Inteligência Artificial (IA)

Inteligência Artificial (IA)

1. Definição: Refere-se à simulação de processos Inteligentes por sistemas computacionais. Envolve criação de algoritmos, para que as máquinas, "pensem", "aprendam" e "resolvam problemas". Criação de ferramentas, para resolução de problemas.

2. RNA

   • Um RNA (Rede Neural Artificial) é um modelo computacional inspirado no funcionamento do cérebro humano, usado principalmente em inteligência artificial para resolver problemas como reconhecimento de padrões, classificação, regressão e geração de dados. Ele é composto por unidades chamadas neurônios artificiais, organizadas em camadas, que processam informações e ajustam seus pesos durante o treinamento para melhorar as previsões.
   • uma RNA possui dois elementos: uma estrutura e um algoritmo de aprendizagem. A estrutura se relaciona com a forma com a qual a RNA é construída, como os neurônios interagem e como disseminam a informação entre seus pares. O algoritmo de aprendizagem, por sua vez, se baseia no modo como a estrutura é dada, de maneira a fazer com que o conhecimento experimental seja armazenado nessa estrutura, ou melhor dizendo, nas conexões sinápticas entre os neurônios.
   • Arquitetura de Redes Neurais Artificiais
     • Principais Arquiteturas de IA
       • MLP (Multilayer Perceptron)
         • Descrição: Rede neural básica, com várias camadas densas, totalmente conectadas.
         • Aplicação: Problemas simples, como classificação e regressão.
       • CNN (Convolutional Neural Network)
         • Descrição: Focada em dados espaciais, como imagens e vídeos, usando convoluções para extrair características.
         • Aplicação: Visão computacional (classificação de imagens, reconhecimento de objetos, etc.).
       • RNN (Recurrent Neural Network)
         • Descrição: Redes neurais com conexões recorrentes, processando sequências de dados.
         • Aplicação: Processamento de linguagem natural (NLP), séries temporais, previsão.
       • LSTM (Long Short-Term Memory)
         • Descrição: Tipo avançado de RNN, capaz de aprender dependências de longo prazo em dados sequenciais.
         • Aplicação: Tradução de texto, reconhecimento de fala, previsão de séries temporais.
       • GRU (Gated Recurrent Unit)
         • Descrição: Variante do LSTM, com estrutura mais simples e rápida, mas com capacidade similar.
         • Aplicação: Similar ao LSTM, usado para problemas sequenciais.
       • Transformer
         • Descrição: Arquitetura baseada em atenção, com foco em processar sequências de forma mais eficiente que RNNs e LSTMs.
         • Aplicação: Tradução automática, modelagem de linguagem, IA generativa (GPT, BERT).
       • Autoencoders
         • Descrição: Redes neurais que aprendem a representar os dados de forma compacta, realizando compressão e reconstrução.
         • Aplicação: Compressão de dados, redução de dimensionalidade, geração de novos dados.
       • GAN (Generative Adversarial Network)
         • Descrição: Redes neurais competindo entre si: um gerador cria dados e um discriminador tenta identificar se os dados são reais ou gerados.
         • Aplicação: Geração de imagens realistas, deepfakes, criação de arte.
       • Camadas de uma IA
         • Camadas de Entrada
           • Recebe os dados brutos, como imagens, texto ou números.
         • Camadas Ocultas
           • Densa (Fully Connected): Conecta todos os neurônios de uma camada à próxima.
           • Convolucional (Conv2D, Conv3D): Extrai características espaciais (como bordas, texturas) em imagens.
           • Pooling (MaxPooling, AveragePooling): Reduz a dimensionalidade dos dados, mantendo informações essenciais.
           • Recurrente (RNN, LSTM, GRU): Lida com dados sequenciais, mantendo informações de estados anteriores.
           • Dropout: Desativa aleatoriamente neurônios para evitar overfitting.
           • Batch Normalization: Normaliza os dados para melhorar o treinamento.
         • Camada de Saída (Output Layer)
           • Softmax: Para classificação com várias classes (ex: várias categorias).
           • Sigmoid: Para classificação binária (sim/não, verdadeiro/falso).
           • Linear: Para previsão de valores contínuos (ex: preço de imóvel, temperatura).