Pular para o conteúdo
Even3

WebinarEducação

Inteligência Artificial e Machine Learning – visão geral, estratégias de aprendizado e tendências

Gravado no evento Semana do Administrador - PET ADM UFCG · 1 h 43 min de gravação

Sobre o conteúdo

O vídeo apresenta a palestra intitulada "Inteligência Artificial e Machine Learning – visão geral, estratégias de aprendizado e tendências", ministrada pelo Dr. Vinícius Andrade Brei durante a Semana do Administrador - PET ADM UFCG. A abertura é conduzida pelos mediadores discentes, que introduzem o currículo acadêmico e profissional do convidado, destacando sua atuação como professor associado na UFRGS e suas pesquisas com inteligência artificial.

O que é abordado

  1. Abertura e apresentação do palestrante
  2. Desmistificando a Inteligência Artificial e conceitos fundamentais
  3. Competências essenciais em Data Science e primeira rodada de perguntas
  4. Estratégias de aprendizado: Bottom-up versus Top-down
  5. Fatores da explosão do Machine Learning e funcionamento do aprendizado
  6. Perguntas do público: Carreira e interação humano-robô
  7. Representação de dados, espaço de hipóteses e generalização
  8. Perguntas do público: Empatia em IA e panorama brasileiro
  9. Famílias de Machine Learning: Supervisionado, Não Supervisionado e Reforço
  10. Perguntas do público: Adoção no mercado e sistemas de recomendação
  11. Tendências: AutoML, saúde, interpretabilidade e viés algorítmico
  12. Perguntas finais, demonstração no Kaggle e encerramento

Dúvidas que o conteúdo responde

Qual a diferença entre as estratégias de aprendizado bottom-up e top-down?

A estratégia bottom-up foca na base teórica (álgebra linear, geometria analítica, cálculo, otimização e probabilidades) com o objetivo de entender a fundo e aprimorar os algoritmos, sendo típica de áreas como ciência da computação e estatística. Já a abordagem top-down parte dos problemas práticos e das ferramentas (como bibliotecas em Python e R) com foco na aplicação e escolha de modelos existentes, sendo mais adotada por áreas aplicadas, como a administração.

Quais foram os fatores centrais que possibilitaram a explosão recente do Machine Learning?

Os três grandes fatores foram a grande disponibilidade de dados digitalizados, a evolução substancial da capacidade de hardware (CPUs, GPUs especializadas em cálculo matricial paralelo e computação em nuvem) e os aprimoramentos técnicos nos próprios algoritmos, como novas funções de ativação, técnicas de otimização e transfer learning.

Como funcionam as três principais famílias de Machine Learning?

O aprendizado supervisionado utiliza dados com rótulos e saídas conhecidas para ensinar a máquina a classificar ou realizar regressões. O aprendizado não supervisionado trabalha com dados sem rótulos prévios, identificando padrões intrínsecos por similaridade, como no agrupamento (clusterização) ou na redução dimensional. Já o aprendizado por reforço treina um agente que toma decisões em um ambiente buscando maximizar recompensas e minimizar penalidades.

O que é o problema do viés algorítmico ou justiça de algoritmos?

Como os modelos de machine learning aprendem a partir de dados históricos reais gerados pela sociedade, eles tendem a reproduzir ou amplificar os preconceitos e discriminações neles contidos caso os dados reflitam desigualdades estruturais. Isso gera decisões enviesadas em áreas críticas, como no sistema judiciário ou em concessões de crédito.

Onde estudantes e pesquisadores podem obter bases de dados gratuitas para treinar modelos?

O professor destaca ferramentas como o Google Dataset Search, que indexa repositórios de dados abertos globais, e a plataforma Kaggle, que reúne conjuntos de dados gratuitos de diversas áreas e competições com problemas reais patrocinados por empresas e organizações.

Assuntos

  • Inteligência Artificial
  • Machine Learning
  • Deep Learning
  • Data Science
  • Analytics
  • AutoML
  • Python
  • UFCG

Palestrantes

  • Dr. Vinícius Andrade Brei

    Palestrante

    Vinicius Brei é Visiting Scholar e Connection Science Fellow do Massachusetts Institute of Technology (MIT) EUA, Professor Associado de Marketing da Escola de Administração da UFRGS, Coordenador Cátedra Tramontina Eletrik na UFRGS e Bolsista Produtividade em Pesquisa (PQ) do CNPq. Ele tem pós-doutorado em social psychology e machine learning na universidade de Harvard (EUA), doutorado em Ciências de Gestão pela École des Hautes Études Commerciales (HEC – Paris, França) e em Marketing pela UFRGS.

Outros conteúdos deste evento

Gravados no evento Semana do Administrador - PET ADM UFCG