1 of 80

AULA 09:

Origens do ChatGPT

2 of 80

O canal voltou!

Siga a inteligência artificial se quiser viver!

https://www.youtube.com/@AnibalAzevedo

3 of 80

4 of 80

Ambiente de escassez de informação e tecnologia

5 of 80

6 of 80

7 of 80

“Google e Facebook e outros algoritmos são hoje oráculos oniscientes, que podem muito bem evoluir e se tornarem soberanos, ou seja, definitivamente comandarem o que os humanos irão decidir.”

“Para poder acompanhar o mundo em 2050, ou no século 22, Yuval Harari diz que as pessoas vão precisar mais do que capacidade de inventar novas ideias e produtos – precisarão reinventar a si mesmas várias e várias vezes.”

8 of 80

Pergunta

Direta?

Exemplos?

Papéis?

9 of 80

10 of 80

11 of 80

https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/

12 of 80

https://www.youtube.com/watch?v=S7xTBa93TX8

https://www.youtube.com/watch?v=tQLwBHE5r08

13 of 80

https://www.youtube.com/watch?v=DMc6GUKw0l0

14 of 80

https://www.youtube.com/watch?v=8z8Cobsvc9k

Usando API livre e gratuita do ChatGPT3

Plano de negócios para ficar milionário em 1 ano

15 of 80

https://www.youtube.com/watch?v=tcRRJm0R-n8

16 of 80

Histórico

https://medium.com/@augusto_Pinheiro/redes-neurais-artificiais-133de77c7240

17 of 80

Simulador de um neurônio

Entrada de dados

https://towardsdatascience.com/the-concept-of-artificial-neurons-perceptrons-in-neural-networks-fab22249cbfc

18 of 80

Simulador de um neurônio

https://learn.circuit.rocks/neural-networks-creating-a-perceptron-model-in-python

19 of 80

Simulador de um neurônio

20 of 80

Simulador de um neurônio

21 of 80

Simulador de um neurônio

22 of 80

Simulador de um neurônio

23 of 80

Simulador de um neurônio

24 of 80

Simulador de um neurônio

25 of 80

https://medium.com/@okanyenigun/building-a-neural-network-from-scratch-in-python-a-step-by-step-guide-8f8cab064c8a

26 of 80

Avisos antes de usar os dados de entrada…

27 of 80

28 of 80

29 of 80

https://mindminers.com/blog/coleta-de-dados-como-fazer/

30 of 80

https://www.csacademy.com.br/blog/coleta-e-analise-de-dados-quais-sao-as-principais-formas-de-coletar-dados-e-colocar-uma-pesquisa-para-rodar/

31 of 80

Cuidado na obtenção dos dados para alimentar os modelos

32 of 80

Cuidado, pois o modelo não é a realidade!!

33 of 80

Cuidado, pois o modelo não é a realidade!!

34 of 80

Underfitting

Diz-se que algoritmos supervisionados apresentam sub ajuste quando um modelo é muito simples para capturar complexidades de dados. Representa a incapacidade do modelo de apreender os dados de treinamento de forma eficaz, resultando em baixo desempenho tanto nos dados de treinamento quanto nos de teste. Em termos simples, um modelo sub ajustado é impreciso, especialmente quando aplicado a exemplos novos e não vistos.

35 of 80

Overfitting

Diz-se que algoritmos supervisionados são sobre ajustados quando o modelo não faz previsões precisas sobre os dados de teste. Quando um modelo é treinado com muitos dados, ele começa a aprender com o ruído e as entradas de dados imprecisas no conjunto de dados. Ao testar com dados de teste, os resultados apresentam alta variação. Resumindo, Overfitting é um problema no qual a avaliação de algoritmos de aprendizado de máquina em dados de treinamento resultará em desempenho diferente para dados não vistos.

36 of 80

O que é uma divisão Treino-Teste?

O procedimento de divisão Treino-Teste é usado para estimar o desempenho de algoritmos de aprendizado de máquina quando eles são usados para fazer previsões sobre dados não usados para treinar o modelo.

Em resumo, a divisão de Treino-Teste é um procedimento de validação de modelo que permite simular o desempenho de um modelo em dados novos/não vistos.

37 of 80

As porcentagens de divisão comuns incluem:

Treino: 80% | Teste: 20%
Treino: 67% | Teste: 33%
Treino: 50% | Teste: 50%

Condições de aplicação Treino-Teste

38 of 80

Outra consideração importante é que as linhas são atribuídas aleatoriamente aos conjuntos de treinamento e teste. Isto é feito para garantir que os conjuntos de dados sejam uma amostra representativa (por exemplo, amostra aleatória) do conjunto de dados original, que por sua vez, deve ser uma amostra representativa de observações do domínio do problema.

Condições de aplicação Treinamento-Teste

2, 6, 8

39 of 80

Ao comparar algoritmos de aprendizado de máquina, é desejável (talvez necessário) que eles sejam ajustados e avaliados nos mesmos subconjuntos do conjunto de dados. Isso pode ser conseguido fixando a semente do gerador de números pseudo aleatórios usado ao dividir o conjunto de dados.

Condições de aplicação Treinamento-Teste