Linguagens De Programação Em Inteligência Artificial

De Jideon Francisco Marques

introdução A inteligência artificial (IA) possibilita que as máquinas aprendam com a experiência, se ajustem a novas entradas e executem tarefas imitando humanos. A maioria dos exemplos de inteligência artificial que você ouve falar hoje, de computadores que jogam xadrez a carros autônomos, depende muito de aprendizado profundo e processamento de linguagem natural. Usando essas tecnologias, os computadores podem ser treinados para executar tarefas específicas processando grandes quantidades de dados e reconhecendo padrões nos dados. A inteligência artificial é simplificada quando você pode integrar a preparação de dados para análise com o desenvolvimento de modelos usando algoritmos modernos de aprendizado de máquina com análise de texto e ciência de dados em geral. As linguagens de programação têm um papel importante no desenvolvimento da inteligência artificial. Linguagens como R, Python, JAVA, JavaScript, JSON e NodeJS são a base para aplicações de inteligência artificial. Precisamente este livro apresenta ao leitor as características dessas linguagens de programação

• Idioma: Português
• Editora: Clube de Autores
• Data de lançamento: 11 de nov. de 2022

Pré-visualização do livro

LINGUAGENS DE PROGRAMAÇÃO EM INTELIGÊNCIA ARTIFICIAL: PYTHON, R, JAVA, JAVASCRIPT E JSON

LINGUAGENS DE PROGRAMAÇÃO EM INTELIGÊNCIA ARTIFICIAL: PYTHON, R, JAVA, JAVASCRIPT E JSON

Por Jideon F. Marques

© Copyright 2022 Jideon Marques - Todos os direitos reservados.

O conteúdo deste ebook não pode ser reproduzido, duplicado ou transmitido sem permissão direta por escrito do autor ou do editor.

Sob nenhuma circunstância qualquer culpa ou responsabilidade legal será imputada ao editor, ou autor, por quaisquer danos, reparações ou perdas monetárias devido às informações contidas neste ebook, direta ou indiretamente.

Notícia legal:

Este ebook é protegido por direitos autorais. É apenas para uso pessoal. Você não pode alterar, distribuir, vender, usar, citar ou parafrasear qualquer parte ou o conteúdo deste ebook sem o consentimento do autor ou editor.

Aviso de isenção de responsabilidade:

Observe que as informações contidas neste documento são apenas para fins educacionais e de entretenimento. Todo esforço foi feito para apresentar informações precisas, atualizadas, confiáveis e completas. Nenhuma garantia de qualquer tipo é declarada ou implícita. Os leitores reconhecem que o autor não está envolvido na prestação de aconselhamento jurídico, financeiro, médico ou profissional. O conteúdo deste ebook foi derivado de várias fontes. Consulte um profissional médico licenciado antes de tentar este programa ou qualquer técnica descrita neste ebook.

Ao ler este documento, o leitor concorda que em nenhuma circunstância o autor é responsável por quaisquer lesões, morte, perdas, diretas ou indiretas, que sejam incorridas como resultado do uso das informações contidas neste documento, incluindo, mas não limitado a a, erros, omissões ou imprecisões.

ÍNDICE

introdução

INTELIGÊNCIA ARTIFICIAL

1.1 INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL: CARACTERÍSTICAS E APLICAÇÕES

1.1.1 usos da inteligência artificial

1.1.2 Desafios e limitações da inteligência artificial

1.1.3 Como funciona a inteligência artificial

1.2 INTELIGÊNCIA ARTIFICIAL FRACA OU ESTREITA

1.3 FORTE INTELIGÊNCIA ARTIFICIAL

CARACTERIZAÇÃO DAS LINGUAGENS DE PROGRAMAÇÃO. IDIOMAS DE MARCAÇÃO

2.1 PROGRAMAS DE COMPUTADOR, ETAPAS E LINGUAGENS DE PROGRAMAÇÃO

2.1.1 Definição do Programa

2.1.2 Etapas no desenvolvimento de um programa de computador

2.1.3 Linguagem de programação

2.2 LINGUAGENS DE PROGRAMAÇÃO PARA INTELIGÊNCIA ARTIFICIAL

2.3 Bibliotecas em programação (Bibliotecas)

2.4 Desempenho de corrida. FERRAMENTAS E SUPORTE

2.5 IDIOMAS DE MARCAÇÃO

2.6 Linguagem HTML. ETIQUETAS

2.6.1 etiquetas

2.6.2 Cabeçalho e corpo de um documento HTML

2.6.3 Listas, tabelas e cores

2.6.4 Links, quadros e camadas

IDIOMAS DE PROGRAMAÇÃO DE INTELIGÊNCIA ARTIFICIAL: R

3.1 O SOFTWARE

3.2 AMBIENTE DE TRABALHO DE R . R-ESTÚDIO

3.3 INSTALAÇÃO DE PACOTES ADICIONAIS

3.4 IMPORTAÇÃO E EXPORTAÇÃO DE DADOS

3.4.1 Arquivos em formato R

3.4.2 arquivos de formato ASCII

3.4.3 Arquivos em formato SPSS, SAS, STATA e EXCEL

3.5 NÚMEROS E OPERAÇÕES ARITMÉTICAS

3.6 NÚMEROS INTEIROS E FUNÇÕES DE VARIÁVEIS INTEIROS

3.7 NÚMEROS REAIS E FUNÇÕES VARIÁVEIS REAIS

3.7.1 Funções trigonométricas

3.7.2 funções hiperbólicas

3.7.3 Funções exponenciais e logarítmicas

3.7.4 Funções Específicas de Variáveis Numéricas

3.8 ESTRUTURAS EM R

3.8.1 variáveis

3.8.2 Vetores

3.8.3 fatores

3.8.4 Matrizes

3.9 OPERADORES

3.9.1 Operadores aritméticos

3.9.2 Operadores lógicos

3.9.3 operadores relacionais

3.10 Funções de informação

3.11 funções de conversão

3.12 funções de CADEIA

3.13 ESTRUTURAS ESPECIAIS

3.13.1 sequências

3.13.2 Matrizes

3.13.3 listas

3.13.4 quadros de dados

3.13.5 Séries temporais

3.14 FUNÇÕES

3.14.1 Definição da função

3.14.2 Funções no editor R

3.15 CONTROLE DE FLUXO

3.15.1 O loop FOR

3.15.2 O loop WHILE

3.15.3 A estrutura condicional IF ELSE

3.15.4 A estrutura condicional IFELSE

3.15.5 A estrutura SWITCH

3.15.6 PRÓXIMO

3.15.7 INTERRUPÇÃO

3.15.8 REPETIR

LINGUAGENS DE PROGRAMAÇÃO DE INTELIGÊNCIA ARTIFICIAL: PYTHON

4.1 INTRODUÇÃO A PYTHON. ELEMENTOS DE LINGUAGEM

4.1.1 Variáveis e tipos de dados

4.1.2 operadores

4.1.3 cadeias de texto

4.1.4 formato de texto

4.1.5 Estruturas de Dados: Listas, Tuplas, Dicionários e Conjuntos

4.2 Módulos Python

4.3 programas executáveis

4.4 Usando funções com iteráveis

4.5 Entrada de dados em programas

4.6 Controle de fluxo

4.7 Módulos, pacotes e a biblioteca padrão Python

4.7.1 Estrutura de um pacote Python

4.7.2 A Biblioteca Padrão Python

4.8 Criação e gerenciamento de arquivos

4.8.1 Lendo e escrevendo arquivos de texto

4.9 CÁLCULO NUMÉRICO COM NUMPY

4.9.1 Operações de matriz

4.9.2 matrizes multidimensionais

4.9.3 Lendo e escrevendo dados com numpy

4.9.4 Cálculo matricial com numpy

4.10 Representação gráfica de funções e dados. MÓDULO MATPLOTLIB

4.10.1 Trabalhando com texto dentro do gráfico

4.10.2 Representação gráfica de funções

4.10.3 Histogramas

4.10.4 Várias janelas gráficas

4.10.5 Vários gráficos na mesma figura

4.10.6 Representação de dados bidimensionais

4.10.7 Salvando as figuras

4.10.8 Gráficos 3D

LINGUAGENS DE PROGRAMAÇÃO DE INTELIGÊNCIA ARTIFICIAL : JAVA

5.1 A LINGUAGEM JAVA

5.1.1 JDK

5.1.2 Programas Java

5.2 Tipos de dados simples

5.3 CONSTANTES E LITERAL

5.4 VARIÁVEIS

5.5 OPERADORES E EXPRESSÕES

5.5.1 Operadores aritméticos

5.5.2 operadores relacionais

5.5.3 Operadores lógicos

5.5.4 Operadores unários ou unários

Operadores de 5,5,5 bits

5.5.6 Operadores de atribuição

5.6 PROGRAMAÇÃO ORIENTADA A OBJETOS

5.6.1 classes e objetos

5.6.2 Mensagens e métodos

5.6.3 Projeto de uma classe de objetos

5.6.4 construtores

5.6.5 Herança

5.6.6 pacotes

5.6.7 declaração de importação

5.6.8 Definições e declarações

5.6.9 Frases

5.7 Instruções de controle em Java

5.7.1 declaração se

5.7.2 estrutura else-if

5.7.3 instrução switch

5.7.4 Declaração Enquanto

5.7.5 loops aninhados

5.7.6 declaração do ... while

5.7.7 declaração para

5.7.8 declaração de quebra

5.7.9 continuar declaração

5.7.10 etiquetas

5.7.11 instruções try ... catch

5.7.12 exemplos

5.7.13 Polimorfismo

5.8 ESTRUTURAS DE ARMAZENAMENTO

5.8.1 Matrizes ou Vetores

5.8.2 Arrays ou matrizes multidimensionais

5.8.3 cadeias de caracteres

5.8.4 Matrizes ou vetores de objetos string

LINGUAGENS DE PROGRAMAÇÃO DE INTELIGÊNCIA ARTIFICIAL: JAVASCRIPT, NODEJS E JSON

6.1 Introdução ao JavaScript

6.1.1 alguma história

6.1.2 Diferenças entre Java e Javascript

6.1.3 Usos de Javascript

6.2 A linguagem JavaScript

6.2.1 Maneiras de executar scripts

6.2.2 Ocultar scripts em navegadores mais antigos

6.2.3 Idioma e arquivos externos

6.2.4 Sintaxe Javascript

6.3 Variáveis Javascript

6.3.1 Declaração de variáveis

6.3.2 Escopo Variável

6.3.3 Tipos de dados em Javascript

6.4 Operadores JavaScript

6.4.1 Operadores aritméticos

6.4.2 Operadores de atribuição

6.4.3 operadores de string

6.4.4 Operadores lógicos

6.4.5 Operadores condicionais

6.4.6 Operadores bit a bit

6.4.7 Precedência do Operador

6.4.8 verificação de tipo

6.5 estruturas de controle

6.5.1 Estrutura SE

6.5.2 Instruções IF aninhadas

6.5.3 Operador SE

6.5.4 Estrutura do INTERRUPTOR

6.5.5 Circuito FOR

6.5.6 Loops WHILE e DO WHILE

6.5.7 FAZER... ENQUANTO Loop

6.5.8 quebrar e continuar

6.5.9 Loops aninhados em Javascript

6.6 Funções em Javascript

6.6.1 Parâmetros de Função

6.6.2 valores de retorno

6.6.3 Escopo de variáveis em funções

6.7 Matrizes em Javascript

6.7.1 Criação de Arrays ou Vetores

6.7.2 Tipos de dados em arrays

6.7.3 Comprimento da matriz

6.7.4 Matrizes ou Matrizes Multidimensionais

6.7.5 Inicialização do array

6.8 Tratamento de erros em javascript

6.8.1 Erros comuns

6.8.2 Depurar erros de javascript

6.9 Biblioteca de funções Javascript

6.10 Objetos em Javascript

6.10.1 instanciar objetos

6.10.2 Acessar propriedades e métodos de objetos

6.10.3 Objetos embutidos em Javascript

6.11 JSON

6.11.1 linguagem de troca de dados

6.11.2 Características JSON

6.11.3 Vantagens do JSON

6.11.4 Uso de JSON

6.11.5 Regras de sintaxe em JSON

6.11.6 Limitações de JSON

6.11.7 JSON e XML

6.11.8 Funções para JSON em Javascript

6.11.9 Acessando um serviço web que retorna JSON de Javascript via fetch

6.11.10 Funções JSON para PHP

6.12 nó js _

6.12.1 Simultaneidade e V8

6.12.2 Módulos e bancos de dados

6.12.3 NodeJS como plataforma de execução JavaScript de uso geral.

6.12.4 Usos do NodeJS

6.12.5 Instalar o NodeJS

Erro! Marcador não definido.

introdução

A inteligência artificial (IA) possibilita que as máquinas aprendam com a experiência, se ajustem a novas entradas e executem tarefas imitando humanos. A maioria dos exemplos de inteligência artificial que você ouve falar hoje, de computadores que jogam xadrez a carros autônomos, depende muito de aprendizado profundo e processamento de linguagem natural. Usando essas tecnologias, os computadores podem ser treinados para executar tarefas específicas processando grandes quantidades de dados e reconhecendo padrões nos dados. A inteligência artificial é simplificada quando você pode integrar a preparação de dados para análise com o desenvolvimento de modelos usando algoritmos modernos de aprendizado de máquina com análise de texto e ciência de dados em geral. As linguagens de programação têm um papel importante no desenvolvimento da inteligência artificial. Linguagens como R, Python, JAVA, JavaScript, JSON e NodeJS são a base para aplicações de inteligência artificial. Precisamente este livro apresenta ao leitor as características dessas linguagens de programação

O termo inteligência artificial foi adotado em 1956, mas tornou-se mais popular hoje graças ao aumento do volume de dados, algoritmos avançados e melhorias no poder de computação e armazenamento. As primeiras pesquisas sobre inteligência artificial na década de 1950 exploraram tópicos como resolução de problemas e métodos simbólicos. Na década de 1960, o Departamento de Defesa dos Estados Unidos mostrou interesse nesse tipo de trabalho e começou a treinar computadores para imitar o raciocínio humano básico. Por exemplo, a Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) fez projetos de mapeamento de ruas na década de 1970. E a DARPA produziu assistentes pessoais inteligentes em 2003, muito antes de Siri, Alexa ou Cortana serem nomes comuns.

Esse trabalho inicial abriu caminho para a automação e o raciocínio formal que vemos nos computadores hoje, incluindo sistemas de suporte à decisão e sistemas de busca inteligentes que podem ser projetados para complementar e aumentar as capacidades humanas.

A inteligência artificial automatiza o aprendizado e a descoberta repetitivos por meio de dados. A inteligência artificial é diferente da automação de robôs baseada em hardware. Em vez de automatizar tarefas manuais, a inteligência artificial executa tarefas computadorizadas frequentes de alto volume de forma confiável e sem fadiga. Para esse tipo de automação, a pesquisa humana continua sendo fundamental para configurar o sistema e fazer as perguntas certas.

A inteligência artificial adiciona inteligência aos produtos existentes. Na maioria dos casos, a IA não será vendida como um aplicativo individual. Em vez disso, os produtos que você já usa serão aprimorados com recursos de inteligência artificial, assim como a Siri foi adicionada como um recurso para uma nova geração de produtos da Apple. Automação, plataformas de conversação, robôs e máquinas inteligentes podem ser combinados com big data para melhorar muitas tecnologias em casa e no local de trabalho, desde inteligência de segurança até análise de investimentos.

A inteligência artificial se adapta por meio de algoritmos de aprendizado progressivo para permitir que os dados façam a programação. A inteligência artificial encontra estrutura e regularidades nos dados para que o algoritmo adquira uma habilidade: o algoritmo se torna um classificador ou preditor. Dessa forma, assim como o algoritmo pode aprender a jogar xadrez, ele também pode aprender qual produto recomendar em seguida online. E os modelos se adaptam quando novos dados são fornecidos. Backpropagation é uma técnica de inteligência artificial que permite que o modelo faça ajustes, por meio de treinamento e dados agregados, quando a primeira resposta não estiver totalmente correta.

A inteligência artificial analisa dados profundos usando redes neurais que possuem muitas camadas ocultas. Construir um sistema de detecção de fraude com cinco camadas ocultas era quase impossível há alguns anos. Tudo isso mudou com o incrível poder de computação e Big Data. Muitos dados são necessários para treinar modelos de aprendizado profundo porque eles aprendem diretamente com os dados. Quanto mais dados você puder fornecer a eles, mais precisos eles se tornarão.

A inteligência artificial alcança uma precisão incrível por meio de redes neurais profundas ( Deep Learning ), o que antes era impossível. Por exemplo, suas interações com Alexa, Pesquisa Google e Google Fotos são todas baseadas em aprendizado profundo e ficam mais precisas quanto mais as usamos. Na área médica, técnicas de inteligência artificial de aprendizado profundo, classificação de imagens e reconhecimento de objetos agora podem ser usadas para detectar câncer em ressonâncias magnéticas (ressonância magnética) com a mesma precisão de radiologistas altamente treinados.

A inteligência artificial aproveita ao máximo os dados. Quando os algoritmos são autodidatas, os próprios dados podem se tornar proprietários. As respostas estão nos dados; você só precisa aplicar inteligência artificial para trazê-los à luz. Como o papel dos dados agora é mais importante do que nunca, eles podem criar uma vantagem competitiva. Se você tiver os melhores dados em um setor competitivo, mesmo que todos estejam aplicando técnicas semelhantes, os melhores dados vencerão.

INTELIGÊNCIA ARTIFICIAL

A inteligência artificial (IA) possibilita que as máquinas aprendam com a experiência, se ajustem a novas entradas e executem tarefas como humanos. A maioria dos exemplos de inteligência artificial que você ouve hoje, de computadores que jogam xadrez a carros autônomos, depende muito do aprendizado profundo e do processamento de linguagem natural. Usando essas tecnologias, os computadores podem ser treinados para executar tarefas específicas processando grandes quantidades de dados e reconhecendo padrões nos dados. A inteligência artificial é simplificada quando você pode integrar a preparação de dados para análise com o desenvolvimento de modelos usando algoritmos modernos de aprendizado de máquina com análise de texto e ciência de dados em geral.

O termo inteligência artificial foi adotado em 1956, mas tornou-se mais popular hoje graças ao aumento do volume de dados, algoritmos avançados e melhorias no poder de computação e armazenamento. As primeiras pesquisas sobre inteligência artificial na década de 1950 exploraram tópicos como resolução de problemas e métodos simbólicos. Na década de 1960, o Departamento de Defesa dos Estados Unidos mostrou interesse nesse tipo de trabalho e começou a treinar computadores para imitar o raciocínio humano básico. Por exemplo, a Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) fez projetos de mapeamento de ruas na década de 1970. E a DARPA produziu assistentes pessoais inteligentes em 2003, muito antes de Siri, Alexa ou Cortana serem nomes comuns.

Esse trabalho inicial abriu caminho para a automação e o raciocínio formal que vemos nos computadores hoje, incluindo sistemas de suporte à decisão e sistemas de busca inteligentes que podem ser projetados para complementar e aumentar as capacidades humanas.

A inteligência artificial automatiza o aprendizado e a descoberta repetitivos por meio de dados. A inteligência artificial é diferente da automação de robôs baseada em hardware. Em vez de automatizar tarefas manuais, a inteligência artificial executa tarefas computadorizadas frequentes de alto volume de forma confiável e sem fadiga. Para esse tipo de automação, a pesquisa humana continua sendo fundamental para configurar o sistema e fazer as perguntas certas.

A inteligência artificial adiciona inteligência aos produtos existentes. Na maioria dos casos, a IA não será vendida como um aplicativo individual. Em vez disso, os produtos que você já usa serão aprimorados com recursos de inteligência artificial, assim como a Siri foi adicionada como um recurso para uma nova geração de produtos da Apple. Automação, plataformas de conversação, bots e máquinas inteligentes podem ser combinadas com big data para melhorar muitas tecnologias em casa e no local de trabalho, desde inteligência de segurança até análise de investimentos.

A inteligência artificial se adapta por meio de algoritmos de aprendizado progressivo para permitir que os dados façam a programação. A inteligência artificial encontra estrutura e regularidades nos dados para que o algoritmo adquira uma habilidade: o algoritmo se torna um classificador ou preditor. Dessa forma, assim como o algoritmo pode aprender a jogar xadrez, ele também pode aprender qual produto recomendar em seguida online. E os modelos se adaptam quando novos dados são fornecidos. Backpropagation é uma técnica de inteligência artificial que permite que o modelo faça ajustes, por meio de treinamento e dados agregados, quando a primeira resposta não estiver totalmente correta.

A inteligência artificial analisa dados profundos usando redes neurais que possuem muitas camadas ocultas. Construir um sistema de detecção de fraude com cinco camadas ocultas era quase impossível há alguns anos. Tudo isso mudou com o incrível poder de computação e Big Data. Muitos dados são necessários para treinar modelos de aprendizado profundo porque eles aprendem diretamente com os dados. Quanto mais dados você puder fornecer a eles, mais precisos eles se tornarão.

A inteligência artificial alcança uma precisão incrível por meio de redes neurais profundas – anteriormente impossíveis. Por exemplo, suas interações com Alexa, Google Search e Google Photos são todas baseadas em deep learning – e ficam cada vez mais precisas quanto mais as usamos. Na área médica, técnicas de inteligência artificial de aprendizado profundo, classificação de imagens e reconhecimento de objetos agora podem ser usadas para detectar câncer em ressonâncias magnéticas (ressonância magnética) com a mesma precisão de radiologistas altamente treinados.

A inteligência artificial aproveita ao máximo os dados. Quando os algoritmos são autodidatas, os próprios dados podem se tornar proprietários. As respostas estão nos dados; você só precisa aplicar inteligência artificial para trazê-los à luz. Como o papel dos dados agora é mais importante do que nunca, eles podem criar uma vantagem competitiva. Se você tiver os melhores dados em um setor competitivo, mesmo que todos estejam aplicando técnicas semelhantes, os melhores dados vencerão.

Todos os setores estão em alta demanda por recursos de IA, especialmente sistemas de resposta a perguntas que podem ser usados para assistência jurídica, pesquisas de pacientes, notificação de risco e pesquisa médica. Outros usos da inteligência artificial incluem:

Saúde: os aplicativos de IA podem fornecer leituras personalizadas de raios-X e medicamentos. Os assistentes pessoais de saúde podem atuar como conselheiros, lembrando você de tomar suas pílulas, fazer exercícios ou comer de forma mais saudável.

Varejo: A inteligência artificial fornece recursos de compras virtuais que oferecem recomendações personalizadas e discutem opções de compra com o consumidor. As tecnologias de gerenciamento de estoque e layout do site também serão aprimoradas com inteligência artificial

Bancos: A inteligência artificial melhora a velocidade, precisão e eficácia dos esforços humanos. Em instituições financeiras, técnicas de inteligência artificial podem ser empregadas para identificar quais transações provavelmente são fraudulentas, adotar avaliações de crédito rápidas e precisas, bem como automatizar manualmente tarefas intensivas de gerenciamento de dados.

A inteligência artificial aumenta nossas habilidades e nos torna melhores no que fazemos. Os algoritmos de inteligência artificial aprendem de forma diferente dos humanos; eles vêem as coisas de forma diferente. Eles podem ver relacionamentos e padrões que nos escapam. Essa parceria entre inteligência humana e artificial oferece muitas oportunidades. Desta forma é possível:

Leve a análise para setores e domínios onde ela é atualmente subutilizada.

Melhore o desempenho das tecnologias analíticas existentes, como visão computacional e análise de séries temporais.

Quebre as barreiras econômicas, incluindo as barreiras linguísticas e de tradução.

Aumentar as habilidades existentes e nos tornar melhores no que fazemos.

Dê-nos uma melhor visão, uma melhor compreensão, uma melhor memória e muito mais.

A inteligência artificial transformará todas as indústrias, mas temos que entender seus limites.

A principal limitação da inteligência artificial é que ela aprende com os dados. Não há outra maneira de incorporar o conhecimento. Isso significa que quaisquer imprecisões nos dados serão refletidas nos resultados. E quaisquer camadas adicionais de previsão ou análise devem ser adicionadas separadamente.

Os sistemas de IA atuais são treinados para executar uma tarefa claramente definida. O sistema que joga pôquer não pode jogar paciência ou xadrez. O sistema que detecta fraudes não pode dirigir um carro ou dar conselhos legais. Na verdade, um sistema de IA que detecta fraudes na área da saúde não pode detectar com precisão fraudes fiscais ou de reivindicação de garantia.

Em outras palavras, esses sistemas são muito, muito especializados. Eles se concentram em uma única tarefa e estão longe de se comportar como humanos.

Da mesma forma, os sistemas de autoaprendizagem não são sistemas autônomos. As tecnologias de IA imaginadas que você vê nos filmes e na TV ainda são ficção científica. Mas os computadores que podem pesquisar dados complexos para aprender e refinar tarefas específicas estão se tornando bastante comuns.

A inteligência artificial funciona combinando grandes quantidades de dados com processamento rápido e iterativo e algoritmos inteligentes, permitindo que o software aprenda automaticamente com padrões ou recursos nos dados. A inteligência artificial é um vasto campo de estudo que inclui muitas teorias, métodos e tecnologias, além dos seguintes subcampos principais:

O aprendizado de máquina automatiza a construção de modelos analíticos. Ele usa métodos de redes neurais, estatísticas, pesquisa operacional e física para encontrar insights ocultos em dados sem ser explicitamente programado para saber onde procurar ou quais conclusões tirar.

Uma rede neural é um tipo de aprendizado baseado em máquina composto de unidades interconectadas (como neurônios) que processam informações respondendo a entradas externas, passando informações entre cada unidade. O processo requer várias passagens pelos dados para encontrar conexões e derivar significado de dados indefinidos.

O aprendizado profundo usa enormes redes neurais com muitas camadas de unidades de processamento, aproveitando os avanços no poder da computação e técnicas de treinamento aprimoradas para aprender padrões complexos em grandes quantidades de dados. Algumas aplicações comuns incluem reconhecimento de imagem e fala.

A computação cognitiva é um subcampo da inteligência artificial que busca a interação humana com as máquinas. Usando inteligência artificial e computação cognitiva, o objetivo final é que uma máquina simule processos humanos por meio da capacidade de interpretar imagens e fala – e depois falar de forma coerente em resposta.

A visão computacional depende do reconhecimento de padrões e do aprendizado profundo para reconhecer o que está em uma imagem ou vídeo. Quando as máquinas podem processar, analisar e entender imagens, elas podem capturar imagens ou vídeos em tempo real e interpretar seus arredores.

O processamento de linguagem natural (NLP) é a capacidade dos computadores de analisar, entender e gerar a linguagem humana, incluindo a fala. O próximo estágio da PNL é a interação da linguagem natural, que permite que os humanos se comuniquem com computadores usando a linguagem normal do dia-a-dia para realizar tarefas.

Além disso, várias tecnologias permitem e suportam a inteligência artificial:

As unidades de processamento gráfico são fundamentais para a inteligência artificial