Inteligência Artificial - Roteiro de Estudos

10/01/2022 11:01 Roteiro de Estudos
Inteligência Artificial
Roteiro de
Estudos
Autor: Me. Jackson Luis Schirigatti
Revisor: Felipe Oviedo Frosi
Mediante a Inteligência Artificial (IA), uma máquina pode aprender de diversas formas, por
meio de indução ou dedução, por hábito ou conceito, de forma conexionista, emergente ou
probabilística, mas a maneira como ela pode resolver os problemas do mundo real, em termos
de decisões, ocorre por meio do aprendizado simbólico, a partir de técnicas de aprendizagem,
mediante buscas heurísticas, reconhecimento de padrões e relações. Nesse sentido, é preciso
entender os fundamentos da IA, os métodos e a resolução de problemas mediante a busca
heurística e a resolução de problemas por meio do reconhecimento de padrões e dos
fundamentos dos sistemas especialistas.
Caro(a) estudante, ao ler este roteiro, você irá:
entender a importância e os conceitos básicos das técnicas de IA para criar modelos e
algoritmos eficientes para soluções inteligentes;
entender os conceitos lógicos de sistemas dicotômicos e da lógica proposicional para
desenvolver algoritmos lógicos na resolução de problemas;
identificar a melhor abordagem de IA para a aplicação prática na resolução de problemas;
reconhecer as competências inteligentes em soluções que aplicam IA;
compreender as técnicas de aprendizagem de máquina e algoritmos heurísticos para a
resolução de problemas de automação inteligente.
Introdução
https://laureatebrasil.blackboard.com/bbcswebdav/institution/laureate/conteudos/PR_TEC_INTART_20/roteiro/index.html 1/18
Atualmente, métodos e técnicas de Inteligência Artificial (IA), como os métodos de busca, estão
sendo aplicados em muitas áreas, por exemplo: entretenimento, trânsito, computação, saúde,
eletrônica, robótica, administrativa, navegação e indústria manufatureira e militar, dentre
outras, em um jogo de estratégia de poucos estados e, até mesmo, em um aplicativo que
roteiriza o alto tráfego em uma rede de computadores. A busca para a resolução de problemas
é uma subárea da IA e tem um direcionamento específico para a tomada de decisão, para
atingir um objetivo ou uma meta.
A intenção é compreender como os agentes inteligentes realizam as buscas de estado. Na
sequência, é apresentada a extensão dos miniproblemas para as diversas aplicações das
buscas por resolução de problemas na vida real. As aplicações de resolução de problemas por
buscas são inúmeras e, atualmente, estão sendo utilizadas em: aparelhos celulares; máquinas e
equipamentos industriais; dispositivos de navegação para veículos e robôs; planejamento de
regiões aéreas e ferroviárias; decisões estratégicas militares; sistemas de planejamento de
manufatura. Toda essa ampla aplicação é resultado da combinação dos agentes inteligentes
integrados às demais subáreas da IA. Essa integração corresponde aos sistemas multiagentes,
que utilizam vários agentes juntos para resolver um problema, ou seja, os agentes cooperam
uns com os outros, resultando em uma interação social e ajuda mútua.
Fundamentos da Inteligência
Artificial (IA)
A definição exata de Inteligência Artificial (IA) é discutível, mas a palavra “artificial” refere-se a
tudo o que é feito pelo homem, e “inteligência” é a capacidade de compreender, aprender e
resolver problemas. Nesse sentido, a IA pode ser aplicada:
nas fábricas inteligentes, com o apoio da tecnologia de automação e comunicação;
na medicina, por meio dos sistemas especialistas, no diagnóstico de doenças;
na segurança da informação, mediante a identificação de habilidades inteligentes, e em
inúmeras outras aplicações.
A IA já não é mais teoria, mas é a aplicação para o benefício humano. Para Faceli et al. (2011),
há alguns anos, a área de IA era vista como uma parte da ciência da computação teórica, com
aplicações em pequenos problemas práticos curiosos e desafiadores, mas de pouco valor
prático, e resolvidos pela codificação da computação. Essa codificação refere-se a algoritmos ou
pseudocódigos que especificam, passo a passo, como o problema pode ser resolvido. A ideia
básica de programar máquinas para executar tarefas é que elas podem resolver problemas
que os humanos não conseguiriam ou demorariam muito tempo para resolver. Exemplos
práticos de solução de problemas são: resolução de cálculos com uma grande quantidade de
dados e informações; aplicações de modelos matemáticos, estatísticos; outras tarefas que
estariam além da capacidade humana de processamento e memória.
Para compreender a base da IA, é preciso recorrer à lógica. A história da IA e,
consequentemente, do Aprendizado de Máquina (AM) é antiga, pois se fundamenta na lógica,
cujos trabalhos iniciais são relacionados a Aristóteles, antes de 322 a.C. A continuidade a esses
estudos foi dada por outros filósofos, matemáticos e lógicos da época.
Já no século XIX, George Boole (1815-1864), matemático inglês, desenvolveu a álgebra
booleana, cujos conceitos de “verdadeiro” e “falso” são utilizados até hoje. A álgebra booleana é
aplicada na lógica proposicional e dos predicados e, pelos engenheiros eletrônicos, é
empregada no desenvolvimento das portas lógicas (AND, OR, NOT etc.) para as pastilhas de
silício utilizadas nos processadores de dados dos computadores.
No início do estudo da lógica computacional, apresenta-se um conceito de sistemas
dicotômicos, que são os interruptores ou circuitos formados por um conjunto de interruptores.
O estudo desses sistemas está relacionado ao conceito elétrico de dispositivos, denominados
chaves ou interruptores (abertos ou fechados), como mostra a Figura 1.
Figura 1 – Interruptores aberto e fechado – sistema dicotômico

Fonte: Elaborada pelo autor.
A Figura 1 mostra o princípio lógico de entendimento e base para a linguagem binária dos
computadores. Em um sistema dicotômico, os interruptores têm dois estados: aberto (falso) ou
fechado (verdadeiro). O estado falso corresponde a uma negação, em que a passagem da
corrente é interrompida pelo interruptor aberto. Por sua vez, o estado verdadeiro corresponde
a uma chave fechada, onde passa uma corrente elétrica de uma extremidade do fio até a outra
(A-B). A partir desse conceito de chave aberta e fechada, há o princípio lógico de falso e
verdadeiro, que corresponde aos bits 0 e 1.
Por meio do conhecimento da lógica, da evolução dos computadores e, consequentemente, de
uma linguagem de programação, as máquinas conseguiram automatizar ações em forma de
instruções e, assim, resolver problemas de cálculos estatísticos, geométricos e matemáticos
complexos. Essa também foi a base para o estudo e o aprimoramento da aprendizagem e do
comportamento inteligente das máquinas.
Os trabalhos do matemático britânico Alan Turing tiveram maior influência nesse campo.
Turing publicou um artigo denominado Computing Machine and Intelligence, no qual apresentou
o que hoje é conhecido como Teste de Turing, que testa se uma máquina consegue emular o
pensamento humano. Atualmente, semelhante ao teste de Turing, há o CAPTCHA (Completely
Automated Public Turing Test To Tell Computers and Humans Apart), ou “eu não sou um robô”, na
verificação humana em sites. O CAPTCHA é um algoritmo que surgiu em 1997 e verifica se a
pessoa que acessa um sistema web não é um robô. Nesse sentido, corresponde à ideia de
“teste público de Turing”, diferenciando humanos de robôs.
LIVRO
Autor: Ben Coppin
Editora: LTC
Ano: 2010
Comentário: É importante ler “Uma breve história da
inteligência artificial”, capítulo I, páginas 1 a 13 desse livro,
dando atenção à página 7, que trata de Alan Turing, os anos de
1950 e o Teste de Turing.
Onde encontrar?
Biblioteca Virtual da Laureate.
LIVRO
Autor: George F. Luger
Editora: Pearson
Ano: 2013
Comentário: É importante fazer a leitura a partir da página 4
desse livro até “Uma breve história dos fundamentos de IA” e o
Teste de Turing, no item 1.1.4, nas páginas 11 a 13. Como
representação da IA, há uma explicação sobre cálculo
proposicional e cálculos de predicados, nas páginas 38 e 42.
Onde encontrar?
Resolução de Problemas por

Buscas Heurísticas
Segundo George Polya, citado por Luger (2013, p. 103), heurística é
o estudo dos métodos e das regras de descoberta [...] e, na busca em espaços

de estados, [...] são formalizados como regras para escolher aqueles ramos em
espaços estados que têm maior probabilidade de levarem uma solução
aceitável para o problema.
Os métodos de buscas estão relacionados a agentes inteligentes. Um agente inteligente de

resolução de problemas opera por meio de funcionalidades específicas e com o objetivo de
mapear possíveis ações, por meio de uma sequência de visualizações ou percepções (mediante
sensores ou entradas de dados), como:
formulação de objetivos: operações que apoiam a organização do comportamento,

limitando os objetivos que o agente deve alcançar;
objetivos: conjuntos de estados desejados;
formulação de problemas: processo de decisão que identifica quais estados ou ações
devem ser considerados de acordo com o objetivo determinado.
Quanto aos tipos de problemas, segundo Medeiros (2018), esses podem ser classificados em:
miniproblemas: exigem a aplicação de métodos de resolução de problemas,
apresentando descrições concisas e exatas;
problemas do mundo real: não tendem a ter uma descrição concisa e exata, abstraída
de situações da realidade. São problemas complexos subdivididos em problemas mais
simples com métodos de solução conhecida.
Alguns exemplos de miniproblemas são resolvidos a partir de um estado inicial para se
alcançar um estado final (meta). As formulações desses problemas são definidas por meio de
componentes, como: estado; estado inicial; função sucessor; testes de objetivo; e custo de
caminho. Os possíveis estados podem ser implementados mediante uma tabela ou uma árvore
de decisão, o que constitui o ambiente do agente inteligente. A descrição desses componentes
está exposta a seguir.
Estado inicial: é o estado em que o agente começa a ação.
Função sucessor: gera resultados válidos, resultantes de ação ou conjunto de ações.
Estado final: é o estado buscado pelo agente (meta a ser alcançada).
Teste de objetivo: determina se um dado estado é um estado objetivo.
Função de custo do caminho: é o custo numérico de cada caminho.
Um exemplo de miniproblema é o jogo Puzzle, de oito peças, que pertence à família de quebra-
cabeças deslizantes utilizados em algoritmos de IA. O jogo oferece 181.440 estados possíveis. A
formulação do miniproblema está presente no quadro a seguir.
Quadro 1 - Formulação do problema do jogo Puzzle

Fonte: Adaptado de Medeiros (2018).
Os estados dos miniproblemas também podem ser visualizados mediante a expansão dos
estados por uma “árvore de estados”. As diferentes configurações ou os possíveis estados em
uma “árvore de estados”, que são possíveis de alcançar a partir do estado inicial (nó raiz da
árvore), são denominadas espaço de busca ou espaço de estados. Segundo Medeiros (2018), o
miniproblema do Puzzle pode ser estendido para um quebra-cabeça de n x n casas, em que n >
3, sendo um exemplo de problema que o agente de resolução de problemas pode resolver e
que pode ser estendido para problemas do mundo real, por meio de alto poder computacional
e de recursos como memória e processamento.
LIVRO
Inteligência Artificial Aplicada

Autor: Luciano Frontino de Medeiros
Editora: Intersaberes
Ano: 2018
Comentário: Para apoiar a compreensão dos pilares da
Inteligência Artificial (IA), essa obra apresenta as principais áreas
de aplicação e de pesquisa, desenvolvendo, de forma objetiva,
assuntos como: pseudocódigos em lógica; linguagem Prolog;
redes neurais artificiais; algoritmos genéticos e linguagens de
marcação, como a HTML. Em nosso roteiro, como complemento
dos estudos, é importante ler o capítulo 2, “Agentes
inteligentes”, da página 35 a 48, e o capítulo 4, “Resolução de
problemas por busca”, da página 53 a 79.
Onde encontrar?
LIVRO
Autores: Stuart J. Russel e Peter Norvig
Editora: Campus
Ano: 2004
Comentário: O livro apresenta uma introdução aos seguintes
assuntos: Inteligência Artificial (IA), conhecimento, pensamento
e planejamento (inferência lógica) e aprendizagem (modelos de
aprendizagem), focalizando a resolução de problemas por meio
de busca. Para este roteiro, interessam os problemas de busca,
assim, sugerimos a leitura detalhada do tópico “Problemas de
satisfação e restrições” (p. 171 a 188).
Onde encontrar?
Resolução de Problemas por

Reconhecimento de Padrões
Outro método da IA para a resolução de problemas é a aprendizagem de máquina pelo
reconhecimento de padrões. Por meio de dados de imagens ou dados de uma base relacional,
é possível aprender mediante a mineração de dados. Existem diversas formas de reconhecer
padrões dentro da mineração de dados, por meio da análise descritiva, da análise de grupos,
da estimação e da associação.
No que se refere à análise descritiva, ela não é considerada um método de aprendizado, mas
uma exploração de características que, se forem iguais entre os elementos em estudo,
demonstram um padrão. A análise descritiva de dados é a segunda etapa do processo de
mineração de dados. A primeira etapa está relacionada à preparação da base de dados,

também denominada pré-processamento.
Antes de se realizar qualquer análise em uma base de dados, é necessário o seu preparo,
devido às inconsistências e aos ruídos contidos na seleção de dados. Segundo Castro e Ferrari
(2016), o processo de Análise Descritiva de Dados (ADD) é utilizado para descrever, simplificar
ou sumarizar as principais características de uma base de dados, formando um princípio de
análise quantitativa de dados.
Ademais, é importante diferenciar análise descritiva de mineração de dados. A análise
descritiva visa encontrar o que há nos dados (características), e os algoritmos de mineração
conseguem realizar inferências a partir dos dados, ou seja, realizar um aprendizado. Por
exemplo, uma análise descritiva de uma base de dados de câncer em exames de mama
consiste em encontrar características nos dados, verificando a média de idade das mulheres
que sofrem de câncer de mama. A mineração, por sua vez, pode predizer se determinada
pessoa terá ou não câncer, a partir de determinadas características (CASTRO; FERRARI, 2016).
Por meio da distribuição de dados e da visualização por histograma, é possível encontrar, nos
dados armazenados, as características que não estão de forma visível ou de maneira
compreensível em uma base de dados ou em uma planilha eletrônica. Nesse sentido, a análise
descritiva de dados, segundo Castro e Ferrari (2016), é dividida em três passos:
1. organização dos dados em distribuição de frequência;
2. visualização dos dados;
3. cálculos das médias de frequência, variação e associação.
Para Castro e Ferrari (2016), é útil organizar e resumir os dados, a partir da construção de uma
tabela que lista os valores dos atributos de maneira individual ou agrupada. Também, devem
ser incluídas as frequências correspondentes (distribuição de frequências), que representam o
número de vezes que os valores listados ocorrem. Uma distribuição de frequência é um
resumo (sumarização) dos dados agrupados em classes. Após calculadas as frequências
absoluta e relativa, é possível visualizar os dados mediante gráficos do tipo histograma.
Para Castro e Ferreira (2016, p. 65), a visualização dos dados tem o “objetivo de se entender a
natureza das distribuições dos dados, extrair conhecimento mais fácil e rapidamente e permitir
o compartilhamento desse conhecimento de maneira direta entre diferentes pessoas e
entidades”. Desse modo, uma das representações gráficas mais utilizadas para a visualização
da distribuição dos dados é o histograma.
LIVRO
Introdução à mineração de dados

Autores: Leandro Nunes de Castro e Daniel Gomes Ferrari
Editora: Saraiva
Ano: 2016
Comentário: Esse livro é uma obra completa sobre a mineração
de dados. Especificamente quanto à análise descritiva, você
poderá explorar, com mais detalhes, os passos do pré-
processamento de dados e da análise descritiva nos capítulos 2
e 3. Também, poderá visualizar, por meio de exemplos, a
montagem da distribuição de frequência e a visualização dos
dados.
Fundamentos de Sistemas
Especialistas
Para compreender melhor os avanços e problemas relacionados ao convívio social entre
máquinas e programas inteligentes, é preciso entender como as áreas de robótica de serviços,
robótica assistiva e tutores inteligentes se integram ao processamento da linguagem natural e
à automação do comportamento humano. Esses sistemas se tornam especialistas em alguma
área específica de suporte e decisão.
Na área da robótica de serviços, já existem robôs que imitam comportamentos humanos
relacionados aos movimentos, como abrir portas, correr, saltar, dentre outros. Por exemplo, os
robôs humanoides realizam tarefas dos humanos, como os serviços em restaurantes,
atendendo os clientes, fazendo pedidos e sugerindo opções com base no perfil do cliente,
enquanto o pedido já vai sendo enviado para a cozinha. Esses robôs também podem levar os
pratos prontos até a mesa, retirar a louça suja e lavá-la.
Esses serviços automatizados estão relacionados à imitação do comportamento humano da IA

clássica. Nesse sentido, para Mataric (2014, p. 342), a robótica assistiva refere-se aos
sistemas de robôs capazes de ajudar pessoas com necessidades especiais,

como indivíduos convalescendo de uma doença, ou precisando de reabilitação
após um acidente ou trauma, ou aprendendo, ou treinados em ambientes
especiais [...].
Por meio da IA, é possível ensinar um sistema inteligente a trabalhar, pensar e raciocinar e,
mais ainda, a ensina a ensinar. Como exemplo, é possível afirmar que são os aplicativos tutores
que forçam o aprendizado do vocabulário e o apoio ao aprendizado de várias ciências,
mediante a inteligência do Watson da IBM. Segundo Rui (2018, p. 100),
IBM Watson é um sistema cognitivo que possibilita uma nova parceria entre
pessoas e máquinas. No trabalho e na educação, inúmeras startups estão
desenvolvendo chatbots (assistentes inteligentes), algoritmos de computador
projetados para simular conversação humana, responder questões de rotina
laboral e personalizar experiências de aprendizagem.
Os tutores auxiliam os alunos em seus estudos, por meio de perguntas, e os direcionam para a
resposta certa, perguntando de outra maneira ou mediante dicas. Nesse sentido, o Watson
adapta para cada aluno um melhor ensino-aprendizado, por meio de técnicas diferenciadas. A
Figura 2 ilustra um robô tutor que recebe informações pela linguagem natural, gera, processa e
avalia hipóteses, explica e orienta as perguntas e dúvidas, se adapta e aprende.
Figura 2 - Tutor inteligente utilizado para aprender e ensinar

Fonte: Microone / 123RF.
Para Hurwitz et al. (2016), o Watson inicia-se com o processamento da linguagem natural,
mediante um conjunto de anotadores de dados, extraindo informações como: sintomas, idade,
localização, dentre outras; ou seja, ele entende a linguagem natural e, depois, gera e avalia
hipóteses a partir de evidências, por meio de um modelo estatístico genérico. Quando uma
evidência se torna alta, o Watson gera potenciais respostas às possíveis perguntas do ser
humano.
Desse modo, é possível afirmar que o Watson aprende com as respostas, porém não utiliza
regras para realizar as inferências, mas a estatística (estimação). Em outras palavras, o sistema
tutor da IBM é probabilístico e gera um modelo estatístico de pontuação de confiança e de
aperfeiçoamento constante.
LIVRO
Introdução à robótica
Autor: Maja J. Mataric
Editora: Unesp/Blusher
Ano: 2014
Comentário: Com a leitura das páginas 101 e 102, é possível
entender a respeito do sistema inteligente Watson da IBM, sua
definição como sistema social inteligente e como software que
recolhem padrões, fornecendo sugestões que ajudam a
encontrar lacunas de aprendizagem e fazendo os alunos
eliminarem as dificuldades.
Onde encontrar?
Técnicas de Aprendizagem de
Máquina no Contexto da
Mineração de Dados
A capacidade da inteligência humana é aprender, e todo o progresso humano é o resultado dos
esforços anteriores e da evolução do nosso entendimento. A aprendizagem automática das
máquinas, também denominada Aprendizado de Máquina (AM), ou Machine Learning, é um
ramo da ciência da computação no qual, há décadas, os cientistas fazem as máquinas
aprenderem.
O avanço da computação, em termos de processamento e memória, os algoritmos de
aprendizagem contribuíram para a revolução da IA. Atualmente, as máquinas já aprendem por
meio dos sistemas inteligentes e, em fábricas, os robôs já estão sendo utilizados para
automatizar diversas tarefas.
Neste tópico, apresentaremos outra forma de reconhecimento de padrões, realizada mediante
a análise de grupos, o que, em síntese, faz uma máquina aprender. Para Castro e Ferrari (2016),
a ideia de análise de grupos, também denominada agrupamento de dados, é algo antigo e tem
como objetivo a organização de coisas similares em categorias. A análise de grupos é utilizada
para organizar grandes bases de dados ou um conjunto de objetos, para que sejam facilmente
compreendidos ou pesquisados.
A Figura 3 apresenta objetos geométricos que podem ser mais bem compreendidos quando
agrupados com base em suas similaridades ou características em comum, como um grupo de
círculos, elipses, quadrados e triângulos. Cada grupo tem características de similaridade ou de
distância. Essa característica gráfica dos objetos é denominada grupos naturais.
Figura 3 - Objetos geométricos agrupados por similaridade

Fonte: Elaborada pelo autor.
O agrupamento de dados, também chamado de clusterização, tem o objetivo de particionar os

registros ou as informações de uma base de dados. Essa partição, denominada cluster,
compartilha um conjunto de características. O objetivo do agrupamento ou da clusterização é
identificar, automaticamente, os rótulos em uma base de dados. Para Castro e Ferrari (2016, p.
88), “o agrupamento é uma técnica comum em análise de dados que é utilizada em diversas
áreas, incluindo aprendizagem de máquina, mineração de dados, reconhecimento de padrões,
análise de imagens [...]”, dentre outras.
Nesse sentido, é importante compreender a diferença entre classificação e agrupamento,
realizados na análise descritiva:
na classificação, a base é rotulada: cada objeto da base tem uma classe correspondente. A
tarefa dos algoritmos de classificação é identificar a classe à qual pertence um novo
objeto ainda não apresentado e com rótulo desconhecido;
no agrupamento, a base é segmentada: o objetivo é segmentar uma base de dados “não
rotulada” em grupos que têm algum significado. A base de dados não é rotulada ou
identificada por uma classe, mas agrupada por similaridade, dimensões ou características.
As características do agrupamento podem ser atributos diversos, como cor, tamanho e ação.
Assim, criam-se os grupos por similaridades. Os grupos devem ter os mesmos atributos, mas
com valores que os identificam, especificamente, em um agrupamento.
LIVRO
Introdução ao Big Data e Internet das Coisas (IoT)

Autores: Izabelly Soares de Morais, Priscila de Fátima
Gonçalves, Cleverson Lopes Ledur e R. Córdova Junior
Editora: SAGAH
Ano: 2018
Comentário: Nesse livro, constam os conceitos de aprendizado
de máquina, mineração de dados, metodologias e técnicas de
data mining e, especificamente, o processo de KDD de
descoberta de conhecimento. Com essa obra, você poderá
explorar mais os tipos de mineração para a aprendizagem de
máquina, principalmente clusterização, associação, classificação,
regressão e estimação (páginas 67 a 78), além de explorar as
técnicas de mineração de dados (data mining) (páginas 90 a 97).
Onde encontrar?
Conclusão
Neste roteiro, foi possível compreender a importância da IA para a resolução de problemas no
mundo real, por meio de métodos e técnicas de aprendizagem de máquina. A IA é uma ciência
antiga e, com base nos conceitos lógicos de Aristóteles e George Boole, surgiram os sistemas
dicotômicos e, consequentemente, os computadores. Essa evolução fez o homem explorar,
cada vez mais, o potencial da lógica e do processamento das máquinas. Ademais, Alan Turing
teve grande influência na IA, devido ao Teste de Turing, que permite verificar se uma máquina
consegue emular o pensamento humano.
A partir desses eventos históricos, a IA evoluiu paralelamente à computação. Na aprendizagem
de máquina, teve avanços relacionados aos métodos de busca por heurística, por
reconhecimento de padrões mediante a mineração de dados (análise descritiva e

agrupamentos) e por meio dos sistemas especialistas (relações), aplicados em muitas áreas: na
saúde, na busca de informações na internet, no trânsito, na indústria automobilística, na
navegação, nas indústrias manufatureira e militar, dentre outras.
Referências Bibliográficas
CASTRO, L. N. de.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos,
algoritmos e aplicações. São Paulo: Saraiva, 2016.
COPPIN, B. Inteligência Artificial. São Paulo: LTC, 2010.
FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de
Janeiro: LTC, 2011.
HURWITZ, J. et al. Big data para leigos. Rio de Janeiro: Alta Books, 2016.
LUGER, G. F. Inteligência Artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
MATARIC, M. J. Introdução à robótica. São Paulo: Editora Unesp/Blusher, 2014.
MEDEIROS, L. F. de. Inteligência artificial aplicada: uma abordagem introdutória. Curitiba:
Intersaberes, 2018.
MORAIS, I. S de et al. Introdução ao Big Data e Internet das coisas (IoT). Porto Alegre: SAGAH,
2018.
RUI, F. Trabalho, educação e inteligência artificial: a era do indivíduo versátil. Porto Alegre:
Penso, 2018.
RUSSELL, S. J.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Campus, 2004.

Inteligência Artificial - Roteiro de Estudos

Enviado por

Direitos autorais:

Formatos disponíveis

Inteligência Artificial - Roteiro de Estudos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inteligência Artificial - Roteiro de Estudos

Enviado por

Direitos autorais:

Formatos disponíveis

10/01/2022 11:01 Roteiro de Estudos

Figura 1 – Interruptores aberto e fechado – sistema dicotômico

Resolução de Problemas por

o estudo dos métodos e das regras de descoberta [...] e, na busca em espaços

Os métodos de buscas estão relacionados a agentes inteligentes. Um agente inteligente de

formulação de objetivos: operações que apoiam a organização do comportamento,

Quadro 1 - Formulação do problema do jogo Puzzle

Inteligência Artificial Aplicada

Resolução de Problemas por

mineração de dados. A primeira etapa está relacionada à preparação da base de dados,

Introdução à mineração de dados

Esses serviços automatizados estão relacionados à imitação do comportamento humano da IA

sistemas de robôs capazes de ajudar pessoas com necessidades especiais,

Figura 2 - Tutor inteligente utilizado para aprender e ensinar

Figura 3 - Objetos geométricos agrupados por similaridade

O agrupamento de dados, também chamado de clusterização, tem o objetivo de particionar os

Introdução ao Big Data e Internet das Coisas (IoT)

reconhecimento de padrões mediante a mineração de dados (análise descritiva e

Você também pode gostar