ROTEIRO DE ESTUDO INTELIGÊNCIA ARTIFICIAL (3)

Prévia do material em texto

CENTRO UNIVERSITÁRIO DO PLANALTO CENTRAL APPARECIDO DOS 
SANTOS – UNICEPLAC 
 
 
 
 
 
JOÃO BATISTA PAES RIBEIRO CALDEIRA 
 
 
 
 
 
 
ROTEIRO DE ESTUDO – INTELIGÊNCIA ARTIFICIAL 
 
 
 
 
 
 
GAMA-DF 
 2025 
 
 
1. Aprendizagem Supervisionada 
A aprendizagem supervisionada consiste no treinamento de um modelo 
por meio de exemplos cujas respostas já são conhecidas. Assim, o sistema 
aprende a relacionar cada entrada ao seu respectivo resultado. Os dados de 
treinamento necessitam de rótulos (labels), pois estes indicam qual é a saída 
correta, permitindo que o algoritmo compare, identifique erros e ajuste seus 
parâmetros. Sem os rótulos, não seria possível supervisionar o processo de 
aprendizagem. 
 
2. Sistemas Especialistas 
Os sistemas especialistas oferecem vantagens ao apoiar decisões com 
rapidez e consistência, utilizando conhecimento previamente estruturado. Esse 
tipo de sistema reduz a dependência de profissionais altamente especializados, 
pois armazena o conhecimento técnico na base de dados, tornando-o acessível 
continuamente. Dessa forma, promove padronização, aumento de produtividade 
e prevenção da perda de conhecimento organizacional. 
 
3. Reconhecimento de Padrões 
O reconhecimento de padrões envolve três etapas essenciais. O processo 
inicia-se pela formação de um conjunto de dados utilizado no treinamento do 
sistema. Em seguida, ocorre a seleção de características, que consiste em 
identificar informações relevantes capazes de diferenciar os elementos 
analisados. Por fim, a etapa de classificação utiliza essas características para 
categorizar novos dados conforme os padrões aprendidos.
 
4. Informática na Educação Durante a Pandemia 
As tecnologias digitais apoiam o trabalho docente, mas não substituem a 
figura do professor. Embora ofereçam recursos, ampliem o acesso a conteúdos 
e facilitem a comunicação, essas ferramentas não possuem sensibilidade 
humana, compreensão pedagógica ou capacidade de mediação social. Dessa 
maneira, mesmo com o uso de inteligência artificial, o professor permanece 
essencial para orientar, interpretar contextos e promover interação significativa. 
 
 
5. Pensamento Computacional 
O pensamento computacional envolve a abstração ao destacar apenas os 
elementos fundamentais de um problema, descartando detalhes irrelevantes. 
Essa habilidade permite formular soluções eficientes por meio de modelos 
simplificados e organização lógica. Dessa forma, torna possível criar algoritmos 
mais claros, otimizados e eficazes na resolução de problemas. 
 
6. Aprendizagem Não Supervisionada no Varejo 
A aprendizagem não supervisionada é indicada quando se deseja 
descobrir padrões ou relações ocultas nos dados, especialmente quando não há 
respostas classificadas previamente. Como não existem rótulos, o algoritmo 
analisa os dados autonomamente, identificando agrupamentos e similaridades 
naturais. Esse tipo de aprendizado é útil em contextos com grandes volumes de 
dados sem categorização inicial, como ocorre no varejo. 
 
7. Inteligência Artificial na Educação 
A inteligência artificial complementa e apoia a educação ao oferecer 
interatividade, personalização e novos recursos de aprendizagem. Entretanto, 
não substitui o professor, já que não possui capacidade de mediação humana, 
sensibilidade pedagógica ou julgamento ético. Assim, a IA funciona como 
ferramenta de suporte, enquanto o docente permanece responsável pelo 
acompanhamento e orientação dos estudantes. 
 
8. Machine Learning Aplicado à Saúde 
O machine learning aprende com dados ao analisar inúmeros exemplos e 
identificar padrões recorrentes, como características presentes em imagens de 
tumores. A cada treinamento, seus parâmetros internos são ajustados, 
aumentando a precisão. Isso permite que o modelo execute tarefas complexas, 
como detectar tumores em tomografias, com desempenho continuamente 
aprimorado. 
 
 
9. Aprendizado Supervisionado e Não Supervisionado 
Um problema é caracterizado como não supervisionado quando os dados 
não possuem rótulos. Nesse cenário, não se busca prever uma resposta 
específica, mas sim identificar estruturas internas, agrupamentos ou padrões 
naturais. Portanto, quando o objetivo é explorar dados sem classificações 
prévias, trata-se de um caso típico de aprendizado não supervisionado. 
 
10. Objetivos do Machine Learning 
O machine learning simula aspectos da inteligência humana ao aprender 
com experiências, reconhecendo padrões e ajustando-se progressivamente. 
Isso o capacita a automatizar tarefas repetitivas, como análise e classificação de 
dados, aplicando o conhecimento adquirido a novas situações sem necessidade 
de reprogramação manual. 
 
11. IA, Machine Learning e Deep Learning 
A inteligência artificial é o campo mais abrangente que engloba diferentes 
técnicas para simular comportamentos inteligentes. Dentro dela, o machine 
learning utiliza dados para permitir que sistemas aprendam padrões. O deep 
learning é uma subárea avançada do machine learning, baseada em redes 
neurais profundas capazes de reconhecer padrões complexos. Essas 
tecnologias estão cada vez mais presentes no cotidiano devido à sua capacidade 
de lidar com grandes quantidades de dados e automatizar tarefas diversas. 
 
12. Sistemas Especialistas e o Mecanismo de Inferência 
O mecanismo de inferência é responsável pelo raciocínio dentro de um 
sistema especialista. Ele interpreta as informações fornecidas pelo usuário, 
consulta a base de conhecimento e aplica regras para gerar conclusões. No 
sistema DENDRAL, esse mecanismo analisa dados químicos, combina regras e 
apresenta hipóteses fundamentadas, desempenhando o papel central na 
tomada de decisão.