Curso de IA - inteligência Artificial

Curso de IA - inteligência Artificial

1. Probabilidade

   • 3 Tipos de Probabilidade
     • Probabilidade Clássica
       • usada quando cada resultado no espaço amostral tem a mesma probabilidade de ocorrer. A probabilidade é baseada no conhecimento prévio do processo envolvido.
     • Probabilidade Empirica
       • baseia-se em observações obtidas de experimentos aleatórios. Os resultados são baseados em dados observados e não no conhecimento prévio do processo. De acordo com a Lei dos Grandes Números, a medida que um experimento é repetido mais e mais vezes, a probabilidade empírica (frequência relativa) de um evento tende à sua probabilidade real.
     • probabilidade Subjetiva
       • intuição estimativa ou palpite. Normalmente baseada em experiência no passado, opinião pessoal ou análise de algum indivíduo. Pode ser útil, quando não há possibilidade de utilização da probabilidade clássica ou empírica.

2. Allan Turing

3. Pai da AI Marvin Minsky o pai da inteligência artificial. O matemático e cientista computacional norte-americano Marvin Minsky, precursor da 'inteligência artificial', morreu no domingo, aos 88 anos, após uma hemorragia cerebral, informa o portal do Instituto Tecnológico de Massachusetts (MIT)

4. O Que é Machine Learning?

   • Fundamentalmente, Machine Learning (ou Aprendizado de Máquina) é a utilização de algoritmos para extrair informações de dados brutos e representá-los através de algum tipo de modelo matemático. Usamos então este modelo para fazer inferências (previsões) a partir de outros conjuntos de dados. E existem muitos algoritmos que permitem fazer isso, cabendo a um Cientista de Dados escolher o algoritmo que melhor se encaixa em cada tipo de problema a resolver.
   • aprendizado
     • Aprendizado é a capacidade de se adaptar, modificar e melhorar seu comportamento e suas respostas, sendo portanto uma das propriedades mais importantes dos seres ditos inteligentes, sejam eles humanos ou não.
     • Aprendizado Supervisionado
       • recebemos uma entrada, por exemplo, uma fotografia com um sinal de trânsito, e a tarefa é prever a saída ou etiqueta correta, por exemplo, que sinal de trânsito está na foto (limite de velocidade, sinal de parada, etc...) . Nos casos mais simples, as respostas são da forma sim/não (Nós chamamos esses problemas de classificação binária). Os classificadores de spam são um exemplo desta categoria.
     • Aprendizado Não Supervisionado
       • não há rótulos ou saídas corretas. A tarefa é descobrir a estrutura dos dados: por exemplo, agrupando itens semelhantes para formar "clusters" ou reduzindo os dados a um pequeno número de "dimensões" importantes. A visualização de dados também pode ser considerada como aprendizado não supervisionado. Técnicas de agrupamento, como segmentação de clientes, estão nesta categoria.
       • a regressão linear
     • Aprendizado por Reforço
       • comumente usado em situações em que um agente de IA, como um carro autônomo, deve operar em um ambiente onde o feedback sobre boas ou más escolhas está disponível com algum atraso. Também é usado em jogos em que o resultado pode ser decidido apenas no final do jogo. O Matias do capítulo 3 é um exemplo deste tipo de aprendizagem.
     • Algoritimo Trineamento
     • Algoritiimo Teste
   • Deep Learning

5. Redes Neurais

   • Conceito de Redes Neurais
     • Redes neurais formam um conjunto de algoritmos de Machine Learning, que tentam simular o funcionamento do cérebro humano para realizar atividades complexas, como reconhecimento de imagens ou processamento de linguagem natural. E as redes neurais profundas (Deep Learning) tem obtido resultados cada vez mais surpreendentes, atraindo o interesse de todos.
     • axônio
       • O axônio é o responsável por levar o sinal da entrada para a saída do neurônio. Isolado dos outros neurônios, um único neurônio é bastante inexpressivo e capaz de realizar apenas um conjunto muito restrito de comportamentos. Quando conectados uns aos outros, no entanto, o sistema resultante de sua ação conjunta pode se tornar extremamente complexo (exatamente o que observamos no cérebro humano).  O comportamento do sistema é determinado pelas maneiras pelas quais os neurônios são conectados. Cada neurônio reage aos sinais de entrada de uma maneira específica que também pode se adaptar ao longo do tempo. Essa adaptação é conhecida por ser a chave para funções como memória e 
     • Perceptron: A Mãe de todas as RNAs
       • O perceptron é simplesmente um nome sofisticado para o modelo de neurônio simples com a função de ativação de passo que discutimos anteriormente.  Foi um dos primeiros modelos formais de computação neural e por causa de seu papel fundamental na história das redes neurais, não seria injusto chamá-lo de "mãe de todas as redes neurais artificiais". Pode ser usado como um classificador simples em tarefas de classificação binária. Um método para aprender os pesos do perceptron a partir dos dados, chamado de algoritmo Perceptron, foi introduzido pelo psicólogo Frank Rosenblatt em 1957. Não estudaremos o algoritmo Perceptron em detalhes. Basta dizer que é quase tão simples quanto o classificador de vizinho mais próximo.  O princípio básico é alimentar os dados de treinamento da rede, um exemplo de cada vez. Cada erro de classificação leva a uma atualização no peso.
     • Redes Adversárias Generativas (GANs)
       • Tendo aprendido uma rede neural a partir de dados, ela pode ser usada para previsão. Como as camadas superiores da rede foram treinadas de maneira supervisionada para realizar uma determinada tarefa de classificação ou previsão, as camadas superiores são realmente úteis apenas para essa tarefa. Uma rede treinada para detectar sinais de parada é inútil para detectar dígitos manuscritos ou gatos.

Imagens e arquivos do mapa