Inteligência artificial (IA), a capacidade de um computador digital ou de um robô controlado por computador para executar tarefas normalmente associadas a seres inteligentes. O termo é frequentemente aplicado ao desenvolvimento de sistemas dotados dos processos intelectuais característicos dos seres humanos, tais como a capacidade de raciocinar, descobrir significado, generalizar, ou aprender com a experiência passada. Desde o desenvolvimento do computador digital nos anos 40, tem sido demonstrado que os computadores podem ser programados para realizar tarefas muito complexas com grande proficiência, por exemplo, descobrir provas para teoremas matemáticos ou jogar xadrez. Ainda assim, apesar dos contínuos avanços na velocidade de processamento do computador e na capacidade de memória, ainda não existem programas que possam corresponder à flexibilidade humana em domínios mais vastos ou em tarefas que exijam muito conhecimento quotidiano. Por outro lado, alguns programas atingiram os níveis de desempenho de peritos humanos e profissionais na execução de certas tarefas específicas, de modo que a inteligência artificial neste sentido limitado é encontrada em aplicações tão diversas como o diagnóstico médico, motores de busca de computador, e reconhecimento de voz ou caligrafia.
Referência Encyclopædia Britannica
Aprendizagem de máquinas (Machine Learning – ML) é o estudo de algoritmos informáticos que podem melhorar automaticamente através da experiência e da utilização de dados. É visto como uma parte da inteligência artificial. Os algoritmos de ML constroem um modelo baseado em dados de amostra, conhecidos como dados de treino, a fim de fazer previsões ou decisões sem serem explicitamente programados para o fazer. Os algoritmos de aprendizagem de máquinas são utilizados numa grande variedade de aplicações, tais como na medicina, filtragem de correio electrónico, reconhecimento da fala e visão por computador, onde é difícil ou inviável desenvolver algoritmos convencionais para executar as tarefas necessárias.
Referência: Wikipedia
Aprendizagem profunda (Deep learning – DL) é um grupo de abordagens de machine learning que utiliza muitas camadas numa estrutura de representação em grafo para extrair progressivamente características de nível superior da entrada em bruto. Por exemplo, no processamento de imagens, as camadas inferiores podem identificar arestas, enquanto as camadas superiores podem identificar os conceitos relevantes para um ser humano, tais como dígitos ou letras ou rostos. A deep learning é baseada em redes neuronais artificiais.
Referência: Wikipedia
Rede neuronal artificial é um programa de computador que funciona de uma forma inspirada na rede neuronal do cérebro. O objetivo destas redes neuronais artificiais é desempenhar funções cognitivas, de raciocínio e de resolução de problemas.
Referência: Wikipédia
Aprendizagem supervisionada é uma abordagem de machine learning que é definida pela utilização de conjuntos de dados etiquetados. Estes conjuntos de dados são concebidos para fazer uso das etiquetas para treinar modelos na classificação de dados ou na previsão de resultados. Utilizando entradas e saídas rotuladas, o modelo pode aprender ao longo do tempo de uma forma supervisionada.
Referência: Wikipedia
Aprendizagem não supervisionada é uma abordagem de aprendizagem automática definida pela utilização de conjuntos de dados sem soldadura. Estes algoritmos descobrem padrões ocultos nos dados sem a necessidade de etiquetas ou intervenção humana; por conseguinte, são “sem supervisão”.
Referência: Wikipedia
Aprendizagem semi-supervisionada é uma abordagem de aprendizagem automática que combina uma pequena quantidade de dados rotulados com uma grande quantidade de dados não rotulados durante a formação. A aprendizagem semi-supervisionada situa-se entre a aprendizagem não supervisionada (sem dados de formação rotulada) e a aprendizagem supervisionada (apenas com dados de formação rotulada). Também pode ser designada aprendizagem supervisionada fraca.
Referência: Wikipedia
Reforço da aprendizagem é uma abordagem de machine learning em que um modelo aprende a tornar-se mais preciso para realizar uma acção num ambiente baseado em feedback com o objextivo de maximizar a recompensa.
Referência: IBM
