Informações do livro

  • Título: Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina
  • Autores: Katti Faceli, Ana Carolina Lorena, João Gama, Tiago Agostinho de Almeida e André C. P. L. F. de Carvalho
  • Edição: 2ª
  • Editora: LTC
  • Ano de publicação: 2023
  • Número de páginas: 400

  • Autor do fichamento
    • Nome: Paulo Roberto Vieira Ribeiro Cavalcanti
    • E-mail: pr at pauloroberto.dev.br

  • Evolução do fichamento
    • Status: Estudando
    • Progresso: 6 / 35

Referência bibliográfica

FACELI, Katti; LORENA, Ana Carolina; GAMA, João; ALMEIDA, Tiago Agostinho de; CARVALHO, André Carlos P. L. F. de. Inteligência artificial: uma abordagem de aprendizado de máquina. 2. ed. Rio de Janeiro: LTC, 2023.

Resumo

Trata-se de um livro-texto voltado a cursos de graduação ou pós-graduação que pode ser utilizado em disciplinas que versem sobre temas como Inteligência Artificial, Aprendizado de Máquina, Ciência de Dados, Mineração de Dados, Análise de Dados e Sistemas Inteligentes, conforme o prefácio, e busca abordar os tópicos de forma ampla, isto é, não se limita a assuntos específicos ou dá a algum deles maior ênfase sobre os demais. Não obstante, como o próprio título sugere, foca no Aprendizado de Máquina, que é um dos subcampos da Inteligência Artificial. Em linhas gerais, o objetivo é apresentar os principais conceitos e algoritmos de AM, bem como suas aplicações na solução de problemas da vida real, de modo que a despeito do viés eminentemente teórico, pode-se dizer que, provavelmente, atenderá também ao público que busca uma leitura com foco na prática -- no decorrer do livro são apresentados, no próprio corpo textual, exemplos e casos práticos de uso a respeito dos tópicos abordados. O livro é dividido em trinta e cinco capítulos, agrupados em seis grandes partes ou módulos [1], sendo que cada uma delas é brevemente introduzida com uma espécie de visão geral do grande tema. Ao final de cada capítulo, são propostos exercícios.

Nota

[1] O primeiro capítulo, introdutório, é avulso. A Parte 1, que trata da preparação de dados, é composta pelos capítulos 2 e 3. A Parte 2, que versa sobre modelos preditivos, pelos capítulos 4 a 10. A Parte 3, sobre modelos descritivos, pelos capítulos 11 a 15. A Parte 4 traz tópicos especiais e dela fazem parte os capítulos 16 a 23, e, tal como a Parte 5, que é dedicada às aplicações reais e composta pelos capítulos 24 a 35, estão disponíveis *online* (não há nada sobre elas na versão impressa do livro). Finalmente, na Parte 6, que não é dividida em capítulos, são apresentadas as novas tendências e perspectivas da área. [ 🔙 ]

2.1 Capítulo 1

Introdução. Primeiros sistemas de IA. Sistemas Especialistas ou Baseados em Conhecimento. Cenário da IA nos anos 70. Exemplos de uso. Aprendizado de Máquina. Representação do conhecimento. Tarefas de Aprendizagem. Modelos preditivos e descritivos. Classificação e Regressão. Agrupamento, Associação e Sumarização. Indução de modelos. Generalização. Overfitting. Underfitting. Viés indutivo. Busca. Representação. Leia o fichamento completo.

2.2 Capítulo 2

Parte 1 | Preparação de dados. Análise de dados. Caracterização. Analisar, compreender e descrever. Atributos. Tipo. Grau de quantização. Quantitativo/numérico. Contínuo ou discreto. Qualitativo/simbólico/categórico. Escala. Significância relativa. Nominal, ordinal, intervalar ou racional. Exploração. Medidas estatísticas. Frequência. Localidade, localização ou tendência central. Dispersão ou espalhamento. Distribuição ou formato. Dados univariados e multivariados. Técnicas de visualização. Leia o fichamento completo.

2.3 Capítulo 3

Parte 1 | Preparação de dados. Pré-processamento de dados. Objetivo. Melhorar a qualidade dos dados. Técnicas. Integração. Eliminação manual de atributos. Amostragem. Balanceamento. Limpeza. Transformação. Redução de dimensionalidade. Leia o fichamento completo.

2.4 Capítulo 4

Parte 2 | Modelos preditivos. Função aproximada de uma função desconhecida. Aprendizado supervisionado. Problemas de classificação e regressão. Métodos baseados em distâncias. Proximidade de objetos semelhantes. Algoritmos. Vizinhos Mais Próximos. 1-NN e K-NN. Raciocínio Baseado em Casos (RBC). Leia o fichamento completo.

2.5 Capítulo 5

Parte 2 | Modelos preditivos. Métodos probabilísticos. Probabilidade. Medida de frequência relativa ou de crença. Quantificação. Incerteza. Surpresa. Informação intrínseca. Espaço amostral. Evento. Variável aleatória. Esperança ou valor esperado. Entropia. Teorema de Bayes. Probabilidade condicional. Aprendizado bayesiano. Classificador naive Bayes. Redes Bayesianas. Leia o fichamento completo.

2.6 Capítulo 6

Parte 2 | Modelos preditivos. Métodos simbólicos. Interpretabilidade e compreensibilidade. Modelos baseados em árvores. Árvores de decisão e regressão. Recursividade. Divisão e conquista. Modelos baseados em regras. Regras de divisão. Classificação: ganho de informação (entropia) e índice de Gini (impureza). Regressão: erro quadrático médio e redução do desvio padrão. Problema do valor desconhecido. Estratégias de poda. Pré-poda. Pós-poda. Modelos baseados em regras. Algoritmo de cobertura. Top-down ou bottom-up. Leia o fichamento completo.

2.7 Capítulo 7

Parte 2 | Modelos preditivos. Métodos conexionistas. Inspiração biológica. Neurônio artificial. McCulloch e Pitts (1943). Redes neurais artificiais. Componentes. Arquitetura. Topologia. Aprendizado. Regras de ajuste dos parâmetros da rede. Leia o fichamento completo.

[ 🔝 ]