Consulta
O conteúdo dos handouts pode, e deve, servir como fonte de consulta futura. É pra isso que serve o material!
Aula 0 - Introdução aos Fundamentos de IA¶
Antes de escrever código, vale alinhar o vocabulário. Esta página existe para situar o que é IA, onde Machine Learning entra nesse campo e como chegamos no Deep Learning
- Vídeos 1 a 8 do GOAT 🐐🐐🐐: youtube/playlist
- Introdução do curso de AI do Google: youtube/video
O que chamamos de IA?¶
Inteligência Artificial é o campo que estuda sistemas capazes de executar tarefas que, quando feitas por humanos, parecem exigir inteligência: perceber, reconhecer padrões, tomar decisões, gerar texto, traduzir, recomendar, planejar ou controlar ações.
O ponto importante é que IA não é uma técnica única. É um guarda-chuva que reúne várias abordagens diferentes para construir sistemas inteligentes.
IA é um campo, não um produto
Chatbots, carros autônomos, filtros de spam, sistemas de recomendação e reconhecimento facial são aplicações diferentes. O que elas compartilham é o uso de técnicas de IA para resolver problemas complexos.
IA não é só aprendizado¶
Ao longo da história, a IA foi construída com ideias bem diferentes entre si. Alguns exemplos:
- Sistemas baseados em regras: o comportamento é definido explicitamente por regras escritas por humanos.
- Busca e planejamento: o sistema testa possibilidades e escolhe ações para atingir um objetivo.
- Métodos probabilísticos: o sistema lida com incerteza e toma decisões com base em probabilidades.
- Machine Learning: o sistema ajusta seu comportamento a partir de dados.
Isso importa porque ajuda a evitar uma confusão comum: nem toda IA é Machine Learning, e nem todo problema de IA precisa ser resolvido da mesma forma.
Mudança de perspectiva
Em programação tradicional, você descreve as regras da solução. Em aprendizado de máquina, você descreve o problema e usa dados para que o sistema aprenda regularidades por conta própria.
IA, Machine Learning e Deep Learning¶
A relação entre esses termos é hierárquica:
- IA é o campo amplo.
- Machine Learning é uma subárea da IA focada em aprender padrões a partir de dados.
- Deep Learning é uma subárea do Machine Learning baseada em redes neurais com múltiplas camadas.
Em outras palavras:
O avanço recente da IA veio principalmente do Deep Learning. Visão computacional moderna, modelos de linguagem, geração de imagem, reconhecimento de fala e boa parte da IA generativa atual dependem diretamente dessa abordagem.
Ponto central
Na Insper AI, o foco é Deep Learning. Machine Learning clássico aparece como contexto e base conceitual, mas o eixo principal será entender redes neurais, treinamento, representações e aplicações modernas.
Por que Deep Learning virou o centro?¶
Deep Learning ganhou protagonismo porque conseguiu escalar muito bem em três frentes ao mesmo tempo:
- Dados em grande volume
- Poder computacional com GPUs
- Arquiteturas capazes de aprender representações complexas
Em vez de depender tanto de features manuais desenhadas por especialistas, redes neurais profundas conseguem aprender representações úteis diretamente dos dados.
Exemplos:
- Em visão, a rede aprende bordas, texturas, formas e objetos.
- Em linguagem, a rede aprende relações entre palavras, contexto e estrutura semântica.
- Em áudio, a rede aprende padrões temporais e frequências relevantes.
Intuição importante
Deep Learning não é mágico. Ele funciona bem quando há dados, capacidade computacional e uma arquitetura adequada para o tipo de problema.
Em resumo¶
Ao final desta introdução, a ideia não é dominar técnicas, mas sair com um mapa mental claro:
- IA é um campo amplo, com várias abordagens.
- Machine Learning é apenas uma parte da IA.
- Deep Learning é a parte do ML que mais vamos trabalhar.