Agentes Inteligentes:
Entidades computacionais capazes de perceber seu ambiente e agir de acordo com seus objetivos.
Aprendizado de Máquina Adversário (Adversarial Attacks):
Técnicas para enganar sistemas de IA através de manipulação maliciosa dos dados de entrada.
Aprendizado de Máquina (Machine Learning):
Subcampo da inteligência artificial onde os sistemas aprendem a partir dos dados.
Aprendizado Profundo (Deep Learning):
Técnica de aprendizado de máquina baseada em redes neurais profundas.
Aprendizado por Reforço (Reinforcement Learning):
Subcampo da IA onde um agente aprende a tomar ações em um ambiente para maximizar uma recompensa.
Aprendizado Supervisionado (Supervised Learning):
Tipo de aprendizado de máquina onde o modelo é treinado com dados rotulados para fazer previsões ou classificações, usando algoritmos como regressão linear, árvores de decisão e redes neurais.
Aprendizado Auto-supervisionada (Self-supervised Learning):
Método de aprendizado onde um modelo usa informações disponíveis nos próprios dados para supervisionar o treinamento.
Aprendizado por Transferência (Transfer Learning):
Técnica de aprendizado de máquina onde o conhecimento adquirido em uma tarefa é aplicado para melhorar o desempenho em outra.
Aprendizado One-Shot (One-shot Learning):
Capacidade de um modelo de aprender informações adequadas para tarefas de classificação com apenas um ou poucos exemplos de treinamento, reduzindo a necessidade de grandes conjuntos de dados rotulados.
Aprendizado Zero-shot (Zero-shot Learning):
Capacidade de um modelo fazer previsões sobre classes não vistas durante o treinamento, baseando-se em conhecimento prévio e atributos semânticos, permitindo generalização para novas classes com poucos ou nenhum exemplo rotulado.
Aprendizado Semi-supervisionado (Semi-supervised Learning):
Método de aprendizado que utiliza uma pequena quantidade de dados rotulados e uma grande quantidade de dados não rotulados para melhorar a precisão do modelo, combinando características de aprendizado supervisionado e não supervisionado.
Aprendizado Não Supervisionado (Unsupervised Learning):
Tipo de aprendizado de máquina onde o modelo é treinado em dados não rotulados para encontrar padrões ou estruturas subjacentes, utilizando algoritmos como clustering, redução de dimensionalidade e autoencoders.
Aprendizado Federado (Federated Learning):
Método de aprendizado de máquina onde vários dispositivos colaboram no treinamento de um modelo central sem compartilhar dados diretamente.
Aprendizado Geométrico Profundo (Geometric Deep Learning):
Aplicação de técnicas de aprendizado profundo em dados estruturados, como gráficos e redes.
Aprendizado Meta (Meta Learning):
Processo de aprendizado de máquina onde o próprio sistema aprende a aprender, adaptando-se a novas tarefas e cenários rapidamente.
APIs de IA:
Interfaces de programação de aplicativos que permitem acesso a modelos e funcionalidades de inteligência artificial.
Arquitetura de Software Inteligente:
Design de sistemas de software que incorporam algoritmos de IA para melhorar o desempenho e a eficiência.
Autoencoders:
Redes neurais usadas para aprender uma representação compacta e eficiente de dados, geralmente para fins de redução de dimensionalidade ou geração de novos dados.
Ajuste de Hiperparâmetros:
Processo de ajuste dos parâmetros de controle de um modelo, que não são aprendidos durante o treinamento, para otimizar seu desempenho. Exemplos incluem a taxa de aprendizado e o número de camadas em uma rede neural.
Algoritmos de Otimização:
Algoritmos usados em modelos de IA para melhorar a precisão e eficiência dos resultados.
