0:55 Olá, querido aluno, querida aluna. Aqui é o professor Vittor Kessel para mais um evento aqui pelo Gran Cursos CNU aprofundando eixo temático quatro com ticks e ciência de dados. É o bloco três do CNU e vamos trazer aqui para vocês um monte de questão da FGV de inteligência artificial, tá? Que é o foco, é o principal assunto que tá aí nesse nesse eixo temático quatro, tá bem? Então vamos lá. Como é que tá aqui no ao vivo? Deixa eu ver aqui ao vivaço. Tem quantas pessoas aqui, ó? Nove. É, pode melhorar, né? Mas tudo bem. Vamos trabalhar material. Tá aí, ó, professor Lindão. Quem não me segue no Instagram, me segue lá. Vitor Kesseler, tudo que eu faço
1:42 pelo grande tá no Instagram. E temático 4, tic e ciência de dados, que é esse editalzão aqui que aparece para você, tá no seu edital. Então vem com a parte de fundamentos e aplicações de tics e ciências de dados, onde tem fundamento das TICs. Fundamento da SIC, já gravei, já tá disponível lá para você na plataforma do GRAN as aulas sobre esse tema. Transformação digital eh eh vai falar especificamente da Estratégia Federal de Governo Digital, assunto do professor Darlan Viturelli, dados como ativo estratégico para políticas públicas. Já gravei, já tá na plataforma conceitos de aplicações de ciência de dados, big data, internet das coisas. Aí
2:27 é engraçado, sabe por quê? Porque, tipo, é como se aqui fosse um tópico que se dividisse em dois subtópicos, né? I a cadê o IoT? E cadê o Bigira, né? Não tem. E aí que a gente faz, né? Aí eu coloquei para porque assim, ó, como aparece big data aqui na sua no seu edital, é interessante que você tenha lá o curso para você dar uma estudadinha, porque pode aparecer na sua prova, mas eh eh tá meio bagunçado isso aí, né? Porque os subtópicos eles são menores do que a amplitude total aqui do tópico. Enfim, aí, ó, aqui é a nossa aula de hoje, nosso evento de hoje, a machine learning, análise preditiva, que é uma área do aprendizado de máquina, ética,
3:15 vieses algorítmicos, impactos sociais da inteligência artificial, todo mundo vai ser demitido. Aí vem o item três com governança de dados, inter, já tá na plataforma interoperabilidade de sistemas do professor Gunter Amorim e a LGPD também já deve estar na plataforma, deve ser o curso do Maurício Francisquini. Aí 4 5 e 6 e 5 eu vou vou gravar, tá? Eu tô para gravar isso aqui. Visualização e interpretação de dados, uso de dados para formulação, monitoramento e avaliação de políticas públicas. E aí o item seis, dados abertos e transparência na gestão pública. Dados abertos, já tá as aulas no ar. Tá bom. Deixa eu ver aqui se já melhorou aqui o nosso público. Boa noite para todo mundo que tá no ao vivo, no ao
4:03 vivaço. Deixa eu ver aqui, ó. Deram uma boa noite para mim, pelo menos. O Igor. Boa noite, pessoal. Boa noite, Igor. Pâela, seja bem-vinda. Eh, pessoal aqui do Gran HK. Boa noite, professor. Sou químico. Estou meio confuso quanto a profundidade de alguns conteúdos desse eixo, principalmente o 2.1. Cara, deixa, ó, vou lhe dizer. Eh, o que é que eu entendo? Vai vir questões fáceis de concursos de TI normal, tá? Vai a FGV. E aí, a FGV? Não, FGV é um problema, é um problema muito sério, porque normalmente ela bota para sem Eita, chega, ó. Se isso foi FGV aqui batendo no meu no meu no meu no meu home stúdio. É isso. FGV ninguém sabe do que
4:49 vem, né? Se ela vier no modo demônio, aí vai vir com uma profundidade muito grande. O que é que eu entendo? Por exemplo, inteligência artificial. Você tem que saber os tipos de aprendizado de máquina, você tem que saber as tarefas, né? Classificação, regressão, agrupamento, por aí vai. E tem que saber os principais algoritmos, né? O que é uma rede neuroideal. e por aí vai, tá? Eh, o machine learning em si, eu posso, por exemplo, descer pra visão computacional e falar de convolutional neural networks, posso tá dentro do edital. Por isso que o meu curso é bem completo lá na plataforma, porque eu sei que pode vir qualquer coisa, inclusive nada, tá? É assim, e é o problema do CNU em si, que é um concurso novo, que as bancas ainda estão aprendendo como é que
5:35 tem que ser esse negócio. E e assim, a Césan Rio, ela fez um curso, fez fez provas bem tranquilas, bem leves. Eu acho que a que a FGV não vai fazer isso não no na vez dela, tá? Tanto é que o que o próprio MGI, que quem faz o edital é o MGI, tá? Ele colocou lá, acho que é 25% da nota, você já tá aprovado, você já é considerado aprovado. Pensando o quê? que a FGV pode vir pode vir matando, né? Mas assim, é isso que eu vou trazer hoje. São questões de a pra gente ver como que a FGV cobra esse assunto, tá? E como a gente vai avançar nesse assunto, tá bom? Eh, o a Fernanda, ó, cientista de dados e e a Débora, boa noite. Vamos embora. Vamos trabalhar.
6:22 Parabéns, Fernando, você de idade, tá brincando, é? Vamos lá. material. Então, e vamos começar, é, vamos começar com o meu, viu? Ali a questãozinha com isso. Isso aqui é obrigação sua, tá? Você tem que chegar aqui, apontador. Você tem que chegar na prova, pronto, caneta. Sabendo o seguinte, ó, IA. E a é a disciplina, o campo interdisciplinar, a verdade, da da ciência da computação, estatística, matemática, engenharia, que desenvolve sistemas inteligentes, que que desenvolvem sistemas que antes só que resolvem problemas que antes só eram resolvidos com a cabeça, com a cachota, tá? Dentro da IA, a gente vai ter
7:09 machine learning, que é o aprendizado de máquina. Fazer as máquinas aprenderem com dados, fazer as máquinas aprenderem como a gente aprende, como é que a gente aprende com a experiência. Experiência em TI é base de dados, então você aprende em cima de bases de dados históricas, tá? Beleza? Aí o machine learning vai ter aqui três principais tipos de aprendizado. O aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço, tá? No aprendizado supervisionado, a base de dados que eu vou dar paraa minha máquina, ela está previamente rotulada, previamente classificada. Se eu quero prever se, vou usar meus exemplos fáceis, se eu quero prever se
7:55 uma transação de cartão de crédito ela é fraudulenta ou não, quero fazer uma máquina que desenvolva esse, resolva esse tipo de problema, eu tenho que entregar pra máquina uma base histórica de transações que vão estar previamente classificadas. Ó, aqui tá uma transação fraudulenta, aqui tá uma transação normal, ou seja, as transações estão rotuladas, tá? Então, meu dataset, meu conjunto de dados que eu vou entregar paraa máquina, treinar com ele, aprender com ele, vai vir lá um campo que é a classe, que é o rótulo, target, álbum, o que você quiser chamar. É, é uma coluna especial do seu dataset que tá dizendo o que é que a máquina tem que aprender. Por isso que é supervisionada. supervisão que eu digo pra máquina o que é que ela tem que aprender. E aí a máquina vai aprender as relações entre as entradas, as
8:42 transações e a saída, que é a classificação da transação em fraudulenta normal, tá? E aí eu faço um treinamento, ela prende o que é, ó, dado um X, qual é o Y? Ela vai aprender isso por meio de um treinamento interativo, que você vai apresentar para ela milhares de milhões de transações e ela vai ajustando a máquina, né? Se for uma rede neural, vai ajustando os parâmetros da rede neural e aí no final a máquina vai est pronta e vai fazer previsões para você. Aí você entrega uma transação nova que ela nunca viu e ela vai te dar, ó, essa transação aí é normal, essa transação aí é tem risco de fraude e aí, tipo, a partir do passado eu vou prever o futuro. É o que a gente chama de análise preditiva, é o aprendizado supervisionado. No não, então, ó,
9:29 aprendizado supervisionado, rótulo. E o supervisionado não tem rótulo. Eu só tenho um conjunto de dados, mas esse dado não está previamente classificado. Eu posso resolver, por exemplo, um problema de de agrupamento de dados ou clusterização. Eu tenho uma base de dados de, vamos pensar aqui, de cidadãos. Eu posso pegar lá o CAD único, né, que é o que é a base de dados com todos os todo cadastro de pessoas que estão em situação de vulnerabilidade, das famílias que recebem o o Bolsa Família e outros benefícios do governo. E aí eu quero pegar esse monte de dados que eu tenho sobre essas pessoas, eu quero agrupar, criar três grupos diferentes de pessoas para sei lá, eh
10:15 desenvolver políticas públicas específicas para cada tipo de pessoa. E aí eu não vou dizer pra máquina o que é que eu espero dos grupos, ou seja, não vai ter classe, não vai ter rótulo. A máquina vai estudar aquela base de dados do cadiúnico e vai e eh pessoas que são parecidas vão ficar nos mesmos grupos e pessoas que os dados são dissimilares, diferentes, vão ficar em grupos distintos. É o gruprupamento ou clusterização, tá? que aí, ó, o aprendizado não supervisionado, eu não tenho rótulo. Não tem rótulo. Exemplo, o agrupamento ou clusterização, tá? E aí, ó, o supervisionado tá aqui o aprendizado por reforço. Um agente inteligente interage com o ambiente, toma decisões e vai receber recompensas
11:02 ou penalidades de acordo com a decisão que ele tomar. E o objetivo dele, desse agente inteligente, é ao longo do tempo maximizar as recompensas que ele vai receber. Então, imagine um robozinho na lua, um carrinho na lua, um robozinho, um carrinho to to toó andando na superfície da lua. Ele é o agente inteligente e a superfície da lua é o ambiente que a gente interage. E que interações são essas? Que ações o carrinho pode tomar? Pra frente, para trás, esquerda, direita. Se ele for paraa frente e aí sensores dele tá lá mostrando a parede e bater na parede, ainda assim, bicho burro, né? Então ele vai receber uma penalidade, vai, né? Ele vai receber uma penalidade. Se ele dobrar pra esquerda e cair no buraco, vai receber penalidade. Se ele dobrar para um canto aqui, tomar a seguinte decisão aqui, não, vou pra direita. E aí
11:48 ele anda toó de boa. Aí ele recebe recompensa. E aí o objetivo dele é maximizar a recompensa ao longo do tempo, ou seja, tomar decisões que ele nem bata nem caia no buraco. Tá bom? Isso é o aprendizado por reforço. Deixa eu ver como é que tá no ao vivo aqui. Ao vivo que é bom. Tem perguntas? Não tem. Tem uns boa noite aqui da galera. Deixa eu ver aqui, ó. Boa noite. Pois é, vi que são 50 aulas de A. HK desde até o fim do aprendizado não supervisionável. Isso aí é obrigação, tá? Débora. Lucas safadão. Ó, que é isso, Wesley, vamos Gla Edson, boa noite, Dr. Víor. Murilo, boa noite, professor. Vamos
12:33 embora. Vamos trabalhar. Trabalhar. Então, ó, tá crescendo aqui o nosso mapa mental. Esse mapa mental é obrigação você entender ele, tá? Se você não tá entendendo, deu ruim. Aprendizado por reforço morre aqui, tá? Não preciso mais nada. Só preciso entender o que é o aprendizado por reforço. O aprendizado supervisionado. Lembra que eu tenho os dados previamente rotulados? Eu vou ter de dois tipos. Eu já tô, eu tô no lugar certo. Tô dois tipos, que é a classificação e a regressão. Na classificação, o rótulo, a classe que eu tenho que aprender, que eu vou dar pra máquina aprender, é um dado categórico. Eu quero prever se uma transação de cartão de crédito é fraudulento ou não, certo? É um dado, é uma é um dado categórico, binário. Quero identificar uma imagem.
13:22 Eu vou, ó, máquina, te dou uma imagem e tu me diz quem é a pessoa. É classificação, porque e cada pessoa vai ser uma categoria diferente, tá? Eu, máquina, eu quero prever se amanhã dá para jogar tênis ou não. Tem tem um exemplo clássico aí de acordo com as condições climáticas. Aí ela vai dizer sim ou não, classificação binária. Beleza? Então, classificação, eu uso dados categóricos e na regressão eu tô e eu eu tenho que prever um número, um valor numérico, uma variável contínua. Exemplo, eu quero prever o valor da ação da Petrobras amanhã. Eu quero prever o valor do aluguel de um apartamento. Vou dar como entrada quantidade de car de quartos, localização, metros quadrados,
14:08 quantidade de banheiro, tá, tá, tá, tá, tá, tal, e quantidade de garagem. E aí ele vai, ela vai prever um número, 4500 é o valor do aluguel para esse apartamento nessas condições, tá? Então classificação, eu vou prever uma classe que vai ser um dado categórico e no na regressão é um rótulo numérico que eu vou aprender a prever, tá? No aprendizado não supervisionado, eu vou trazer mais um aqui que é as regras de associação. Também é outro exemplo clássico, né? Alguns, alguns chamam só de associação. Regra de associação é dentro de uma base de dados que não está rotulada, só tem os dados lá. Ele vai entender, ele vai encontrar pontos que correm na base, que vão explicar, que vão trazer situações, regras, como, por
14:54 exemplo, toda vez que a coluna A tem o valor X, a coluna B tem o valor Z. Ela vai, ele vai procurar isso na base e tem o antecessor e o consequente, tá? Toda vez que alguma coisa acontece na sua base, isso vai ter como consequência vai acontecer isso aqui na base, tá? Então, a regras de associação, exemplo clássico é o de cesta de produtos, né? Sexta de produtos. O Walmart, ele fez um dataset, um conjunto de dados, onde cada coluna era um produto vendido pelo Walmart, milhares de colunas e cada linha era uma venda que foi feita, era a nota fiscal emitida, então milhões de linhas. E aí se na nota fiscal número tal comprou arroz, arroz recebia um. Se comprou
15:39 feijão, recebia um. Se não comprou leite, recebia zero. Então era um monte de tripinha de zeros e uns no dataset, né? Se o produto foi vendido numa linha, boto um. Se não foi vendido, boto zero. E aí BM descobriu que toda vez que compra fralda, compra cerveja. É a regra de associação. Fralda. Fralda. Então cerveja, tá? E aí, tipo, é toda vez que toda vez que fralda tem o valor um, cerveja tem o valor um. Isso é uma regra de associação. Aí o que que Marte fez? colocou a cerveja do lado da fralda para vender mais cerveja, porque o pai saía de casa à noite para comprar fralda e chegava nervoso, né, pensando nas contas para pagar, no filho perturbando, a esposa perturbando e comprava uma cervejinha para aliviar o cansaço. Então, regras de associação
16:26 também terminou aqui, não, meu jovem, porque você precisa conhecer os algoritmos. Então, eu tenho algoritmos de aprendizado supervisionado de classificação, de regressão e que faz resolve os dois tipos de problema, classificação e regressão. Aqui são cinco que aparecem por aparecem com frequência em concursos públicos. Redes neurais artificiais, árvores de decisão, o conjunto de árvores, a handle forest, floresta randômica, eh KNN, c vizinhos mais próximos e a suporte vector machine, máquina de vetor de suporte SVM. Tá? Aí eu não vou entrar no mérito de cada uma
17:13 não, senão fica aqui, vai dar 3 horas de aula. E classificação somente o naive B, o Bingu e a regressão, opa, não é regressão, é regressão logística, tá? Eh, eh, ela, ela, ela ela é usada em classificações binárias e regressão normal, eu vou ter aqui a regressão linear, tá? Agrupamentos ou clanerização, três. Quais são as três que você deve saber? o mais comum, mais famoso de todos, que é o camin algoritmos hierárquicos de uma maneira geral e o Density Based Special Clustering Application Foise DB scan, tá? que é um algoritmo baseado em densidade. Regras de associação, meu
17:59 jovem e meu querido, a priori. E aí termina, tem mais uma tarefa aqui, né, que que ela pode ser não supervisionada ou supervisionada, que é a redução de dimensionalidade. O que é redução de dimensionalidade? Você tem que saber que o meu dataset ele é formado por linhas, né, ou registros ou pontos ou exemplos ou dados. Cientista de dados gosta de dar sinônimo para as coisas. E nas colunas, eu posso chamar as colunas de colunas, de variáveis, de atributos, de fites, características e posso chamar elas de dimensões, tá? Porque é cada coluna é uma dimensão do seu dado. Então, reduzir dimensionalidade é reduzir o número de colunas do seu
18:45 dataset. Para quê? para deixar ele mais para ele ser mais rapidamente eh para esse para que ele seja processado mais rapidamente durante o treinamento, para eu tirar colunas que não tem nada a ver com o seu problema que você quer resolver, tá? E aí o algoritmo mais famoso de redução de dimensionalidade é o PCA. Por isso que muitas vezes aparece combinado redução de dimensionalidade com aprendizado não supervisionado, porque o PCA ou análise de componentes principais é um do um algoritmo não supervisionado, tá? Nunca vi em questão de concurso, porque tem alguns algoritmos supervisionados de redução de dimensionalidade, mas isso aí ainda não apareceu em concurso, tá? Então, tá aqui
19:32 e esse isso aqui, ó, eh eh se cair questão de machine learning, provavelmente vai tá dentro desse mapa mental. Ele é muito interessante para você, tá bom? Deixa eu ver aqui no ao vivo e eu vou começar a responder questão que agora já dei a teoria por trás disso tudo. Ficaram calados, né? Muito bem. Ó, material. Material na tela. Pronto. Prova do TCE de Roraima do ano deste ano, tá? 25. paraa especialidade e análise dática. Aí já vem o rapaz aqui, professor, eu sou químico, eu sou geógrafo e tal, não vai cair nesse nível de profundidade, não. Isso é o básico, pô. É isso, essas questões são as questões fáceis de de a machine. Tá certo? Você tem que est nesse entender isso. Tarefas de
20:20 classificação e regressão são exemplos típicos de aprendizado supervisionado, certo? Que a gente falou para você. No aprendizado não supervisionado, os dados de treinamento não estão rotulados, certo? SVM, Suport Vector Machine, árvores de decisão e regressão logística são exemplos de algoritmos de aprendizado supervisionado, certo? SVM de decisão pode resolver tanto problema de regressão quanto de classificação. E a regressão logística, ela é utilizada só em problemas de classificação. Então, gabarito dessa primeira aa vvv. Tá beleza? Muito bem, vamos pro próximo. 2024. Aí a questão facilzinha, ó, de professor, tal, professor de TI. Eh, vamos lá. O aprendizado de máquina
21:06 machine learning é uma área da ciência da computação, diretamente relacionada a data science. Como sua própria terminologia disso, o Machine Learn se concentra no desenvolvimento de algoritmos que aprendem com dados. são os três principais tipos de algoritmos super, não super e reforço. Com relação aos três tipos, avalia as afirmativas. No aprendizado supervisionado, os algoritmos são treinados com dados rotulados, ou seja, dados que contêm exemplo de entrada e saída. É, gente, ó, o dataset ele vai ter ele é uma tabela, tá? O dataset conjunto de dados que eu dou para uma máquina. Normalmente ele é um dado estruturado. Beleza? Ele vai, eu quero prever se a transação de cartão de crédito é fake ou não. Então eu vou botar lá, ó, eh, eh, fraude ou não. É o
21:51 valor da transação, o horário da transação, a data, não, a data da transação, o produto comprado, o vendedor, eh, o local da compra, etc. Tá? Eu tenho várias variáveis de entrada ou vários atributos de entrada que eu chamo popularmente de X. E do X eu vou ter a minha saída, que é a classe, o rótulo, tá? Então a primeira transação tal, que valor tal, hora tal, data tal, produto tal, vou vou não sei o que tal, não sei o que tal, não sei o que tal. É uma transação fraudulenta. Então, ó, a partir do X, eu vou aprender a prever Y. Então, meu algoritmo de classificação, ele vai criar uma função que simula a função que existe no mundo real, tá? Eu
22:37 vou ter um um f, um y = f(x), onde dada uma entrada eu jogo na função e calculo a saída, tá? Então sim, eu tenho entradas e saídas correspondentes. Eu associo as entradas às saídas correspondentes. A um está correta. Dois, no supervisionado, os algoritmos são treinados em um conjunto de dados que não tem rótulo, não tem exemplos de entrada e saída. Eles aprendem a identificar padrões nos dados sem saber o que os seus padrões representam inicialmente. É, OK, certo. Três. Aprendizado para reforço envolve um agente inteligente que interage com ambiente. Vamos ver aqui, ó. Aprende a tomar decisões em ambientes específicos, interagindo com esses ambientes,
23:23 recebendo recompensas ou punições por suas ações de exploração ou atuação. Só o detalhe, né? E eh é o exploration e o exploitation, né? Porque os algoritmos que a gente chama de política, as políticas de aprendizado reforço, eles vão decidir quando que a minha máquina, quando que o meu agente inteligente ele vai fazer exploration, ele vai fazer exploitation, tipo 90% exploration e 10% exploitation. É uma regra, tá? E o que é exploration e exploitation? Exploration é quando ele tá num lugar e ele vai ter que tomar uma decisão e ele vai tomar uma decisão que ele nunca tomou para ver o que é que vai dar, para ver se vai dar bom, se vai dar ruim, tá? Porque se ele já sabe que tem uma uma um, ele tá aqui nesse lugar, ele já sabe que se tomar,
24:09 se ele virar pra direita, não tem buraco, ele vai virar pra direita e vai se embora, tá? Mas aí por quê? Porque ele sabe que vai receber um prêmio. Isso é o exploit exploitation. Exploration. Eu vou para lugares nunca antes navegados. E o exploitation eu vou pelo caminho que eu já sei o resultado, já sei que vem uma recompensa, tá? Por quê? Porque, ó, por que que isso tem? Por que que eu tenho que fazer exploration? Porque às vezes tem uma decisão que eu vou tomar, que eu vou ganhar uma recompensa ainda maior, mas aí eu não vou ficar na minha zona de conforto, não vou arriscar, tá? Aí o examinador ele ele ele ele ele ele usou ele traduziu para exploração e atuação. Eu já vi exploração e exploitação. Se você pedir pro chat rept traduzir, ele vai meter
24:56 exploração e exploração, porque é é são são do inglês para português, ambos significam exploração, só que um é o exploration para ver eh eh para tomar decisões novas e o outro é exploitation para tomar decisões que ele já sabe o resultado, tá? Então tá, mas aí 1 2 3 está correta. Letra B é o gabarito. Tá bom, vamos andando. Opa, tem perguntas, tem perguntas. Perguntas no ao vivo sempre é mais importante, tá? O Hendrix, professor, aulas de A na plataforma foram gravadas em qual data? Algumas informações me deixaram em dúvida. diz que o chat PT tem uma base atualizada 2021, mas já foi. É, cara, o de o de o de e a
25:42 generativa, de fato, eu vou ter que regravar isso aí, porque eu falei, eu inventei de de falar essa besteira aí no curso, tá? Os os o curso de até a aula 18, ele é de final de 22, começo de 23, tá? Para eu regravar isso aí já de dois em dois anos a gente regrava, tá? E tem uma parte mais pro final que já tá mais atualizada. É, é, é porque assim, TI, né, meu jovem, TI, o negócio vai sendo atualizado o tempo todo. A gente tem eh aqui no GR, a gente tem como eh eh regra, né, de de dois em dois anos de regravar o material. Eu tô regravando. Bigira, bigdeira tá sendo regravada essa semana. Estamos aí na correria, né, jovem? Desculpe aí. De lá para cá, houve alguma outra mudança significativa no mundo da
26:28 EA? Cara, essa parte inicial aqui que eu trouxe, não é tranquilinho. É, é, é porque o que acontece é o seguinte, novos algoritmos vão aparecendo aí o tempo todo, tá? Mas assim, eh, os livros de de machar, eles são meio que, eh, trazem o core, tá? E assim, se o examinador colocar um negócio lá que ninguém sabe, ninguém sabe, só o cientista de idade vai saber, mas provavelmente o especialista demais em um assunto, ele tá milionário, né? Ele já tá ganhando dinheiro com isso, ele não vai fazer concurso público. E se ele tiver fazendo concurso público, ele não estudou os outros. Porque o importante nesse CNU é você ter uma visão geral de tudo, tá? visão geral de tudo. Eh, é, é o que eu sugiro para vocês nessa reta
27:15 final, estudar o que você ainda não estudou. Os modelos de aprendizado de máquina, isso aqui é rápida, vamos rápido. Desempenham, já aprenderam, desempenha um papel fundamental, tá, tá, tal. Característica do modelo de aprendizado de máquinas supervisionados e não supervisionados é que modelos supervisionados, supervisionado, dados rotulados pro treinamento. Modelos não supervisionados funcionam com dados não rotulados. Letra C, o gabarito, o resto é a abobrinha. Vamos ver outras aqui diferentes, né? Olha essa aqui. Diversos são os algoritmos de aprendizado. Podem ser empregados em classificações automáticas de imagens digital, visando identificar a ocorrência de desmatamentos, que era a prova do INP, né? Sobre os métodos de classificação automática, eu deixei essa questão. Essa questão é chata. Nos métodos, ó, porque
28:01 ele bota aqui, ó, não gosto dessa questão porque ela não é didaticamente boa. Classificação não supervisionada. classificação aprendizado supervisorado. Ele tá falando aqui de agrupamento, tá? onde eu vou eh classificar abre aspas, onde eu vou agrupar dados em grupos de acordo com as semelhanças e diferenças dele. Mas tá, ó, classificação não supervisão nada, eu entraria com recurso, botaria isso aqui errado, mas ninguém me contratou para isso. A estrutura das classes é determinada a partir de um conjunto de dados não rotulados, classes estas que apresentam similaridades e diferenças extraídas a partir das amostras, a partir do conjunto de dados, entendeu? Ele tá chamando me os meus grupos ou clusteres que eu crio no agrupamento ou
28:47 clusterização, ele tá chamando de classes e tá dizendo que se faz uma classificação não supervisionada. Isso aí tá certo, né? Eu colocaria errado fácil, mas eu sei que essa questão tem essa loucura aí. Métodos de classificação supervisionada exigem um conjunto de amostra rotuladas para permitir modelar as classes e as fronteiras de decisão do classificador. É, ó, gente, ó, o dataset ele vai ser dividido em dois conjuntos, né, ou mais, até três, né, ou vários, né, se for uma validação cruzada, mas deixa quieto. Eu tenho um conjunto de treinamento, que vai ser 80% da base, e conjunto de testes, tá? O conjunto de treinamento eu entrego para um indutor. O meu indutor é
29:32 um programa, programa em Python, que vai gerar uma IA treinada, tá? Aí a treinada ela está boa, ela está apta para para enfrentar a realidade. Eu vou pegar os dados de testes que não participaram do treinamento, ou seja, a IA nunca viu esses dados e vou calcular as métricas. Eu vou fazer uma vou uma uma avaliação eh para ver se a máquina acerta as previsões no conjunto de teste. Aí eu posso ter a acurácia, né, que é o total de acertos, é o percentual de acertos da máquina. Então se ela acerta 85%, tá boa, tá tá errando 15%, né? Para o que não seja crítico, ela já tá boa para ir pro mercado, tá bem? Então tem esse
30:19 caminho aqui. E aí, tipo, essa treinada, era isso, por isso que eu fui para esse caminho aí. A gente chama de classificador, tá? Exemplos de método de classificação supervisionada é o algoritmo que emprega o estimador da máxima verassemelhança. Ixe Maria, isso aqui é coisa de estatística, né? Isso é coisa de estatística. ao passo que o algoritmo de máquinas de vetor suporte é SVM, é o método não supervisionado. A a SVM é supervisionada, então a 3 está muito errada. Aí, ó, 1 e do é o gabarito, é a letra B, o gabarito, apesar de eu não concordar com essa afirmativa aí, um. >> Tá, é bronca essa afirmativa um aí.
31:06 Vamos paraa próxima, beleza? O algoritmo, como é que tá aqui no ao vivo? Quantas pessoas ao vivo? 27. Ó, deu até um deu rock. O algoritmo que são? OK. O auditor, desculpa, gente, que eu fico viajando aqui. O auditor de contas públicas Johnny deverá realizar uma auditoria financeira e precisa construir um modelo de machine learning simples e interpretável. Cara, o único modelo que é interpretável, o único algoritmo que é interpretável são as árvores de decisão. As árvores de decisão, elas são montadas com base nos atributos no meu dataset. Por exemplo, eu quero prever se eu vou dar um cartão de crédito VIP ou não pro
31:52 meu cliente. Aí eu entrego pra máquina uma base de dados de clientes que vai est lá previamente rotulado, né? Aprendizado supervisionado, vai ter que vai est lá classificados em VIP e não VIP. Aí a máquina roda e gera uma árvore de decisão que começa com nó raiz, que é o atributo principal aqui, sei lá, salário do cara. Salário. Se o salário for maior do que 20k, vem para cá na água. Se o salário for menor igual a 20k, vem para cá, tá? O salário é maior do que 20k. E e ele investimento na no no banco, ele tem investido mais de 100k. Ah, que massa. Então ele é VIP,
32:38 entendeu? Ah, e se ele não, se for menor, menos de 100.000 que ele tem investido. Aí eu vou olhar outro outro outro outro atributo, sei lá, total de dívidas. Dívidas no banco, dívidas. Se a dívida, se ele, se, se a dívida é igual a zero, não tem dívidas. Ah, então vou dar o VIP para ele. Mas se ele tiver lá cheio de consignado, tiver cheio de de de empréstimos, é maior que zero, aí ele é não VIP, tá? E se o salário for menor do que 20.000, aí ele é não VIP. Pronto, acabou, tá? Então veja que eu posso chegar para uma pessoa e dizer para ela: "Olhe, senhor, você fez aqui um pedido de virar VIP, mas nós negamos porque o
33:24 seu salário, apesar de ser R.000, você eh eh não tem 100.000 investido no banco e tá cheio de empréstimo consignado nas costas. Então você não é um cliente VIP para nós, entendeu? Eu consigo explicar, eu consigo explicar da árbitro decisão, eu consigo explicar. para classificar transações como suspeitas ou não suspeitas. Ó o meu exemplo aí. Para tanto, João João deve basear-se em atributos como valor da transação, localização, tipo de transação, histórico do cliente contidos em um conjunto de dados relativamente pequeno. As arrode decisão, elas trabalham bem com dados com poucos dados, tá? elas ter uma acurácia melhor quando tem poucos dados do que outros
34:11 algoritmos mais complexos, porque eles acabam entrando em overfit, tá? Conversa para outro outra história. Nesse contexto, para criar esse modelo, João deverá aplicar a técnica de classificação binária. Aí vamos lá. Camins, aprendizado não supervisionado, agrupamento. Regressão linear, aprendizado supervisionado, regressão. Ele tá falando de classificação. Árvore de decisão, gabarito. Rede neuroarticial não é gabarito, porque não é simples interpretável. Uma rede neuroarticial para eu explicar para cara, senhor, eh, colocando seus dados d na na camada de entrada da nossa rede neural, esses dados foram passando, foram antes transformados em números, tá tudo bem? Eh, eh, fizemos o hot qualifique e aí esses dados passaram multiplicando pelos
34:56 pesos, pegamos a somatória de todas as conexões, colocamos dentro de um neurônio, o neurônio lá dentro de uma função de ativação que deu como saída um, aí foi paraa outra camada. Aí essa outra camada cheia de neurônios fez essa mesma coisa. tinha 10 camadas de neurônios até que chegou na camada de saída que tinha um neurônio que recebeu o somatório dos valores vezes os pesos da camada anterior. E aí quando passou na função de ativação do neurônio de saída saiu. Hum. >> Aí você não é VIP. Não tem como explicar isso pro cara, né? É um modelo não interpretável, tá? Então, eh, o gabarito aqui é a letra C, por ah, ó, o PCA aí que eu falei para vocês. PCA, redução de dimensionalidade, aprendizado não supervisionado. Letra C é o nosso
35:43 gabarito. Tá bom? Vamos andar pro próximo. Deixa eu ver aqui, ó. Não, não. Estão quietinhos. Vamos pra próxima que eu fico olhando para ver se vocês estão falando alguma coisa aí, tá? Olha a árvore de decisão aí. Considerando os algoritmos de construção de árvores de decisão ID3 e C4.5, é correto afirmar que, gente, são dois algoritmos de árvores decidância. Aqui seria uma questão difícil na minha na minha humilde opinião. O que é que o o C4.5 e tem a C5.0 e tal, ele tem três diferenças em relação ao ID3, tá? Primeiro, ele trabalha com dados numéricos. dados numéricos também,
36:30 porque aqui a ID3 é só para dados categóricos. Segundo é a poda, né? Tô tá dando um branco aqui. É a poda, tá? Ele faz poda para evitar o overfeiting. Ou seja, é uma árvore decisão. No final ele pode pegar uma subárrore que tá aqui, a tirar essa subárrore e colocar uma folha aqui. Para quê? para que a árvore fique mais simples, porque árvores muito complexas, elas têm algoritmos de uma maneira geral muito complexo, eles tendem a decorar o conjunto de treinamento e eles perdem poder de generalização para dados que ele nunca viu, tá? Eh, pronto. Então, vamos ver aqui. Ah, valores faltantes, que era o outro que tava dando branco aqui. Valores faltantes, eu consigo
37:17 trabalhar com dados faltantes, coisa que o D3 não consegue. Que é um dado faltante? Sei lá, eu tenho uma coluna lá, coluna X, e aí aqui tá o valor 1 2 1 2. Só que vai ter uma linha aqui que não tem nada, é um nu, né? Ele consegue trabalhar mesmo assim. Tá bem? Então vamos agora ver as as possibilidades. ID3 permite poda da árvore C4.5? Não é o contrário. ID3 permite a existência de valores faltantes. O C4.5 não é o contrário. O C4.5 permite a existência de atributos categóricos e D3, não é eh atributos numéricos, tá? Categóricos e D3 trabalha. C4.5 permite a existência de atributos com valores contínuos. O ID3 não tá aqui o nosso gabarito, tá? E ambos usam a entropia no cálculo para
38:04 escolher qual o atributo que vai participar de determinado nó. Entropia é a bagunça dos dados. Não vamos entrar no mérito disso aqui nessa altura do campeonato, não, tá? Eh, a classificação de dados é uma tarefa comumente executada por meios de algoritmos de aprendizado de máquina. Uma técnica muito conhecida de classificação se dá por aprendizado supervisionado e classifica novas instâncias de dados por associação à classe da maioria das instâncias de dados pré-existentes mais próximas a elas. A avaliação dessa possibilidade é baseada em normas métricas de distância definidas no espaço multidimensional das amostras dos dados. Bonitos, né? E quem é esse cara? É o KNN. KNN é o seguinte, homem. Imagine que eu tenho um uma base
38:52 de dados. Vamos fazer com duas dimensões para ficar fácil, tá? X1, X2 e a classe que ela tem que aprender. Então, quando X1 for 0 e x2 for 1, a classe é a classe A. Quando X1 for 1 e o X2 for 2, é a classe A. Quando X1 for 5 e X2 for 7, é a classe B. Esse é meu dataset, tá? Eh, eh, eh, como é que é o o KNN, o K vizinhos mais próximos. Me dizes com quem andas que eu te direi quem és. Eu vou pegar os dados e vou plotar no espaço n dimensional. Como são duas dimensões aqui, fica fácil pra gente compreender, tá? Aí, ó, o cara que é x1 0, x2 1 é da classe A. Então, tem um
39:37 pontinho aqui, ó, tangenciando aqui o o X, o X2, o eixo Y, que é da classe A. Aí, ó, 1 2. Esse aqui, ó, é da classe A também, que é o segundo ponto aqui. E 5 7 aqui, é da classe B. Aí eu saio plotando todos os dados do meu dataset no espaço N dimensional, tá? N dimensional. E aí, beleza? Esse é o treinamento. Quando termina, eu vou definir o K. O K é o número de vizinhos. K é igual a 3. Eu vou considerar os três vizinhos mais próximos. Aí eu, beleza. Agora eu tenho que classificar o novo elemento para saber se ele é da classe A ou da classe B. Esse novo elemento, quando eu ploto
40:22 no espaço N dimensional, ele tá aqui. Aí, quais são os três vizinhos mais próximos? Um B, um B, um A. Aí, ó, ele vai ser da classe B, tá? Quando é regressão, eu tenho números no lugar de categorias, né? Aí esse cara vai ser a média dos vizinhos mais próximos, beleza? Então, KNN é um algoritmo, vamos ver de novo aqui essa questão, é um algoritmo de aprendizado supervisionado, classifica novas instâncias, novos dados por associação à classe da maioria das instâncias de dados que já existiam, que estavam mais próximas a essa nova instância. Então, ó, e esse dado ele vai ser classificado pelos vizinhos mais próximos dele no espaço N dimensional. A
41:08 variação dessa amostra é baseada em norma métricas de distância, normalmente a distância euclidiana, né, que é a distância em linha reta, tá? Definidas no espaço multidimensional da amostra KNN. Regressão logística. ele teria que tá falando de uma função logística, né, de uma classificação binária, de uma função logística que é é y é igual a 1 sobre 1 + e elevado x, né? Issa é a função logística. Ele usa a função logística que a saída é 01. SVM, ele deveria falar de um hiperplano ótimo separando os dados. LDA é um algoritmo supervisionado de redução de dimensionalidade. Lenda, não aparece em concurso não. E o nave base é o bas. ingên é um algoritmo baseado nas probabilidades condicionais,
41:55 né? Explicar o na IV Base para vocês que é facilzinho. Eh, não é fácil não. Não sei se dá tempo de explicar. Dá. Ó, na base ele vai trabalhar, ele é ele ele foi usado com muito sucesso e é usado até hoje para identificar e-mails como spam ou normal. Sua caixinha de spam do Gmail tem um um na IV, um base ingênuo rodando lá. Como é que ele funciona? ele vai ele vai pegar a base de dados de e-mails que foram que foi utilizada para treinar ele, tá? Vamos ter uma base onde cada coluna é uma palavra e cada linha é um e-mail, tá? E aí, tipo, se um e-mail aqui tiver a palavra amor, eu de eu coloco um. Se não tiver a palavra amor, eu coloco zero, tá? É, é, é esse o
42:41 dataset que vai ser utilizado. E o que é que ele vai aprender? Eh, dado que uma que que um que um e-mail tenha a palavra amor, qual é a probabilidade dele ser spam ou dele ser normal? Aí eu pego o meu dataset e calculo essa probabilidade. Eu faço isso para todas as palavras que estão no meu dataset, tá? E aí quando chega um novo e-mail para eu classificar, eu vou olhar as palavras que estão lá. Se aparecer, por exemplo, lá rei e nigeriano jun juntas lá, rei nigeriano, vai provavelmente é o spam, né, que tem um spam famoso do rei nigeriano. Aí vai tá lá, ele vai dar como resposta, ó, tem 97% de chance desse e-mail ser spam. E aí o o Gmail, pum, joga o e-mail pra sua caixa de spam, tá? Então o nave B, ele trabalha
43:29 com probabilidades condicionais. E por que que ele é ingênuo, professor? Você poderia me perguntar isso, né? Não me perguntou, eu vou responder assim mesmo. Ele é higênuo porque ele parte do pressuposto que as variáveis são independentes entre si, que as palavras que estão no meu dataset, uma não influencia a outra na classificação final. Mas se eu boto rei e eu boto nigeriano, a se eu tenho rei sozinho, a probabilidade é 5% de serpan. Se eu tenho nigeriano sozinho, probabilidade deve ser um pouquinho maior, 30%. Mas se eu tenho rei e nigeriano, a probabilidade é 99,9%. Entendeu? Então, eh, mas ele não leva em consideração essas probabilidades conjuntas, porque ele trata as variáveis
44:15 como independentes entre si, tá? Se não fosse isso, ele ia acertar 100% das vezes. Beleza? Beleza. Então, vamos pro próximo aqui. Deixa eu ver se tem alguma pergunta. Todo mundo entendendo tudo. Todo mundo entendendo tudo e ninguém foi embora. Então, estão gostando da aula. Próxima. Olha o KNN aí. No gráfico X, Y, OK? São apresentados pontos que representam duas propriedades de elementos de duas classes RS, tá? Ó, ele tá chamando os atributos de propriedades, tá? Só para você entender como é a diversidade. Os pontos ou linhas da classe R representados como círculos são 3 5 3 4 2 3. 3 5 3 4 e 2 3. Ele tá plotando os
45:04 pontos no espaço N dimensional. Eh, eh, enquanto que os pontos da classe S quadrados e é o resto aqui tudinho é quadrado. Esses cinco pontos aqui é necessário classificar pontos novos de acordo com o algoritmo KNN com K = 3 usando a distância euclidiana. Nesse contexto, as classes do ponto 3 2 3 44 são respectivamente, ó, 3 2. Cadê o mouse? 3 2. Esse rapaz aqui, ele tá perguntando qual é a classe dele, quais são os três mais próximos. é linha reta, né? Diagonal é maior, né? Então, ó, ele é quadrado. Então, ele é R. Ele é R, R, R e R. Joguei fora dois, ó. Segundo deve ser R, né? Porque senão ele
45:50 vai me dar um gabarito. 3 33 é esse rapaz aqui. Esse rapaz aqui, ele tem um quadrado e duas bolinhas. Então, ele é da classe S. É. Não. Opa. Ó o professor, olha o professor fazendo besteira. Fazendo besteira. O 3 que é esse cara aqui, ele tá do lado de três quadrados, então ele é da classe S. Então joga fora essas. O segundo é da classe R e é mesmo, né? Que é o 33. Cadê o 33? 33 é esse. São dois da bolinha e um quadrado. Então ele é bolinha. bolinha classe R.
46:35 OK. E agora o gabarito 44 4 44 é esse cara aqui. Esse cara aqui, ó, vizinho mais próximo. Vizinho mais próximo. Vizinho mais próximo. Ele é bolinha classe R. Então ficou letra C. Sr, beleza? Entendeu? Mesmo com o professor atrapalhando, entendeu, né? Vamos lá pra próxima. Na IV, na IVB estão amplamente, que bom que eu expliquei ele, né? Prefeitura de Vitória, Espírito Santo, estatístico, são amplamente utilizados em machine learning devido a sua simplicidade e eficácia. Assim, é correto afirmar que os naivs a assumem que todas as colunas, todas as variáveis, todas as fitores, todos os as características, todas as colunas são
47:23 dependentes e correlacionadas. Não, ele assume a independência. consideram os outiliers das fituras discretas. Ele tá me dizendo que o meu o meu a minha variável categórica discreta categórica, ela tem outlier. Não, gente, outlier é algo que só se vê em dados numéricos. é um ponto fora da curva, peso da pessoa. Aí o cara tem lá menos 15 de peso. Isso é uma outiler. Mas eh em dados categóricos, por exemplo, nível educacional pode ser superior, médio, mestrado, doutorado, superior, médio, fundamental, pronto. Tem outlier não, porque vai ser sempre um desses daí, entendeu? E eh não tem outline em variável discreta para cima de mim,
48:09 papai. C são contraindicados em classificação binária, classificar o e-mail spam ou não spam, né? Enfim, são mais precisos que outros classificadores. Ele tá metendo DB Scan aqui, que é algoritmo de agrupamento. Redes som eh são redes neurais não supervisionadas utilizadas tem problemas de aprendizado não supervisionado. O som, eu nunca lembro o que é o o som. Deixa eu botar aqui no Google aqui. Som. Red Son é self organizing map, né? Os mapas autoorganizáveis, tá? Elas são eh algoritmos de aprendizado não supervisionado. Então ele tá misturando banana com laranja aqui, né? Então a última aqui, ó, utiliza uma regra de B para calcular a probabilidade a
48:55 posterior ou probabilidade condicional, probabilidade de algo acontecer, dado que algo já aconteceu. Teorema de Beias, eu não sei se eu lembro, ó. A probabilidade de Aontecer, sendo que B aconteceu, é igual a probabilidade de B acontecer, sendo que A aconteceu. E o resto eu esqueci. Ué, que que eu fiz? Eu apaguei? Não, tá aqui. Eu quero, eu quero lembrar aqui o teorema de base. Eu deveria saber isso de qual, mas como eu não sei, teorema de base. Vai, vai, jovem. Cadê o teorema de base? Teorema de B PBA PA PB é cadê eu? Vezes a probabilidade de A acontecer
49:44 dividido pela probabilidade de B acontecer. Esse é o teorema de base. Ele é usado para calcular a probabilidade condicional, probabilidade posterior e é usado pelo nave base, gabarito letra E. Tá bom? O algoritmo de novo, ó, na IV Base TC de Goiás é amplamente, e essa é a última, tá, gente, que acabou meu tempo, tô vendo aqui, é amplamente utilizado em problemas de classificação, especialmente em PLN, processamento de linguagem natural, processamento de e-mail para saber se análise e texto, saber se o se o e-mail é spam ou não. Princípio fundamental do algoritmo na IVBAS, técnica de clusterização. O que que tem a ver clusterização com algoritmo na IV base? Nada. calcular a média ponderada dos atributos para determinar a classe de um exemplo. Não
50:32 considerar a independência condicional entre os atributos. Olha aí o gabarito, né? É por isso que ele é ob ingênuo. Nive em inglês é ingênuo. Redes neurais profundas, aí vai para outro algoritmo, né? Utiliza uma abordagem de força bruta para Não, aí tá viajando. Então o gabarito de fato aqui é a letra C, meu jovem. E aí, acabou meu tempo. Acabou meu tempo. Espero que vocês tenham gostado aí dessa revisãozinha. Me segue no Instagram, quem não me segue, Vitor_line Kessler. Tudo que eu faço pelo gram tá aqui, tá? Então, ó, eh, questões só de 2000, i balançando aqui, questões só de 2025 atualizadas para você da FGV, tá? Murilo? Professor, como você acha que vai vir distribuída questões se baseando no último CNI? Cara, o último CNU foi com assunto, os
51:19 assuntos completamente diferentes. O último CNU ele não é parâmetro para esse CNI de agora. Esse CNU de agora é completamente diferente. O seu o seu, os seus assuntos, seus eixos temáticos é esse de de aí tem um eixo lá de metodologia ágil e gestão de projetos. E os outros três eixos tem nada a ver com TI, tá? Então não dá para usar isso aí. É, a gente vai esperar para ver o que é que vem da FGV. O ideal é que você estude de tudo, tá? Você estude de tudo, tá bom? Não tem como, ah, pode ser que um eixo ou assunto vai cair mais que o outro. eixo não, o número de questões por eixo, salvo engano, são 12 questões por eixo. Todos os eixos vão ter 12 questões. O
52:05 que muda é a é a ponderação, é o peso dos eixos para cada cargo. Cada cargo ele vai dar mais peso pro para esse esse de análise de dados. O outro vai dar mais peso pro de ciência e tecnologia. tem que ver no edital certinho. O importante é que você já fez a inscrição, né, tenha colocado todos os cargos do eixo que você tem eh eh que você tem, eita, deu branco, que você tem lá o seu canudo, que você tem o seu diploma, tá? Para fazer como requisito para aquele cargo. Teve o diploma, deveria ter se inscrito nele, porque é como se fosse o Enem, né? Depois você vai ser selecionado de acordo com sua nota e vai ver os cargos que sobraram para você, tá bom? Gente, me segue no
52:52 Instagram, quem não me segue, Vitor Castler. Valeu, bons estudos, bons trabalhos e a gente se vê por aí. Tchau.
