<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Turing USP on Medium]]></title>
        <description><![CDATA[Stories by Turing USP on Medium]]></description>
        <link>https://medium.com/@grupoturing?source=rss-31e81251aecd------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*5RPfr-4W7ejSV3k74lrXhQ.png</url>
            <title>Stories by Turing USP on Medium</title>
            <link>https://medium.com/@grupoturing?source=rss-31e81251aecd------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 06:55:14 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@grupoturing/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Quem somos?]]></title>
            <link>https://medium.com/grupo-turing/quem-somos-dce5b2923551?source=rss-31e81251aecd------2</link>
            <guid isPermaLink="false">https://medium.com/p/dce5b2923551</guid>
            <category><![CDATA[polis]]></category>
            <category><![CDATA[grupo-turing]]></category>
            <category><![CDATA[usp]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[turing]]></category>
            <dc:creator><![CDATA[Turing USP]]></dc:creator>
            <pubDate>Thu, 01 Mar 2018 14:01:01 GMT</pubDate>
            <atom:updated>2018-03-02T23:07:07.387Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wdXqc19MFEcIplg5Pzazuw.png" /></figure><p>Quem sabe você tenha nos visto durante a Campus Party (que foi muito incrível btw, esperamos poder aparecer lá de novo!) ou você tenha acabado de entrar na tão sonhada Poli (meus parabéns!) ou talvez você tenha apenas se perdido se aventurando pela vasta internet e acabou aqui… na página de quem somos do grupo mais legal de todos os tempos: O <strong>Grupo Turing</strong>!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/490/1*10n11OoLLsQPyg2_uvr2Nw.gif" /><figcaption>Ah… como eu amo a internet…</figcaption></figure><p>Mas e aí, quem somos? Nós gostamos de nos definir na frase:</p><blockquote>Somos o Grupo de extensão que estuda, aplica e dissemina Inteligência Artificial na USP</blockquote><p>E como que isso funciona? É bem simples:</p><ul><li>Tem gente que gosta de ver os assuntos na teoria e entender na raiz a solução dos problemas, como os algoritmos funcionam, como cada hiper-parâmetro afeta no desempenho daquela rede neural,… Essas pessoas se identificam bastante com a parte do ‘estuda’ naquela frase, ou melhor com o nossa área de <strong>P&amp;D</strong></li><li>Já tem gente que gosta de fazer tudo na prática ver o código rodando, gerando resultados, ver aquele algoritmo genético aprendendo a jogar Tetris sozinho na tela do computador. Essas pessoas estão bem na parte de ‘aplica’ da nossa frase, ou melhor do nossa área de <strong>Projetos</strong></li><li>Além disso tem gente que gosta de explicar tudo que aprendeu e tudo que fez pro mundo. Pra essas pessoas a parte ‘dissemina’ é a que chama mais atenção, ou melhor o nossa área de <strong>Comunidade</strong></li><li>Achou que tinha acabado? Errou! Tá vendo aquela vírgula e aquele ‘e’ no meio da frase? Se não fosse por aqueles conectores aquela frase não ia ficar completa. Como a graxa do motor é a área de <strong>Estratégia</strong> para o grupo que auxilia e dá suporte para que tudo ocorra de maneira fluída e lisa</li><li>De novo achou que tinha acabado de novo, né? Essa área também é mais de suporte e para manter o grupo funcionando sem dor de cabeça temos a nossa área <strong>Financeira</strong></li></ul><p>Agora que você já sabe como as nossas áreas atuam, tá na hora de conhecer o que nós estudamos. O campo de<strong> Inteligência Artificial</strong> é muuiiiiito grande, então uma decisão sábia nossa foi, em 2018, começar a trabalhar o conceito de ‘expertises’. Expertises são focos dentro de IA que nós desejamos dominar e ficar extremamente experientes, desenvolvendo novas aplicações e artigos! É possível que essas expertises mudem ao longo do tempo, mas para esse começo de ano elas são:</p><h4><strong>• Visão Computacional</strong></h4><p>Você já parou pra pensar, como que é possível um computador saber que numa foto tem um passarinho? Ou um avião? Veja bem, normalmente a única informação que a máquina tem são as cores, dividas em RGB, de cada um dos pixels que formam aquela imagem. É muito difícil dizer que num agrupamento de pixels azuis escuros e vermelhos no meio de azul claro é um passarinho, ou o Super-Homem… Por um bom tempo as técnicas mais avançadas dependiam de especialistas criando condições e tentando determinar nos mínimos detalhes o que definia um objeto/corpo numa imagem (“ah se de um pixel pra outro mudou drasticamente a composição RGB, é bem provável que seja o contorno de alguma coisa”, “hm, se tiver um ângulo de 90º é provável que seja algo não orgânico”, …).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EJ_Uz0aPpf9NPmQFOJI3RQ.jpeg" /><figcaption>“Eu, Super-Man? Claro que sim!” — disse o papagaio (fonte: <a href="https://unsplash.com/photos/8m2VbT6QBF0">Unsplash</a>)</figcaption></figure><p>Mas isso mudou. <a href="https://www.youtube.com/watch?v=40riCqvRoMs">Fei-Fei Li</a>, a diretora do laboratório de Visão Computacional e do laboratório de Inteligência Artificial de Stanford, foi uma das pioneiras da ideia de se utilizar uma grande quantidade de dados para treinar um algoritmo para identificar objetos, um dos algoritmos predominantes nessa área é a de Redes Neurais Convolucionais (um tipo de Machine Learning). Só para você ter uma ideia, <a href="https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/">a precisão na classificação de imagens era de aproximadamente 75% em 2012 com as técnicas tradicionais e foi para mais de 95% em 2017 utilizando os novos algoritmos</a>.</p><p>Aproveita aí e <a href="https://www.facebook.com/grupoturing.poliusp/videos/2004830019780101/">veja só um dos nossos projetos nessa área</a>.</p><h4>• Aprendizado por Reforço</h4><p>Imagine que você tenha sido colocado numa sala escura… beeem escura e que você não saiba nada sobre ela. Você tem uma tarefa: sair da sala. E agora? Você anda um pouco pra frente e de repente recebe um bolo na sua mão. Você decide dar um passo para trás e puff o bolo some. Você dá dois passos pra frente e agora dois pedaços de bolo aparecem, um em cada mão. Confuso você da um passo para esquerda, nada acontece. Mais confuso ainda você dá dois passos para direita e de novo, nada acontece. A partir dai, o que você faz? É bem provável que você vá para frente, mas assim, é só um chute… Essa é a ideia do funcionamento de um aprendizado por reforço.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hnxg0fFPz89C7da9dH395w.jpeg" /><figcaption>Fica a dica…</figcaption></figure><p>Você tem um agente e quer que ele aprenda a realizar uma determinada tarefa. Para cada ação tomada em um determinado estado você dá uma recompensa (positiva ou negativa) para o agente. É importante ressaltar que essa ação leva o agente para um novo estado e que talvez repetir a mesma ação não seja a melhor escolha. Lembrando que quem modela qual será a recompensa para cada ação ainda é você. E se o agente não gostasse de bolo?(tudo bem que isso nunca vai acontecer quando você estiver programando, mas você entendeu o ponto, hehe) Dependendo do seu problema e da sua modelagem de estados, ações e recompensas a performance do agente pode variar drasticamente.</p><h4><strong>• Processamento de Linguagem Natural</strong></h4><p>Do mesmo modo que imagens são representadas essencialmente por pixels, palavras não são muito diferentes, ao invés de pixels temos caracteres, que no final são a mesma coisa, um monte de 0’s e 1’s um do lado do outro armazenados na memória do seu computador. Nessa área temos um projeto muito interessante: passar numa competição chamada Winograd Schema Challenge. Não sei se você já ouviu falar no Teste de Turing, mas se não ouviu aqui vai a história curta: <a href="https://pt.wikipedia.org/wiki/Alan_Turing">Alan Turing</a> (é, sim é daí que vem o nome do nosso grupo!) propôs que para determinar se uma máquina é realmente inteligente ou não, ela deveria passar no Teste de Turing. O teste é: você coloca uma pessoa para conversar num chat e do outro lado terá uma máquina conversando, se a pessoa não desconfiar, pronto a sua máquina pode ser considerada inteligente. Simples, não é mesmo? Simples e falho infelizmente… mas vamos dar um desconto, Alan propôs esse teste em 1950 quando não existiam nem 20 computadores no mundo inteiro. Talvez você já tenha escutado sobre um suposto chatbot (Eugene Goostman) que passou no teste de Turing alguns anos atrás e é… ele enganou alguns jurados… mas ele se utilizava de artifícios como fingir ser uma criança ucraniana de 13 anos que não falava muito bem inglês. É claro! Como parecer mais humano, senão errando? Acontece que programar um computador para errar propositalmente afim de enganar algumas pessoas não parece ser o caminho para avançar com a tecnologia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/770/1*19hTnRgggkX4Xb26hiuY4A.jpeg" /><figcaption>Admire a beleza do chatbot que “passou” no teste de turing</figcaption></figure><p>Para isso que vem o Winograd Schema Challenge, nele o desafio é um pouco mais complexo. Dada uma frase do gênero: “A garrafa não coube na mochila, porque era muito grande”. A máquina deve ser capaz de respoder a pergunta: O que era muito grande? A garrafa ou a mochila? Para nós é fácil descobrir que a resposta correta é a garrafa. Mas para o computador essa pergunta é especialmente complexa, pois tanto a garrafa como a mochila podem ser grandes, é necessário ter algum conhecimento de mundo para saber que X não cabe em Y, porque X é maior que Y.</p><h3>Mas esse é o fim?!</h3><p>Claro que não! Essa foi só uma introdução básica dos nossos campos de expertise e alguns dos projetos que planejamos atacar nesse ano! Se você não quer que esse seja o fim não esqueça de seguir nossa <a href="https://www.facebook.com/grupoturing.poliusp/">página no Facebook </a>e a nossa <a href="https://medium.com/grupo-turing">publicação no Medium</a> pra ficar sabendo mais sobre IA e sobre o nosso progresso!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dce5b2923551" width="1" height="1" alt=""><hr><p><a href="https://medium.com/grupo-turing/quem-somos-dce5b2923551">Quem somos?</a> was originally published in <a href="https://medium.com/grupo-turing">Grupo Turing</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Uma simples introdução às Redes Neurais Artificiais]]></title>
            <link>https://medium.com/grupo-turing/uma-simples-introdu%C3%A7%C3%A3o-a-redes-neurais-artificiais-fd5c486fc0c4?source=rss-31e81251aecd------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd5c486fc0c4</guid>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[introduction]]></category>
            <category><![CDATA[grupo-turing]]></category>
            <category><![CDATA[redes-neurais]]></category>
            <dc:creator><![CDATA[Turing USP]]></dc:creator>
            <pubDate>Sun, 08 Oct 2017 18:47:25 GMT</pubDate>
            <atom:updated>2017-10-08T21:16:44.795Z</atom:updated>
            <content:encoded><![CDATA[<p>Fala galera! Agora que você já está seguindo nossa <a href="https://www.facebook.com/grupoturing.poliusp/">página no Facebook</a> e a nossa publicação no Medium, vamos começar a nossa série de postagens sobre diferentes algoritmos, e porque não começar com o tópico mais quente em Inteligência Artificial do momento? Hoje falaremos de <strong>Redes Neurais!</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bq8_tWOxlfbel3zhITkpJw.png" /><figcaption>Uma rede neural com 2 duas entradas, 1 camada escondida de três neurônios e uma saída</figcaption></figure><p>Imagine que ̶ o̶s̶ ̶p̶o̶n̶t̶o̶s̶ ̶e̶m̶ ̶v̶e̶r̶d̶e̶ ̶s̶ã̶o̶ ̶o̶s̶ ̶l̶u̶g̶a̶r̶e̶s̶ ̶e̶m̶ ̶q̶u̶e̶ ̶a̶ ̶S̶a̶r̶a̶h̶ ̶C̶o̶n̶n̶o̶r̶ ̶f̶o̶i̶ ̶v̶i̶s̶t̶a̶ você está tirando bolinhas de uma piscina de bolinhas e você foi anotando a cor da bolinha retirada: verde e não verde, obtendo o gráfico a seguir em função da posição x e y da bolinha:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*GVS4we9sWzjslGrxcToYtg.png" /><figcaption>Um gráfico nada suspeito sobre bolinhas verdes</figcaption></figure><p>Agora, baseado nas informações anteriores, que foram classificadas entre bolinha verde e bolinha não verde, você quer descobrir se a bolinha na posição x,y será verde ou não. Este é um problema de classificação, um dos diversos tipos de problemas que é possível resolver com redes neurais. Brincadeiras a parte, vamos explorar um pouco mais esse assunto:</p><h3>O que é uma Rede Neural Artificial?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OihGfV5jNwgItq0N_QsjwA.png" /><figcaption>Um neurônio biológico</figcaption></figure><p>O conceito de redes neurais artificiais foi inspirado no funcionamento do cérebro humano, no sentido de que dado um certo estímulo, alguns neurônios (dos milhares de neurônios presentes na nossa rede neural biológica) ativam e propagam o estímulo gerando alguma reação, por exemplo dor quando tocamos algo quente.</p><p>Bem… a verdade é <em>ninguém sabe como de fato o nosso cérebro funciona, </em>porém… como um modelo matemático essa abordagem funcionou, e funcionou muito bem: agrupar vários <strong>neurônios </strong>que podem ou não serem ativados dependendo das entradas em <strong>camadas</strong> é, atualmente, uma das mais promissoras soluções para problemas de reconhecimento de imagens (com redes neurais convolucionais), reconhecimento de fala e processamento de linguagem natural (com redes neurais recorrentes).</p><p>O que faz essas redes serem tão poderosas é o fato delas poderem “aprender” com os dados fornecidos. A ideia geral desse aprendizado é: forneça muitos dados classificados (em verde e não verde, por exemplo), veja qual a diferença (erro) entre a saída gerada pela rede e a saída real (classificada), ajuste os pesos da rede baseado nesse erro, repita até que o erro seja pequeno o suficiente. O que difere dos métodos convencionais é que você não precisa saber <strong>porque</strong> o seu dado é verde ou não, a rede descobre isso <strong>sozinha</strong>.</p><p>Esse funcionamento pode ser dividido em duas etapas diferentes o <strong>feedforward</strong> e o <strong>backpropagation</strong>. Mas antes vamos ver os seus componentes:</p><h3>O Neurônio</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*5CTWYejVMr66KNiGjEGMNw.png" /><figcaption>Um zoom no neurônio N1 da camada escondida</figcaption></figure><p>O neurônio é o componente básico da sua rede, havendo diversos deles dispostos em camadas. Cada neurônio é composto por 3 partes distintamente simples:</p><ul><li><strong>Entradas (E1,E2,1)</strong>: São os dados que vão passar pela rede</li><li><strong>Pesos (W1,W2,b1)</strong>: São as prioridades do neurônio para cada um dos dados</li><li><strong>Função de ativação (σ(x))</strong> : Decide se as entradas com as prioridades dadas são relevantes para produzir uma saída</li></ul><p>Como mostrado na imagem acima o processo de cálculo da saída de um neurônio pode ser dividido em duas partes: o cálculo da somatória seguido do cálculo da função de ativação.</p><h4>• Somatória</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/442/1*vM2EFTaR79YspKv4_mL4fw.png" /><figcaption>Somatória para o neurônio N1</figcaption></figure><p>Nessa etapa é necessário apenas multiplicar as entradas pelos seus respectivos pesos e somá-los obtendo um valor (o qual chamaremos de Z). Note que b1 é o que chamamos de viés (ou bias em inglês), que funciona como uma entrada sempre ativa para cada uma das camadas. Os vieses não são estritamente obrigatórios, mas redes sem vieses demoram infinitamente (literalmente) mais para convergir.</p><h4><strong>• Função de ativação</strong></h4><p>Agora é preciso decidir: o valor da soma(Z) é o suficiente para ativar o nosso neurônio? Poderíamos utilizar uma função de degrau, por exemplo se o resultado da soma for negativo o neurônio não ativa (0), se o valor for positivo o neurônio ativa (1).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*-53fkvTtGptQhKSH1QaWAA.png" /><figcaption>Função degrau</figcaption></figure><p>Porém, como veremos um pouco para frente, esse tipo de função atrapalharia na etapa de backpropagation. Portanto utilizamos uma função que tem uma cara muito parecida (apesar de um nome nada amigável) a função sigmoidal:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JHWL_71qml0kP_Imyx4zBg.png" /><figcaption>Função Sigmóide</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/1*AvN0p4HHRc2vwhukUBRfmw.png" /><figcaption>Equação da Sigmóide</figcaption></figure><p>Como podemos ver, para valores muito negativos ela se aproxima de 0 e para valores elevados ela se aproxima de 1. Além de decidir se o neurônio ativa ou não a função de ativação introduz uma não-linearidade na rede, ou seja, dado o número de camadas e o número de neurônios adequados, ela pode <a href="https://en.wikipedia.org/wiki/Universal_approximation_theorem">aproximar qualquer função</a>.</p><p>Concluindo a passagem pela função de ativação temos a saída do neurônio:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/610/1*slbC58ZNqzqlF6yAt1lf-A.png" /><figcaption>A saída do neurônio é um número entre 0 e 1</figcaption></figure><h3>Feedforward</h3><p>O que acabamos de ver é como um neurônio se comporta. A etapa de feedforward consiste no encadeamento desses neurônios, ou seja, a saída de uma camada se torna a entrada da próxima camada e a saída dessa se torna a entrada da próxima e assim por diante até chegarmos na camada de saída.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vdu98u6WCsVOJp6V1aKNaA.gif" /><figcaption>Feedforward em passos</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*vvcjuW9JKZgbDLp2x-H5PA.png" /><figcaption>Um zoom no neurônio de saída</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/613/1*hLjaKHSYW1h3yEd7qfkX5w.png" /><figcaption>Equação do neurônio de saída</figcaption></figure><p>Legal, já sei como eu consigo obter resultados a partir de uma entrada, mas você deve estar se perguntando… Como eu obtenho esses pesos? Ou como exatamente essa rede aprende? É isso que a etapa de backpropagation faz.</p><h3>Backpropagation</h3><p>Essa é sem dúvidas a etapa mais complexa do algoritmo de redes neurais, então aperte os cintos, porque vamos dar uma volta na rua de cálculo, mas não se preocupe a intuição é a melhor coisa que você pode pegar aqui.</p><p>Lembra lá no começo em que dissemos que iríamos comparar a saída gerada pela rede com a saída real (classificada)? Então, essa diferença recebe o nome de “<strong>erro</strong>” e a função do backpropagation é <strong>minimizar</strong> esse erro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/497/1*rgy2lG7O6HOwmtehRVVPqA.png" /><figcaption>Lembrando que σ(Z4) é a saída gerada pela rede</figcaption></figure><p>Se nós fossemos expandir σ(Z4) nós acabaríamos chegando que a função de erro depende de 3 fatores:</p><ul><li>Os pesos W,b</li><li>As entradas E</li><li>A saída real</li></ul><p>O único fator que nós temos sob controle são os pesos, ou seja, podemos alterar W e b para obter um erro menor. Para minimizar esse erro é utilizada uma técnica chamada de <strong>gradiente descendente</strong>.</p><p>Gradiente descendente é um método iterativo, baseado na influência de cada peso no erro. O que isso significa? Para cada um dos dados nós conseguimos calcular a derivada parcial do erro em função de cada um dos pesos e obter um novo peso. Confuso? Talvez a equação disso te ajude um pouco:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/297/1*QKkcu_BDDujNb-tv_Eh_gw.png" /><figcaption>Equação para o peso W1</figcaption></figure><blockquote>“Ok… Ok… não pera… DE ONDE SURGIU ESSE ALFA??” — Você lendo essa equação</blockquote><p>Calma, nós ainda não falamos do alfa. Ele é um número menor que 1 e é conhecido como a <strong>taxa de aprendizado </strong>(learning rate), também é um dos <strong>hiper parâmetros</strong> da sua rede (hiper parâmetros são variáveis que não são aprendidas durante o treinamento da rede, eles são definidos anteriormente). Idealmente queremos que o gráfico para cada um dos pesos seja o seguinte:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*fjNOLYgcSNbdxC-0B8fXkQ.png" /><figcaption>Gradiente descendente aplicado na função Erro, atingindo o erro mínimo possível</figcaption></figure><p>Porém se não utilizarmos a taxa de aprendizado para diminuir o tamanho da iteração, ou utilizarmos uma taxa muito grande o comportamento será o seguinte:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*uuQWmJ_rAWeYTS9yaIYv7w.png" /></figure><p>São nesses pequenos ajustes dos pesos que a sua rede aprende a classificar os dados, por isso é muito importante que os dados que você forneça a sua rede durante o treinamento sejam dados de qualidade.</p><h3>Treinamento</h3><p>Para treinar uma rede basta executar a etapa de feedforward e backpropagation várias vezes para cada um dos dados, isso ficará bem claro no nosso tutorial de como implementar uma daqui algumas semanas!</p><h3><strong>Para finalizar…</strong></h3><p>Ufa… Se você chegou até aqui, meus parabéns! Até agora você aprendeu o funcionamento básico de uma rede neural!</p><p>Existem inúmeras coisas que não foram cobertas nesse pequeno texto, como por exemplo: existem outras funções de ativação, como se calcula cada uma das derivadas parciais na etapa de backpropagation, a̶ ̶s̶k̶y̶n̶e̶t̶ ̶v̶a̶i̶ ̶m̶e̶ ̶a̶c̶h̶a̶r̶?̶, wtf é uma rede neural convolucional,… Se você gostou dessa introdução não esqueça de deixar alguns aplausos no post e se tiver curiosidade ou alguma dúvida sobre algum tópico desse post comente aqui ou mande uma mensagem na nossa <a href="https://www.facebook.com/grupoturing.poliusp/">página</a>.</p><p>Agradecemos pela atenção e nos vemos no futuro!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd5c486fc0c4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/grupo-turing/uma-simples-introdu%C3%A7%C3%A3o-a-redes-neurais-artificiais-fd5c486fc0c4">Uma simples introdução às Redes Neurais Artificiais</a> was originally published in <a href="https://medium.com/grupo-turing">Grupo Turing</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Porque estudamos I.A. (e porque você também deveria)]]></title>
            <link>https://medium.com/grupo-turing/porque-estudamos-i-a-e-porque-voc%C3%AA-tamb%C3%A9m-deveria-ee51977b06f0?source=rss-31e81251aecd------2</link>
            <guid isPermaLink="false">https://medium.com/p/ee51977b06f0</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[poli-usp]]></category>
            <category><![CDATA[grupo-turing]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[motivação]]></category>
            <dc:creator><![CDATA[Turing USP]]></dc:creator>
            <pubDate>Sat, 26 Aug 2017 18:50:33 GMT</pubDate>
            <atom:updated>2017-08-26T19:26:22.983Z</atom:updated>
            <content:encoded><![CDATA[<p>Fala galera! Você já deve ter ouvido falar de inteligência artificial aqui e ali e como ela está mudando o mundo. Esse post tem como objetivo explicar as nossas motivações, e quem sabe motivá-los um pouco, sobre o porque de estudar Inteligência Artificial. Mas primeiro é bom saber:</p><h3>O que é Inteligência Artificial?</h3><p>Não existe um consenso sobre a definição exata, mas uma possível definição simplificada dada por Russell &amp; Norvig no livro “<a href="https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach">Artificial Intelligence: A Modern Approach</a>” é:</p><blockquote>“O estudo de agentes inteligentes (…) agentes capazes de perceber o seu ambiente e executar ações que maximizam sua chance de sucesso em determinado objetivo”</blockquote><p>Este objetivo pode ser dos mais variados: desde descobrir a melhor rota no problema do <a href="https://pt.wikipedia.org/wiki/Problema_do_caixeiro-viajante">Caixeiro Viajante</a>, ou até mesmo <a href="https://harthur.github.io/kittydar/">descobrir se imagem na tela é de um gato</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*coOLlZHk4NjXWPi8CTmq5A.jpeg" /><figcaption>“Há, impossível que um computador me reconheça assim” — Gato que não conhecia I.A.</figcaption></figure><p>E é essa variedade que anima! A quantidade de aplicações de I.A. são praticamente ilimitadas. Aqui vão apenas alguns exemplos:</p><ul><li><a href="https://www.cnbc.com/2017/05/11/from-coding-to-cancer-how-ai-is-changing-medicine.html">Prever o estado médico de uma pessoa</a></li><li><a href="https://www.theguardian.com/technology/2017/mar/17/self-driving-cars-california-regulation-google-uber-tesla">Carros autônomos</a></li><li><a href="https://www.microsoft.com/developerblog/2015/11/29/emotion-detection-and-recognition-from-text-using-deep-learning/">Detecção de emoções em textos</a></li><li><a href="https://www.theverge.com/2017/8/4/16093872/facebook-ai-translations-artificial-intelligence">Tradução de textos</a></li><li><a href="http://money.cnn.com/2017/08/12/technology/future/elon-musk-ai-dota-2/index.html">Jogar Dota 2 num nível profissional</a></li></ul><p>Esses são apenas exemplos de coisas <strong>sendo</strong> feitas. O campo de inteligência artificial é extremamente vasto com muito potencial não explorado e nós, como estudantes, temos toda a liberdade de descobrir todo esse potencial.</p><blockquote>“The reason we raised is because there is huge pent up demand in the market for this, and there isn’t a great solution out there right now,” — <a href="https://www.bloomberg.com/news/articles/2017-08-22/andreessen-leads-new-funding-in-artificial-intelligence-startup">Ali Ghodsi, co-founder and chief executive officer</a></blockquote><p>Mas…</p><h3>A mágica de I.A.</h3><p>Um autor de ficção científica, <a href="https://pt.wikipedia.org/wiki/Arthur_C._Clarke">Arthur Clarke </a>(escritor de <em>2001 — Uma Odisseia no Espaço), </em>uma vez disse:</p><blockquote>“Qualquer tecnologia suficientemente avançada é indistinguível de magia.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*lT2r7qq72ZXSojqjnY-JGQ.jpeg" /></figure><p>Se você notar todas as aplicações acima <em>parecem</em> magia, mas magia é coisa de Senhor dos Anéis. Magia não existe. Queremos dominar cada um dos conceitos que nos permitem a chegar nesse nível de fantasia. Queremos ser Gandalf’s do mundo real.</p><p>Ok, ok… Talvez nem tanto… Mas sonhar é sempre bom.</p><h3>Futuro?</h3><p>Apesar de não sermos nenhum tipo de mago (ainda) e não conseguirmos prever o futuro (ainda), se você ainda não está convencido existem mais 3 grandes razões para acreditarmos que o futuro é em I.A.</p><p><strong>Grande quantidade de dados. </strong>Muitos dos algoritmos que permitem as aplicações citadas acima precisam de uma grande quantidade de dados. Com o advento da Internet das Coisas, com a popularização de sistemas de bancos de dados, com as armas de capturas de dados (smartphones, coff, coff) por tudo que é lugar, a<a href="https://www.forbes.com/sites/bernardmarr/2015/09/30/big-data-20-mind-boggling-facts-everyone-must-read/#cc5d69e17b1e"> humanidade gerou mais dados nos últimos dois anos do que em toda a sua história</a> (e esse fato foi de 2015!).</p><p><strong>Aumento da capacidade computacional. </strong>Os algoritmos de redes neurais foram formulados pela <a href="http://www.psych.utoronto.ca/users/reingold/courses/ai/cache/neural4.html">primeira vez em meados de 1950</a>, então o que mudou? O nosso poder de processamento. Não é surpresa que a capacidade de processamento tem dado saltos gigantescos (quem não se lembra de jogar playstation 2 e achar que aqueles gráficos eram os mais realistas do universo?), acontece que esse tipo de hardware, planejado para multiplicação de matrizes, é <a href="https://blogs.nvidia.com/blog/2015/12/10/machine-learning-gpu-facebook/">extremamente eficiente para algoritmos de machine learning</a>. O trabalho de refinar um algoritmo muitas vezes é iterativo e requer bastante tentativa e erro. Reduzir o tempo de treinamento de uma rede neural, por exemplo, de 1 dia para 5 minutos faz muita diferença.</p><p><strong>Investimento na área. </strong>Esse <a href="https://www.bloomberg.com/news/articles/2017-08-22/andreessen-leads-new-funding-in-artificial-intelligence-startup">gráfico da Bloomberg Technology</a> resume bem:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7ylFHKgdG6F7rrxtbssr6w.png" /><figcaption>O investimento em startups da área foi de 559 milhões de dólares para quase 5 bilhões em apenas 4 anos</figcaption></figure><p>Com todo esse investimento novas técnicas estão surgindo e modelos com performance cada vez melhores estão sendo usados para desenvolver diversas soluções.</p><h3>Curti… e agora?</h3><p>Primeiro, crie uma conta no medium, siga a gente e se você ainda não curtiu a nossa <a href="https://www.facebook.com/grupoturing.poliusp/">página no facebook</a> então corre lá! Ao longo desse semestre (e dos próximos) estaremos lançando tutoriais, artigos e os mais diversos conteúdos relacionados a I.A.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/245/1*KpgX-OXGNIvTjQYF35Qodg.gif" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ee51977b06f0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/grupo-turing/porque-estudamos-i-a-e-porque-voc%C3%AA-tamb%C3%A9m-deveria-ee51977b06f0">Porque estudamos I.A. (e porque você também deveria)</a> was originally published in <a href="https://medium.com/grupo-turing">Grupo Turing</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>