolução tecnológica,as organizações públicas e privadas coletavam dados, porém o 
tempo para armazenar os dados era o maior desafio. Entretanto, nos tempos atuais, o vo-
lume de dados coletados não é mais considerado um problema, já que o Big Data pode 
não atingir o limite no futuro, visto que a capacidade de armazenamento aumentará.
VELOCIDADE
A velocidade com que os dados são reunidos e armazenados. A velocidade considera 
a geração dos dados e a frequência da taxa de entrega dos dados.
VARIEDADE
Considera os diferentes tipos de dados que são armazenados. Os avanços tecnológi-
cos possibilitam a utilização de inúmeros tipos de estruturas, como dados semiestru-
turados e não estruturados.
UNIASSELVI
4
1
TEMA DE APRENDIZAGEM 2
A avaliação adequada possibilita a identificação antecipada de ameaças e vulne-
rabilidades, e garante ações preventivas para reduzir riscos e evitar prejuízos. A 
característica da veracidade em ambientes Big Data refere-se ao grau de credibi-
lidade dos dados, sendo que eles devem apresentar confiabilidade significativa 
para proporcionar valor e utilidade aos resultados gerados a partir deles.
 Os dados, portanto, são ferramentas capazes de promover a integração entre 
setores públicos e a sociedade, tendo os seguintes benefícios:
 ■ Conscientização situacional: o setor público, bem como a população, 
compreendem as tendências com base em dados reais.
 ■ Relação de causa e efeito das medidas tomadas: mensura quais variáveis 
causam determinado problema e quais auxiliam na busca da solução.
 ■ Previsibilidade: característica de real-time do Big Data, sendo essencial 
na definição de ações, riscos e demandas.
 ■ Avaliação de impacto: possibilita observar a localização dos obstáculos 
que interferem no sucesso das ações.
Portanto, o Big Data não é somente uma estrutura de armazenamento mo-
derna, mas uma evolução do ciclo de vida dos dados dentro de uma aplicação. 
Isso porque suporta a coleta, o armazenamento, o processamento, a análise e, 
ainda, a visualização de conjuntos de dados. Você pode perceber que o Big Data 
VARIABILIDADE
Mudança de significado que o dado sofre ao longo do tempo.
VALOR
Refere-se à utilidade dos dados e a sua importância dentro de um determinado contexto.
VISUALIZAÇÃO
Refere-se à eficácia da forma de apresentação dos dados.
4
8
é considerado uma oportunidade competitiva para as organizações, já que auxilia 
na tomada de decisões, gerando oportunidades ao longo do tempo. 
Entretanto, a importância da Big Data não é somente a quantidade de dados que 
se tem, mas o que se pode fazer com esses dados. Mas, afinal, qual a relação do 
Big Data com a internet das coisas?
PENSANDO JUNTOS
Segundo Ferreira, Bernardini e Pedrosa (2020, p. 120):
 “ O mundo em que vivemos é cada vez mais orientado para os dados, 
o que tem ajudado na análise e apresentação das melhores e mais 
precisas tecnologias. Contudo, os dados são extraídos em volumes 
tão grandes que é difícil trabalhá-los manualmente. Esses dados 
podem ser usados através da combinação entre IoT e Big Data. Es-
ses dois conceitos são conceitos complexos e estão estreitamente 
interligados e, embora não sejam a mesma coisa, é muito difícil 
falar sobre um sem o outro.
As ferramentas elaboradas para Big Data vêm se demonstrando fundamentais para 
controlar o fluxo de dados dos dispositivos IoT. Agora, precisamos considerar que 
o Big Data analisa os dados posteriormente, e existe um atraso, ou até mesmo um 
intervalo, entre o tempo em que os dados são reunidos e quando são processados. 
Entretanto, na Internet das Coisas, os dados são reunidos e processados em 
tempo real para garantir o desempenho e, ainda, corrigir qualquer tipo de funciona-
mento fora dos padrões. A seguir, alguns exemplos da relação entre IoT e Big Data.
As empresas de exportações usam análises de Big Data e dados de sensores 
para melhorar a eficiência no gerenciamento estratégico. A Tecnologia Block-
chain para o compartilhamento de informações visa à facilidade em trabalhar 
com informações conjuntas e compartilhadas. Isso significa que atua como uma 
rede de blocos encadeados que sempre carregam um conteúdo, ou seja, oferece 
as informações de origem e destino em cada etapa da cadeia.
UNIASSELVI
4
9
TEMA DE APRENDIZAGEM 2
Na agricultura, um grande desafio global é a tentativa de aumentar a produção 
de alimentos, considerando o crescimento populacional, a disponibilidade de 
recursos naturais, as mudanças climáticas, o surgimento de doenças e pragas e, 
ainda, bioacumulação de agroquímicos. Na agricultura, a IoT auxilia os produ-
tores na obtenção de informações, como, por exemplo: nutrientes presentes no 
solo, umidade do ar, níveis de água dos reservatórios. 
Algumas dessas soluções já podem ser acessadas em tempo real, facilitando a 
tomada de decisão do produtor rural. Isso garante que os agricultores aumentem 
a produtividade e economizem recursos financeiros, humanos e naturais. 
Além disso, os sensores IoT podem ser instalados em máquinas agrícolas para 
obter informações sobre o plantio, orientando os produtores na correção de acidez 
do solo, aumento ou diminuição da irrigação. Conforme Barbosa (2019, p. 35):
 “ Os sensores de umidade do solo estão sendo bastante empregados na 
agricultura, por sua elevada exatidão no monitoramento do conteúdo 
de água no solo, o que pode contribuir para maior eficiência na aplica-
ção da quantidade de água necessária e no tempo correto. A aplicação 
destes sensores tem-se difundido bastante em pesquisas relacionadas 
à irrigação por ser, entre outros aspectos, um método não destrutivo.
No Planejamento Urbano, as cidades não podem ser vistas somente como in-
vestimento financeiro, mas, sim, como um sistema complexo que precisa ser 
analisado, pensado e repensado com critérios definidos. Isso significa consi-
derar a geografia, o clima, vegetação, fauna, história e características sociais. O 
desenvolvimento tecnológico adequado da IoT pode evitar a potencialização das 
desigualdades regionais e globais. 
5
1
Um exemplo é o monitoramento do tráfego a partir de sensores localizados ao 
longo das vias. As informações obtidas pelos sensores podem alimentar os siste-
mas de informação gerando rotas em tempo real e, ainda, redistribuir os veículos 
resultando na fluidez do tráfego. A comunicação e a troca de informações entre 
esses diferentes objetos representam um cenário clássico da utilização da IoT.
As cidades possuem um grande consumo de energia, sendo que esta deve 
ser usada de modo mais eficiente. Desse modo, a IoT possibilita a redução no 
consumo. Um exemplo de aplicação é a iluminação pública inteligente, que utiliza 
uma rede de sensores que coletam dados e regulam a intensidade da luz emitida. 
Com isso, utiliza-se somente a energia necessária para iluminar as ruas, conforme 
as condições atmosféricas. 
Além disso, os sensores podem identificar o funcionamento adequado das 
lâmpadas. O benefício dos contadores de eletricidade inteligentes com tecnologia 
IoT é a integração com outras aplicações das residências ou das cidades, garan-
tindo o controle eficiente sobre a eletricidade usada.
NOVOS DESAFIOS 
O processo dinâmico da nossa sociedade está sendo moldado em novos pa-
radigmas, afetando de modo direto como as ações rotineiras são realizadas, 
como os produtos ou serviços são comercializados. Com toda certeza, isso traz 
novas possibilidades.
No âmbito profissional, no setor tecnológico, o modo de coletar dados de manei-
ra eficaz para definir novas estratégias de mercado, bem como tomar decisões mais 
adequadas à realidade social, permite o desenvolvimento de produtos personaliza-
dos, novos sistemas organizacionais e aumenta a eficiência da comunicação entre 
vários setores sociais. Então, existem inúmeros benefícios pela utilização de novas 
tecnologias, como o Big Data e a IoT, que transformam o modo de tomar decisões.
Portanto, a integração de novas tecnologias na vida profissional não é 
apenas uma escolha sábia, mas também um passo necessáriode IoT
com Machine Learning
	PREDIÇÃO DE DADOS DE IoT COM REDES NEURAIS ARTIFICIAIS
	ANÁLISE DE DADOS EM IoT
	_op2dehvr91t7
	_oizg8b2jvkmc
	_7nxkjk2m32ei
	_GoBack
	_GoBack
	_GoBack
	Forms - Uniasselvi: