Agente inteligente...
... aquele que é capaz de perceber seu ambiente através de sensores e age nele por meio de atuadores, pode ser reativo ou baseado em aprendizagem .
Meio (ambiente)...
... o exterior onde o agente atua, pode ser determinístico (estável e controlado) ou estocástico (evolui no tempo aleatoriamente); o modelo do meio é como o agente vê este ambiente.
Política e função do agente...
... a função é uma descrição matemática abstrata da lista de percepções e ações, a política (ou programa) é a implementação concreta executada no sistema físico.
Estado...
... a relação atual do agente com o meio, localizando-o em um ponto de seu programa (um nó em um grafo); valor do estado é a utilidade de estar naquele estado rumo ao objetivo final.
IA simbólica...
... abordagem clássica baseada em sistemas especialistas e regras "se-então".
Machine Learning (ML)...
... estatística computacional aplicada na qual algoritmos (árvores de decisão) criam regras de generalização ou predição a partir de conjuntos de dados (datasets).
Deep Learning (DL)...
... redes neurais com múltiplas camadas ocultas, níveis crescentes de abstração e representação de dados brutos sem decisão humana direta na extração de características.
IA conexionista...
... abordagem inspirada na neurociência que modela o raciocínio através de conexões entre neurônios artificiais, o aprendizado é armazenado em pesos sinápticos que regulam a estimulação entre os neurônios.
IA fraca vs. IA forte...
... a primeira foca em resolver problemas específicos (padrão atual), enquanto a segunda buscar semelhanças com o comportamento humano com autonomia em ambientes inusitados.
Aprendizagem por correção e erro...
... método onde a saída é comparada com uma desejada e a diferença (erro) é usada para ajustar os parâmetros livres (pesos) do sistema, buscando minimizar esse erro.
Aprendizagem baseda em memória...
... o sistema memoriza exemplos classificados de entrada e saída e, ao receber um novo dado, toma decições baseadas na proximidade dos exemplos armazenados.
Árvore de decisão...
... algoritmo no qual um vetor de entrada passa por uma série de testes de hipóteses (nós da árvore) sobre atributos até chegar a uma conclusão.
Aprendizagem Hebbiana...
... baseada na observação biológica de qua a ativação simultânea e repetida de neurônios vizinhos fortalece a conexão entre eles, majorando os pesos das sinapses envolvidas.
Treinamento supervisionado...
... quando há um "professor" ou um dataset com pares de entradas e saídas corretas e conhecidas, permitindo o ajuste do algoritmo pela comparação entre a previsão e o dado real.
Treinamento não supervisionado...
... também conhecido como auto-organizado, ocorre quando o algoritmo busca padrões, regularidades estatísticas ou agrupamentos naturais em dados não rotulados, sem um gabarito prévio.
Reinforcement Learning (RL)...
... treinamento no qual o agente aprende interagindo com o meio através de tentativa e erro, recebendo feedbacks na forma de recompensas (ações positivas) ou punições (ações negativas.
Ambiente estocástico...
... ambiente instável onde o futuro não é determinado apenas pela percepção atual, exigindo que o agente reavalies o meio a cada decisão.
Processo de decisão de Markov (MDP)...
... modelo para ambientes onde o resultado de uma ação futura pode ser estimado estatisticamente a partir do estado atual, analisando a eficácia de uma sequência de decisões através da somatória de recompensas (utilidade).

Voltar